Amazon Bedrock Managed Knowledge Base 新增表格检索
Get answers from tables with tabular search in Amazon Bedrock Managed Knowledge Base
Amazon Bedrock Managed Knowledge Base 新增表格检索,可在 agentic retrieval 中对 CSV、XLSX、XLS 文件按行查值与计算,并与文档事实合并作答。
Amazon Bedrock Managed Knowledge Base 现已支持表格搜索,因此你可以通过代理式检索从表格中获取答案。当问题需要来自 CSV、XLSX 或 XLS 文件的数据时,表格搜索会查找数值,并跨一个或多个表格或工作表中的每一相关行执行计算。随后,它会将结果与相关文档中的事实相结合,以回答需要多个步骤的分析性问题。
一个正在结账的财务团队需要知道“哪些部门必须撰写差异说明?”没有任何单个文件包含答案。答案取决于差异政策的阈值、季度结账备忘录中的预算修订,以及对损益(P&L)工作簿中每个部门进行的计算。
像这个财务团队一样,大多数团队将叙述性内容和数据保存在同一位置。例如,一个 Microsoft SharePoint 站点将工作簿与政策放在一起,一个 Amazon Simple Storage Service (Amazon S3) 存储桶将 CSV 导出文件与 PDF 放在一起。表格搜索通过你已用于文档的同一个 AgenticRetrieveStream 请求,跨这些文件回答问题。它在隔离的沙箱中对原始文件运行代码,因此答案使用整个表格,而不仅仅是检索返回的行。对于该财务团队,一个请求即可返回必须撰写差异说明的部门。答案引用了政策和备忘录,追踪记录则指明了代码读取的工作簿。
在本文中,你将了解表格搜索如何回答既需要表格数据又需要文档事实的问题,以及何时其他工具更合适。你还将使用示例财务文件构建一个知识库,并使用追踪记录查看代码读取了哪个文件。
为什么表格难以用于检索
检索增强生成(RAG)返回与问题最匹配的固定数量的段落,这对散文很有效。表格在被拆分为段落时会丢失信息,丢失方式取决于表格的形状:
- 长表格 – 一个包含数千行的表格会跨越许多段落,而检索只返回与问题最匹配的少数段落。基于这些段落构建的答案只使用少量行,因此总计、比较或阈值检查可能不完整。
- 宽表格 – 在一个包含数百列的表格中,一行所包含的文本可能超过一个段落或搜索模型一次能接收的量。因此,后面列中的值更难匹配。来自宽表格的长段落还可能匹配许多不相关的问题,并将更相关的段落挤出结果。
检索还必须将问题匹配到正确的表格。问题使用业务术语,例如“可控支出”,但表格中保存的是成本中心代码、账户名称和数字。草稿工作簿和最终工作簿在搜索看来几乎相同。赋予数字含义的规则通常位于单独的文档中,例如政策。
因此,表格搜索将工作拆分。检索只需从正确的表格文件中返回一个段落,然后由代码读取整个表格。由于检索仍然必须先找到该文件,因此在问题中指明文件名会有所帮助。
表 1 展示了普通检索和表格搜索分别如何处理财务团队的问题:“哪些部门必须撰写差异说明?”
