A AWS incluiu a busca tabular no Amazon Bedrock Managed Knowledge Base, conforme descrito no blog de Machine Learning da AWS. O recurso permite que a recuperação agêntica responda a perguntas que dependem de dados em arquivos CSV, XLSX e XLS.
O problema que ele ataca
O RAG tradicional devolve um conjunto limitado de trechos, os que mais se aproximam da pergunta. Isso funciona bem com texto corrido, mas falha em tabelas. Uma tabela longa é dividida em vários trechos, então um total ou a checagem de um limite sai de poucas linhas. Uma tabela larga pode ter, em uma só linha, mais texto do que um trecho ou o modelo de busca consegue tratar, e por isso os valores das últimas colunas são mais difíceis de encontrar. As perguntas também usam termos de negócio, enquanto as tabelas guardam códigos de centro de custo e nomes de contas, e a regra que dá sentido aos números costuma estar em um documento de política separado.
Como funciona
A busca tabular faz parte do fluxo de recuperação agêntica que já existe, então não há nada para ativar. As requisições passam pela mesma chamada AgenticRetrieveStream usada para documentos. O sistema busca os trechos relevantes, decide se vale executar código sobre uma ou mais das tabelas encontradas e copia o arquivo de origem para um sandbox isolado, sem acesso a nenhuma rede. O código escrito pelo modelo roda sobre a tabela ou a planilha completa e devolve apenas o que imprime, como totais ou linhas que atendem ao critério. Em seguida, o agente redige a resposta a partir desses resultados e dos trechos recuperados, com citações.
A recuperação ainda precisa achar primeiro o arquivo de tabela certo, então citar o nome do arquivo na pergunta ajuda, principalmente quando existem uma versão preliminar e uma final. A API Retrieve continua devolvendo só trechos e não executa código. O recurso funciona com arquivos trazidos por conectores como Amazon S3, Microsoft SharePoint e Atlassian Confluence.
O exemplo
O post usa arquivos financeiros fictícios: uma planilha de resultado (DRE), uma política de variação, um memorando de fechamento do trimestre e uma revisão de negócios. Uma das perguntas é quais departamentos precisam escrever comentário sobre variação. A resposta exige o limite definido na política, as revisões de orçamento do memorando e cálculos sobre cada linha de departamento. A recuperação comum devolve trechos, mas nenhuma resposta. A busca tabular aponta Vendas, Engenharia e Operações, cita a política e o memorando, e o rastro mostra qual planilha o código leu.
Limites para conhecer
- Respostas que usam dados de tabela demoram mais, porque a execução de código acrescenta pelo menos uma rodada do agente.
- Métricas governadas, dashboards recorrentes e joins em escala de data warehouse continuam sendo assunto para ferramentas de BI.
- Arquivos acima do filtro de tamanho da fonte de dados não são ingeridos, então o código não consegue lê-los.
- O código roda sobre CSV de até 500 MB, mas sobre planilhas Excel só até 200 MB, na data em que o post foi escrito.
- O código gerado não é devolvido, porque pode repetir valores de células. O rastro informa os arquivos lidos.
- A identidade que faz a chamada precisa das permissões de recuperação agêntica, incluindo bedrock:GetDocumentContent, porque o agente lê o arquivo original com as credenciais de quem chama.
O post também traz um exemplo de configuração com uma fonte de dados no S3, conversas em vários turnos e filtros de metadados que controlam quais arquivos o código pode ler.