数据aws.amazon.com · 收录于
为生成式BI描述数据表和业务语义,提高大模型生成准确SQL的效率
完整提示词
明确告知大模型字段类型、字段属于维度还是度量、关联键信息、维度枚举值的业务含义以及枚举值是否可穷举;使用数据库中的真实值替代问题中的条件,并正确应用指标过滤条件。例如,将“上海地区”映射为 shanghai,将“男装”映射为 IN ('boy shirt', 'boy shoes', 'boy pants', 'boy coat'),且销售金额仅统计 status = 'finished' 的已完成订单。
使用说明
复制全文后,按自己的场景替换占位变量(方括号 / 双花括号包裹的字段)再使用。 部分提示词依赖特定模型或工具(如 GPT / Claude / Copilot),请根据实际情况调整。
反向发现
这个提示词用过的相关论文与工具相关论文
- cs.IR已译
超越相似度搜索:面向企业检索增强生成的知识图谱元数据增强
2610.37728 - cs.IR已译
面向 arXiv 超导文献的结构化抽取与检索增强问答领域感知流水线
2610.34391 - cs.IR已译
融合税:混合检索何时造成损害的诊断分析
2610.30612 - cs.IR已译
MOSS: 用于监控和诊断搜索与推荐系统中语义故障的生产框架
2610.26902 - cs.IR已译
通过子序列关联过滤与广度感知选择追溯并抑制LLM查询扩展中的幻觉词项
2610.13810 - cs.LG已译
用于电子商务搜索页面级布局决策的语言模型
2610.10920
相关工具
- tutorialnews使用 Amazon Bedrock Knowledge Bases 用自然语言查询保险理赔本文是 AWS 官方技术教程,介绍如何使用 Amazon Bedrock Knowledge Bases 构建保险理赔助手。核心方案是通过 AgenticRetrieveStream API 实现智能检索,支持多轮对话、元数据过滤和引用标注。查看工具
- tutorialnews使用 Amazon Bedrock Knowledge Bases 用自然语言查询保险理赔本文是 AWS 官方技术教程,介绍如何使用 Amazon Bedrock Knowledge Bases 构建保险理赔助手。核心方案是通过 AgenticRetrieveStream API 实现智能检索,支持多轮对话、元数据过滤和引用标注。查看工具
- tutorialnews使用 Amazon Bedrock Knowledge Bases 用自然语言查询保险理赔本文是 AWS 官方技术教程,介绍如何使用 Amazon Bedrock Knowledge Bases 构建保险理赔助手。核心方案是通过 AgenticRetrieveStream API 实现智能检索,支持多轮对话、元数据过滤和引用标注。查看工具
- tutorialnews使用 Sentence Transformers 训练和微调多向量嵌入模型Sentence Transformers v6.0 引入 MultiVectorEncoder 以支持 ColBERT 风格的延迟交互检索,并提供完整训练流程。作者用 100 万条医学问答对在单张 RTX 3090 上训练 14.5 小时后,微调模型在医学检索任务上 NDCG@10 达到 0.9139,比最强的零样本模型高出 0.062,验证了领域微调对多向量模型的显著提升效果。查看工具
- tutorialnews使用 Sentence Transformers 训练和微调多向量嵌入模型Sentence Transformers v6.0 引入 MultiVectorEncoder 以支持 ColBERT 风格的延迟交互检索,并提供完整训练流程。作者用 100 万条医学问答对在单张 RTX 3090 上训练 14.5 小时后,微调模型在医学检索任务上 NDCG@10 达到 0.9139,比最强的零样本模型高出 0.062,验证了领域微调对多向量模型的显著提升效果。查看工具
- tutorialnewsSentence Transformers v6.0 新增多向量编码器,支持 ColBERT 风格延迟交互检索Sentence Transformers v6.0 新增 MultiVectorEncoder 模型类型,支持 ColBERT 风格的延迟交互检索。该模型保留每个 token 的嵌入向量而非压缩为单一向量,使用 MaxSim 算子进行查询与文档的评分,能够在保持双编码器索引效率的同时实现更强的检索质量。查看工具