Amazon Bedrock научили считать по целым Excel-таблицам, а не по кусочкам из поиска
Обычный RAG режет таблицу на куски, и модель видит лишь несколько строк, поэтому суммы выходят неполными. В Amazon Bedrock Managed Knowledge Base добавили tabular search: код в песочнице без сети читает весь CSV или Excel-файл целиком. В примере он нашёл подразделение с перерасходом 124 559,90 доллара и сослался на политику компании. Для вопросов «правило из документа плюс расчёт по таблице» теперь хватает одного запроса.
AI-обработка оригинала AWS Machine Learning Blog; редакция Hamidun News
Представьте финансовую команду в конце квартала. Ей нужно понять, какие отделы обязаны написать пояснение к отклонениям от бюджета. Ответа нет ни в одном файле: порог отклонения записан в политике, пересмотренные бюджеты лежат в служебной записке о закрытии квартала, а сами цифры спрятаны в Excel-книге с прибылями и убытками. Обычный поиск по документам с такой задачей справляется плохо. AWS добавила в Amazon Bedrock Managed Knowledge Base функцию tabular search, которая закрывает именно этот разрыв между текстом и таблицами.
Почему таблицы ломают обычный RAG
RAG возвращает фиксированное число фрагментов, которые лучше всего подходят к вопросу. Для прозы это работает. Для таблиц хуже: когда файл режут на куски, часть информации теряется.
Если таблица длинная, в ней тысячи строк, а поиск отдаёт лишь несколько фрагментов. Итоговая сумма, сравнение или проверка порога строятся на горстке строк и получаются неполными. Если таблица широкая, с сотнями столбцов, одна строка может не поместиться в фрагмент или в окно поисковой модели. Значения из дальних столбцов хуже находятся, а длинные фрагменты начинают подходить к чужим вопросам и вытесняют полезные.
Есть и проблема сопоставления. Люди спрашивают про «контролируемые расходы», а в таблице коды центров затрат и названия счетов. Черновик и финальная версия книги для поиска выглядят почти одинаково. А правило, которое придаёт цифрам смысл, часто лежит в отдельном PDF.
Как это устроено
Tabular search делит работу на две части. Поиск должен найти всего один фрагмент из нужного табличного файла, а дальше код читает таблицу целиком. Включать ничего не нужно: функция встроена в агентный поиск, то есть в запрос AgenticRetrieveStream.
Запрос проходит несколько этапов:
- поиск возвращает фрагменты, среди которых есть кусок из CSV, XLSX или XLS;
- агент по вопросу и структуре таблицы решает, нужно ли запускать код;
- исходный файл копируется в изолированную песочницу без доступа к сети;
- код, написанный моделью, считает по всей таблице или листу;
- агент получает только напечатанный результат, например суммы или подходящие строки;
- ответ собирается из результата расчёта и фрагментов документов, со ссылками на источники.
В примере AWS компания AnyCompany Retail спрашивает, у какого центра затрат в втором финансовом квартале самый большой перерасход по контролируемым расходам в смысле финансовой политики. Из PDF агент берёт определение: сюда входят подрядчики, поездки, софт и маркетинговые программы, а зарплаты и аренда не входят. Из таблиц код берёт все строки листов Actuals и Budget, фильтрует их по кварталу и четырём счетам и сравнивает центры затрат. Результат: центр CC-3010 (Platform) превысил бюджет на 124 559,90 доллара, потратив 394 859,90 при плане 270 300,00. Бизнес-обзор объясняет причину: подрядчики для миграции платформы данных. Если считать все операционные расходы, а не только контролируемые, цифра выходит 133 434,05.
Отдельно полезна трассировка. В потоке событий видно, какой файл читал код: событие Planning перечисляет документы, затем идёт CodeExecution со статусом IN_PROGRESS и SUCCEEDED. Это помогает проверить, что агент взял финальную книгу, а не черновик. Ссылки в ответе указывают на использованные фрагменты, поэтому сама таблица в цитатах может не оказаться, а в трассировке она будет.
Ограничения и что делать
Функция не заменяет BI. Запуск кода добавляет как минимум один ход агента, поэтому ответы с табличными данными приходят медленнее текстовых. Проверенные метрики, регулярные дашборды, join на масштабе хранилища и контроль отчётности по-прежнему стоит делать в BI-инструментах. Кроме того, поиск всё равно должен сначала найти нужный файл, поэтому название книги лучше прямо указывать в вопросе.
Есть и практические требования. Вызывающей учётной записи нужны права bedrock:AgenticRetrieveStream, bedrock:Retrieve и bedrock:GetDocumentContent, потому что агент читает исходный файл с её правами. После первой синхронизации проверьте, что у табличных фрагментов тип файла CSV или MS_EXCEL, иначе tabular search не запустится. Обычный вызов Retrieve по-прежнему возвращает только фрагменты и код не выполняет, как и режим с generateResponse=false.
Для разработчиков вывод простой. Если ваш ассистент отвечает на вопросы, где правило лежит в документе, а числа в выгрузках и книгах, не нужно заранее строить схему или переливать файлы в хранилище. Кладите таблицы рядом с PDF в S3 или SharePoint, формулируйте вопросы с названием файла и проверяйте трассировку. Для разовых аналитических вопросов к рабочим файлам этого может хватить. Всё, что нужно считать регулярно и с гарантиями, остаётся в BI.
- 21 нояб. 2026 г.AG-UI 1.0 даёт ИИ-агентам единый язык для связи с приложением: 31 тип событий
- 21 нояб. 2026 г.OpenAI запустила ChatGPT Wallet: агенты покупают, не видя номер карты
- 21 нояб. 2026 г.США вложили в рекламу ChatGPT $70,7 млн за октябрь — на 127% больше, чем в апреле
- 21 нояб. 2026 г.ONNX Runtime пропал с GitHub: Microsoft скрыла репозитории после взлома пакета
Вопросы и ответы по материалу
Что известно по теме: почему таблицы ломают обычный RAG?
RAG возвращает фиксированное число фрагментов, которые лучше всего подходят к вопросу. Для прозы это работает. Для таблиц хуже: когда файл режут на куски, часть информации теряется. Если таблица длинная, в ней тысячи строк, а поиск отдаёт лишь несколько фрагментов. Итоговая сумма, сравнение или проверка порога строятся на горстке строк и получаются неполными. Если таблица широкая, с сотнями столбцов, одна строка может не поместиться в фрагмент или в окно поисковой модели.
Что известно по теме: как это устроено?
Tabular search делит работу на две части. Поиск должен найти всего один фрагмент из нужного табличного файла, а дальше код читает таблицу целиком. Включать ничего не нужно: функция встроена в агентный поиск, то есть в запрос AgenticRetrieveStream.
Что известно по теме: ограничения и что делать?
Функция не заменяет BI. Запуск кода добавляет как минимум один ход агента, поэтому ответы с табличными данными приходят медленнее текстовых. Проверенные метрики, регулярные дашборды, join на масштабе хранилища и контроль отчётности по-прежнему стоит делать в BI-инструментах. Кроме того, поиск всё равно должен сначала найти нужный файл, поэтому название книги лучше прямо указывать в вопросе. Есть и практические требования.
Протестируйте новые LLM и мультимодальные модели в одном окне
Платформа Nomad AI (nomadnet.ai) даёт прямой доступ к Claude Opus 5.5, GPT-6, Gemini 3.1, DeepSeek и автономным агентам без VPN, зарубежных карт и зоопарка подписок.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.