| 对比项 | 仅检索 | 使用表格搜索的代理式检索 |
| 返回结果 | 来自政策、备忘录、业务审查和工作簿的段落,但没有完整答案 | 一个答案,列出销售、工程和运营部门,以及每个部门相对其修订预算的差异 |
| 修订后的差异百分比 | 不可用。没有文件存储这些数据,因此任何段落都不可能包含它们 | 根据最终工作簿中的每个部门行计算得出 |
| 来源 | 每个段落都链接到各自的文件,但其中没有一个包含答案 | 引用财务政策和结账备忘录。追踪记录指明了代码所读取的工作簿 |
表 1:同一问题分别使用普通检索和表格搜索。
表格搜索在智能体检索中的工作方式
在智能体检索中,智能体利用检索来判断哪些文档重要,然后撰写答案。表格搜索是这一流程的一部分,因此无需开启任何功能。
当问题需要表格中的数据时,请求会经过以下阶段:
- 检索 – 返回段落,包括来自表格文件的段落。
- 规划 – 智能体利用问题和表格结构来判断是否要对一个或多个检索到的表格运行代码。
- 暂存 – 表格搜索将原始文件复制到无网络访问的隔离沙箱中。
- 计算 – 模型编写的代码在整个表格或工作表上运行。
- 返回 – 智能体只获取代码打印出的内容,例如总计或匹配的行。
- 回答 – 智能体根据结果和段落作答,并附上引用。
当检索到的段落来自 CSV、XLSX 或 XLS 文件,且问题需要跨行计算或查找特定值时,表格搜索便会启动。
知识库、连接器和 API
一个 AgenticRetrieveStream 请求可以搜索一个或多个知识库。Retrieve API 会持续返回段落,但不运行代码。
无论哪个连接器将文件带入知识库,表格搜索的工作方式都相同,包括 Amazon S3、Microsoft SharePoint、Atlassian Confluence 等。
范围与权衡
表格搜索专为需要对其检索到的表格文件进行计算或查找的问题而构建。运行代码至少会增加一个智能体回合,因此使用表格数据的答案比纯文本答案耗时更长。受治理的指标、定期仪表板、仓库级联接和报告控制仍应放在你的商业智能(BI)工具中。表格搜索作用于与文档存储在一起的表格文件,且无需定义架构。
解决方案概述
在此解决方案中,Amazon Bedrock Managed Knowledge Base 将你的 CSV 和 Excel 文件与相关文档(如 PDF 和 Word 文件)一起存储。你的应用程序将每个问题都通过智能体检索发送。当问题需要表格数据时,答案会将表格上的计算与文档中的事实相结合。它会引用所使用的段落,追踪记录会指明代码读取的表格文件。
在图 1 中,Amazon S3 数据源将这些文件同步到知识库,知识库保留嵌入、文本、元数据和原始文件。当你的应用程序发送带有 AgenticRetrieveStream 的问题时,智能体检索会规划工作并从知识库中检索段落。如果问题需要表格文件中的数据,它会将要读取的文件发送到无网络访问的隔离沙箱。在那里,模型编写的代码在原始文件上运行并返回打印结果。答案连同引用和追踪事件会流式返回给你的应用程序。
图 1:Amazon Bedrock Managed Knowledge Base 中的表格文件和文档,在 agentic retrieval 中支持表格搜索。
本演练示例使用虚构的 AnyCompany Retail 财务文件:
- 最终损益工作簿(
anycompany-pnl-fy2026.xlsx)。它包含 Notes、Actuals、Budget 和 Summary 工作表,其中 Actuals 和 Budget 工作表按月份、成本中心和科目各占一行。 - 草稿工作簿。一份包含不同第三季度数字的初步副本。
- 财务差异政策(PDF)。定义可控支出和已批准预算,并设定审查阈值。
- 第三季度结账备忘录(Word)。列出已批准和已拒绝的预算修订。
- 业务回顾(Markdown)。说明主要差异。
这些文件位于 sample-managed-knowledge-base-patterns GitHub 仓库的 tabular-search 文件夹中。该文件夹还包含一个用于部署本文所述资源的 AWS Cloud Development Kit(AWS CDK)应用,以及用于提出这些问题的 Python 脚本。
先决条件
您需要以下内容:
- 创建 AWS Identity and Access Management(IAM)角色、S3 存储桶和 Amazon Bedrock 知识库的权限。
- 对于调用
AgenticRetrieveStream的身份,需要 agentic retrieval 的权限,包括bedrock:GetDocumentContent。agent 使用调用者的凭证读取原始表格文件。 - 在支持表格搜索的 AWS 区域中使用 Amazon Bedrock。有关区域可用性,请参阅 支持的 AWS 区域。
- 您自己的 CSV、XLSX 或 XLS 文件及相关文档。
- 要跟随本演练:Python 3.10 或更高版本,以及 AWS SDK for Python(Boto3)1.43.123 或更高版本。您也可以在 Amazon Bedrock 控制台的知识库测试窗口中或使用 AWS Command Line Interface(AWS CLI)提问。
调用身份需要 agentic retrieval 文档中的以下策略:
{
"Version": "2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": "bedrock:AgenticRetrieveStream",
