使用自然语言查询湖仓一体表

借助 BigQuery 中的对话式分析，您可以使用自然语言提示查询开放格式数据。此功能依赖于无边界 Lakehouse 中的 Lakehouse 运行时目录，可自动将您的问题映射到底层表架构，以便您无需手动编写代码即可生成和执行 SQL 查询。

设置查询时，您可以使用数据智能体提供业务术语库和系统指令，以提高准确率。

对话式分析的工作原理

对话式分析使用大语言模型 (LLM) 来理解您的自然语言问题，并将其映射到表的架构。此过程遵循以下步骤：

  1. 架构发现：系统从 Lakehouse 运行时目录中检索元数据，以了解表结构、列名称和数据类型。
  2. SQL 生成：LLM 会生成与 BigQuery 引擎和底层数据格式兼容的 SQL 查询。
  3. 执行：BigQuery 直接针对 Google Cloud Lakehouse 中的开放格式数据执行生成的 SQL 查询。
  4. 响应：结果会返回到对话界面，通常会附带摘要或可视化图表。

如需详细了解对话式分析（例如管理数据智能体、价格或最佳实践），请参阅对话式分析概览。

支持的格式

对话式分析功能会将您的自然语言问题转换为 SQL 查询。它支持 Lakehouse 运行时目录支持的开放表格式，例如 Apache Iceberg 表。

准备工作

在查询数据之前，请先在 Lakehouse 运行时目录中注册外部表。Lakehouse 运行时目录充当统一中心，将 BigQuery Studio 连接到外部开放格式数据。连接后，这些表就会成为 BigQuery 中可发现的资产。

使用对话式分析查询表

  1. 在 Google Cloud 控制台中，前往 BigQuery Studio 智能体中心。

    前往 Agents Hub

  2. 创建数据智能体，或直接与现有数据智能体对话。

  3. 选择表。

    由于 Lakehouse 运行时目录统一了所有这些不同的格式，因此发现体验与查找标准 BigQuery 表相同。

    1. 搜索：添加知识来源时，在表搜索和选择界面中查找表名称。您可以使用搜索关键字来过滤结果，包括：

      • TABLE_NAME
      • catalog: CATALOG_NAME
      • project: PROJECT_ID
      • namespace: NAMESPACE_NAME

    2. 验证来源：请注意完全限定名称的数据集部分。由外部来源创建并由 Lakehouse 运行时目录管理的表通常会采用结合目录和命名空间的格式。例如：PROJECT_ID.biglake_catalog.finance_namespace.my_iceberg_table 或 PROJECT_ID.sap_catalog.sales.delta_table。

    3. 选择：将所选表添加到活跃对话上下文。

  4. 使用自然语言提问。系统会自动将您的提示转换为联合 SQL 查询。

提高查询准确率

为了帮助对话式分析更好地理解您的架构和术语，请使用数据智能体配置选项。这些选项包括业务术语库、经过验证的 SQL 查询和系统指令。

后续步骤