"Resource": "*"
},
{
"Effect": "Allow",
"Action": ["bedrock:Retrieve", "bedrock:GetDocumentContent"],
"Resource": "arn:aws:bedrock:<region>:111122223333:knowledge-base/*"
},
{
"Effect": "Allow",
"Action": "bedrock:InvokeModelWithResponseStream",
"Resource": "*"
}
]
}有关费用,请参阅 Amazon Bedrock 定价。
将文件上传到 Amazon S3
将表格文件和相关文档放在同一个前缀下。
- 打开 Amazon S3 控制台并选择 创建存储桶。
- 输入全局唯一的存储桶名称(本文使用
amzn-s3-demo-bucket),保持选中 阻止所有公有访问,然后选择 创建存储桶。 - 选择该存储桶,选择 创建文件夹,然后输入
finance。 - 打开
finance文件夹并选择 上传。 - 选择 添加文件,选择您的表格文件和文档,然后选择 上传。
创建知识库和数据源
知识库需要一个 Amazon Bedrock 可以代入的 IAM 角色。此信任策略仅允许 bedrock.amazonaws.com 服务主体,且仅限您账户中的知识库。
{
"Version": "2012-10-17",
"Statement": [
{
"Sid": "BedrockKnowledgeBaseAssume",
"Effect": "Allow",
"Principal": {"Service": "bedrock.amazonaws.com"},
"Action": "sts:AssumeRole",
"Condition": {
"StringEquals": {"aws:SourceAccount": "111122223333"},
"ArnLike": {
"aws:SourceArn": "arn:aws:bedrock:<region>:111122223333:knowledge-base/*"
}
}
}
]
}接下来,设置其余资源:
- 使用该信任策略创建名为
kb-finance-role的角色。 - 附加一个内联策略,允许对存储桶执行
s3:ListBucket,对其对象执行s3:GetObject。 - 使用托管嵌入模型创建类型为
MANAGED的知识库。 - 为该存储桶创建
MANAGED_KNOWLEDGE_BASE_CONNECTOR数据源,限制在finance/前缀。 - 将
maxFileSizeInMegaBytes设置为大于您最大的文件。
步骤 2 的内联策略仅允许读取此存储桶:
{
"Version": "2012-10-17",
"Statement": [
{
"Sid": "ListBucket",
"Effect": "Allow",
"Action": "s3:ListBucket",
"Resource": "arn:aws:s3:::amzn-s3-demo-bucket",
"Condition": {"StringEquals": {"aws:ResourceAccount": "111122223333"}}
},
{
"Sid": "ReadObjects",
"Effect": "Allow",
"Action": "s3:GetObject",
"Resource": "arn:aws:s3:::amzn-s3-demo-bucket/*",
"Condition": {"StringEquals": {"aws:ResourceAccount": "111122223333"}}
}
]
}此脚本运行步骤 3 到 5 并打印 ID:
import time
import boto3
agent = boto3.client("bedrock-agent")
kb = agent.create_knowledge_base(
name="finance-kb",
roleArn="arn:aws:iam::111122223333:role/kb-finance-role",
knowledgeBaseConfiguration={
"type": "MANAGED",
"managedKnowledgeBaseConfiguration": {"embeddingModelType": "MANAGED"},
},
)
kb_id = kb["knowledgeBase"]["knowledgeBaseId"]
# Wait until the knowledge base is ACTIVE before adding a data source.
status = "CREATING"
while status in ("CREATING", "UPDATING"):
time.sleep(10)
status = agent.get_knowledge_base(knowledgeBaseId=kb_id)["knowledgeBase"]["status"]
if status != "ACTIVE":
raise RuntimeError(f"Knowledge base status is {status}")
ds = agent.create_data_source(
knowledgeBaseId=kb_id,
name="finance-s3",
dataSourceConfiguration={
"type": "MANAGED_KNOWLEDGE_BASE_CONNECTOR",
"managedKnowledgeBaseConnectorConfiguration": {
"connectorParameters": {
"type": "S3",
"version": "1",
"connectionConfiguration": {
"bucketName": "amzn-s3-demo-bucket",
"bucketOwnerAccountId": "111122223333",
},
"filterConfiguration": {
# In MB. Set this above your largest table.
"maxFileSizeInMegaBytes": "200",
"inclusionPrefixes": ["finance/"],
},
"aclEnabled": False,
}
},
},
vectorIngestionConfiguration={
"parsingConfiguration": {"parsingStrategy": "SMART_PARSING"}
},
)
print("knowledge base:", kb_id, "data source:", ds["dataSource"]["dataSourceId"])同步数据源并检查文件类型
只有当知识库分配了正确的文件类型时,表格搜索才能启动,因此请在首次同步后检查文件类型。
- 为数据源启动摄取作业。
- 轮询该作业,直到其状态为
COMPLETE。 - 查看作业统计信息中的失败文档。
- 使用您的问题运行
Retrieve调用。 - 确认表格段落将
_file_type显示为CSV(对于 CSV 文件)或MS_EXCEL(对于 XLSX 和 XLS 文件)。
第一个脚本运行步骤 1 到 3:
import time
import boto3
agent = boto3.client("bedrock-agent")
KB_ID, DS_ID = "<your-knowledge-base-id>", "<your-data-source-id>"
job_id = agent.start_ingestion_job(knowledgeBaseId=KB_ID, dataSourceId=DS_ID)[
"ingestionJob"]["ingestionJobId"]
while True:
job = agent.get_ingestion_job(
knowledgeBaseId=KB_ID, dataSourceId=DS_ID, ingestionJobId=job_id
)["ingestionJob"]
if job["status"] in ("COMPLETE", "FAILED", "STOPPED"):
break
time.sleep(15)
print(job["status"], job.get("statistics"), job.get("failureReasons"))第二个脚本运行步骤 4 和 5,这样你可以在使用代理式检索提问之前检查表格文件类型。对于你自己的文件,提出一个将你某个文档中的规则与对表格的计算相结合的问题,并同时指明两者。
import boto3
runtime = boto3.client("bedrock-agent-runtime")
question = (
"In fiscal Q2 of FY2026, which cost center had the largest overspend in "
"controllable spend, as the finance policy defines it? Compare the Actuals "
"and Budget sheets of the FY2026 P&L workbook and give the cost center and "
"the overspend in US dollars."
)
response = runtime.retrieve(
knowledgeBaseId="1234567890",
retrievalQuery={"text": question},
retrievalConfiguration={"managedSearchConfiguration": {"numberOfResults": 10}},
)
for result in response["retrievalResults"]:
print(result["metadata"].get("_file_type"), result.get("documentId"))跨表格和文档提问
通过 AgenticRetrieveStream 发送同一个问题。脚本会打印答案、每个 CodeExecution 状态以及代码读取的文件。
import boto3
runtime = boto3.client("bedrock-agent-runtime")
question = (
"In fiscal Q2 of FY2026, which cost center had the largest overspend in "
"controllable spend, as the finance policy defines it? Compare the Actuals "
"and Budget sheets of the FY2026 P&L workbook and give the cost center and "
"the overspend in US dollars."
)
response = runtime.agentic_retrieve_stream(
messages=[{"role": "user", "content": {"text": question}}],
retrievers=[{"configuration": {"knowledgeBase": {"knowledgeBaseId": "1234567890"}}}],
agenticRetrieveConfiguration={
"foundationModelType": "MANAGED",
"rerankingModelType": "MANAGED",
},
)
for event in response["stream"]:
if "traceEvent" in event:
attributes = event["traceEvent"]["attributes"]
# CodeExecution steps report IN_PROGRESS, then SUCCEEDED or FAILED.
if attributes.get("step") == "CodeExecution":
print(attributes["status"], attributes.get("message"))
# A Planning event lists the files the code will read.
for action in attributes.get("actions", []):
for doc in action.get("codeExecution", {}).get("documents", []):
print("code read:", doc["documentId"])
elif "responseEvent" in event:
print(event["responseEvent"]["text"], end="")对于这些文件,答案结合了两个工作簿表格和两个文档:
- 来自文档。 财务政策将可控支出定义为 Contractors、Travel、Software 和 Marketing Programs 账户,其中不包括薪资和设施。业务回顾解释了主要差异。
- 来自表格。 代码使用 Actuals 和 Budget 工作表中的每一行,将两者筛选为财年第二季度和这四个账户,然后比较成本中心。
- 答案。 CC-3010(Platform)超出 124,559.90 美元,实际支出为 394,859.90,而预算为 270,300.00。业务回顾将差异归因于为数据平台迁移而引入的承包商。如果改为计算所有运营费用账户,则得到 133,434.05。
阅读跟踪记录
跟踪事件按以下顺序到达:
- 规划。 一个状态为
SUCCEEDED的Planning事件包含一个codeExecution操作,该操作指明了代码将要读取的文档。 - 代码步骤。 一个状态为
IN_PROGRESS的CodeExecution事件(“Running code over 1 document(s)”),然后是一个状态为SUCCEEDED的事件。SUCCEEDED消息指明了代码读取的每个文件及其大小。 - 答案。 第二轮规划和响应文本之后是一个包含引用的最终
result事件。引用指向答案所使用的段落,因此代码读取的表格文件并不总是在其中。
在此示例中,Planning 事件仅指明最终工作簿,因为政策和业务回顾是以检索到的段落形式到达的。
{
"traceEvent": {
"attributes": {
"step": "Planning",
"status": "SUCCEEDED",
"message": "Agent planning completed",
"actions": [
{
"retrieve": {},
"codeExecution": {
"documents": [
{
"documentId": "s3://amzn-s3-demo-bucket/finance/anycompany-pnl-fy2026.xlsx",
"sourceRetriever": {"identifier": "1234567890"}
}
]
}
}
]
}
}
}在较长的调用中,流每 10 秒重复一次 IN_PROGRESS 事件,因此不会触发读取超时。无法完成的代码步骤会报告 FAILED,代理通常会重试或回退。
表格搜索作为响应生成的一部分运行,该功能默认开启,因此脚本将 generateResponse 保持为未设置。如果将 generateResponse 设置为 false,代理会返回检索结果而不运行代码。有关详细信息,请参阅代理式检索。
尝试更多问题
以下每个问题也将文档与工作簿配对。
将备忘录修订应用于季度总计
此问题需要一个仅在备忘录修订后才存在的预算:
Did total operating expense for fiscal Q3 of FY2026 stay within the Q3 budget
as revised in the Q3 close memo? Give the actual Q3 operating expense, the
revised Q3 budget and the difference, in US dollars.答案使用了备忘录中的修订以及工作簿中的第三季度实际值和原始预算。支出比修订后的预算低 49,572.40 美元,因此答案是肯定的,尽管同样的支出超出了原始预算。普通的 Retrieve 会返回备忘录和工作簿段落,但其中没有一个包含这些数字。
在预算修订后应用政策阈值
以下是引言中财务团队问题的完整版本。它需要政策的阈值、备忘录的修订以及工作簿:
Applying the budget revisions approved in the Q3 close memo, which
departments must write variance commentary for fiscal Q3 of FY2026 under
the finance policy?该政策要求,当差异超过已批准预算(包括已批准的修订)的 5% 时需提供说明,而备忘录批准了 Marketing 的增加和 Engineering 的削减。答案是 Sales(-6.50%)、Engineering(+5.79%)和 Operations(+6.20%)。Engineering 之所以越过阈值,只是因为已批准的削减降低了其预算。
继续对话
表格搜索在多轮对话中同样适用。将先前的轮次放在 messages 中发送,它会在需要表格的那一轮运行。第一个问题要求从工作簿中进行计算:
Calculate the Customer Support department's actual operating expense and its
budget for fiscal Q2 of FY2026 from the Actuals and Budget sheets of the final
FY2026 P&L workbook, in US dollars.对于后续问题,将第一个问题、其答案("role": "assistant")以及新问题放在 messages 中发送:
Under the finance policy, does that variance need written commentary, and does
anyone besides the Controller have to review it?差异为超出预算 12.40%,因此需要书面说明。由于超过 10%,该政策还要求由 CFO Nikki Wolf 审核。在这里,第一轮通常在工作簿上运行代码,第二轮根据历史记录回答政策问题。
对于更长的会话,你可以通过设置请求中的 memoryConfiguration,将对话历史保存在 Amazon Bedrock AgentCore 内存资源中,而不是重新发送先前的轮次。有关详细信息,请参阅agentic retrieval。
针对表格提问的最佳实践
措辞要谨慎,因为检索会决定代码读取哪张表。指明来源的聚焦问题有助于检索选对表。
- 将一条规则与一张表配对。指明包含该规则的文档,例如“as revised in the Q3 close memo”。
- 当存在多个版本时指明文件。例如,“use the final FY2026 P&L workbook, anycompany-pnl-fy2026.xlsx”。
- 需要计算时就要求计算。如果汇总表中有某个数字,代理可以直接据此回答。要说“Calculate each department’s variance from the Actuals and Budget sheets”,以便从明细行进行计算。
- 提出聚焦的问题。通过多轮对话构建更大的分析。
一些数据和应用选择也有帮助:
- 将表格保存为 CSV、XLSX 或 XLS 文件。先从 PDF 或 Word 文档中导出表格。
- 将文件大小过滤器设置得高于你最大的表格。大于
maxFileSizeInMegaBytes的文件不会被摄取,因此代码无法读取它们。 - 将 Excel 工作表保持在 200 MB 以内。截至本文撰写时,表格搜索可对最大 500 MB(摄取上限)的 CSV 文件运行代码,但对 Excel 工作表仅支持最大 200 MB。你仍然可以摄取更大的 Excel 文件,因此在依赖全表计算之前请检查工作表大小。
- 使用表格搜索进行分析。运行代码会增加一个代理轮次,因此对于文本中的快速查找,请保留普通的
Retrieve。 - 使用元数据过滤器限定文件范围。
retrievalOverrides下的过滤器(例如针对_document_title)控制代码可以读取哪些文件。 - 使用跟踪进行审计。生成的代码按设计不会返回,因为它可能回显单元格值。跟踪会显示代码读取了哪些文件。
清理
为避免持续产生费用,请按顺序删除这些资源:
- 在 Amazon Bedrock 控制台中,选择 Knowledge Bases,然后选择
finance-kb。 - 选择
finance-s3数据源并选择 Delete。 - 删除
finance-kb知识库。 - 在 Amazon S3 控制台中,选择该存储桶,选择 Empty,然后选择 Delete,除非其他工作负载正在使用它。
- 在 IAM 控制台中,选择 Roles,选择
kb-finance-role,然后选择 Delete。
如果你使用仓库中的 AWS CDK 应用进行部署,请在其 infra 文件夹中运行 npx cdk destroy,而不是执行这些步骤。它会删除堆栈创建的所有内容。
结论
财务团队成员需要知道“哪些部门必须撰写差异说明?”借助 Amazon Bedrock Managed Knowledge Base 中的表格搜索,你可以通过一个同时使用工作簿、策略和备忘录的智能体检索请求来回答该问题。
在本文中,你了解了表格搜索如何回答既需要表格数据又需要文档事实的问题,以及何时其他工具更合适。你还使用示例财务文件构建了一个知识库,并通过跟踪信息查看了代码读取了哪个文件。
要开始使用,请参阅 Amazon Bedrock 用户指南中的构建托管知识库和智能体检索,以及 Amazon Bedrock API 参考中的AgenticRetrieveStream。要了解更多信息,请阅读 AWS 人工智能博客上的使用 Amazon Bedrock Managed Knowledge Base 为智能体构建企业搜索。
关于作者
Josh DeMuth
Josh 是 AWS 的生成式 AI 解决方案架构师。他在科技行业拥有超过 20 年的经验,其中包括数年的系统集成经验,一直专注于让不同的系统协同工作。他现在帮助客户构建能够与他们已有的系统和数据协同工作的生成式 AI 应用程序。
Siddhant Sahu
Siddhant 是 AWS 的高级产品经理,也是 Amazon Bedrock Managed Knowledge Base 的唯一负责人,作为产品负责人负责其战略、路线图和发布。他构思并推出了其智能体检索和应用程序连接器,使 AI 智能体能够在 SharePoint、Confluence、S3 等关键业务应用程序中对企业数据执行复杂的搜索查询。自 2026 年 6 月发布以来,该服务已被 OpenAI、Syngenta、MRH Trowe、Sony 以及其他基于企业数据构建 AI 智能体的企业采用。
John Minicus
John 是软件开发工程师 II,负责 Amazon Bedrock Managed Knowledge Base 和 AWS Quick 的检索能力。在 AWS 的 3 年里,他从事过自然语言解析、数据可视化,以及最近的智能体检索系统,重点关注运行这些系统的基础设施。
Inan Tainwala
Inan 是 Amazon Bedrock Managed Knowledge Base 团队的软件工程师,他帮助 AI 在发挥创意编造答案之前找到正确答案。他度过了许多深夜,追逐 bug、照看定时任务,并说服金丝雀按调歌唱。工作之外,他通常外出骑行,他坚称这只是为了给尝遍城里每一家新餐厅找个理由。
来源:AWS Machine Learning Blog · aws.amazon.com
