Come fare Query DynamoDB con l'intelligenza artificiale (linguaggio naturale)

"Mostrami gli ordini falliti della scorsa settimana" è una battuta nella tua testa e a KeyConditionExpression con mappe segnaposto sul filo. Colmare quel divario è ciò che in realtà significa "interroga DynamoDB con AI" - perché DynamoDB API di per sé non ha endpoint in linguaggio naturale. Ogni richiesta è ferma espressioni oPartiQL; L'intelligenza artificiale si trova nel livello degli strumenti, traducendo il tuo intento in loro.

Quella traduzione può essere davvero eccezionale o tranquillamente pericolosa, a seconda una cosa: se il modello può vedere il tuo schema reale. Questa guida copre le tre configurazioni di lavoro e dove ciascuna si rompe.

Come posso interrogare DynamoDB utilizzando il linguaggio naturale?

Tre opzioni reali: chiedi a un LLM generale di redigere PartiQL ed eseguirlo tu stesso (veloce, ma il modello indovina i nomi degli attributi), collega un agente AI a DynamoDB attraverso un server MCP in modo che possa ispeziona ed esegui query sul serio oppure utilizza un client DynamoDB con un file built-in agente sensibile allo schema: la chat AI di DynoTable diventa semplice linguaggio in PartiQL o SQL rispetto allo schema indicizzato effettivo, calcola aggregati esatti dell'intera tabella e mette in scena qualsiasi scrittura per la tua recensione.

Opzione 1: PartiQL redatto da LLM, gestito da te

Descrivi la query a qualsiasi modello capace, ottieni PartiQL indietro, eseguilo nell'editor PartiQL della console o tramite la CLI:

aws dynamodb execute-statement \
  --statement "SELECT * FROM \"Orders\" WHERE PK = 'ORDER#1001'"

Funziona e fallisce in tre modi prevedibili:

• Il modello non può vedere la tua tabella. Inventerà con sicurezza l'attributo nomi e forme delle chiavi (orderId quando il tuo è PK = ORDER#<id>). Finisci eseguire il debug dello schema allucinato invece di scrivere la query.
• I limiti di PartiQL si applicano ancora. Un SELECT legge esattamente una tabella e un "WHERE" che non blocca una chiave diventa una scansione completa della tabella — in modo silenzioso costoso, esattamente come se lo avessi scritto tu stesso. Il modello avverte raramente tu; PartiQL vs SQL spiega cos'è la superficie SQL fa e non compra.
• Incollare schemi o dati in un chatbot è una decisione di governance dei dati. Gli elementi campione in un prompt sono dati di produzione che escono dai confini.

Utile per query una tantum su uno schema che puoi incollare dalla memoria; traballante come a flusso di lavoro.

Opzione 2: un agente AI connesso tramite MCP

La soluzione strutturale per "il modello non può vedere la tua tabella" è da fornire all'agente strumenti invece di uno schema incollato nel prompt. Il protocollo del contesto modello (MCP) fa esattamente questo: un server MCP espone le operazioni DynamoDB come strumenti tipizzati, e qualsiasi agente compatibile con MCP (Claude, assistenti IDE, agenti personalizzati) può elencare tabelle, ispezionare le chiavi ed eseguire query con risultati reali che ritornano nel file conversazione.

Copriremo l'intera configurazione, nonché il consenso, l'ambito e la sicurezza in scrittura domande che derivano dal lasciare che un agente tocchi un database: dentro Utilizzando DynamoDB con un server MCP. DynoTable stesso ne fornisce uno: può esporre strumenti controllati, di solo loopback a external agenti, con consenso e ambiti per connessione.

Questa è l'architettura giusta quando l'agente è il prodotto: un supporto bot, un assistente interno di Slack. Per il lavoro quotidiano interattivo, è ancora ti consente di assemblare da solo agente, server e credenziali.

Opzione 3: un agente che riconosce lo schema nel tuo client DynamoDB

L'agente integrato di DynoTable è la versione integrata: it vive accanto alle tue tabelle (⌘;) e legge il tuo indicizzato schema: le tabelle sotto il profilo attivo, le relative chiavi e indici, il file percorsi e tipi di attributi scoperti da indicizzazione della tabella, anche valori di esempio - quindi "filtra questo alla settimana scorsa" si risolve rispetto ai nomi dei tuoi attributi reali, no un'ipotesi. Digita "@" per fare riferimento esplicitamente a "@table", "@column" o "@gsi".

Cosa fa con una domanda, secondo il catalogo delle capacità:

• Scrive la query per te — sola lettura PartiQL, o Workbench SQL quando la domanda richiede "JOIN" / "GROUP BY" / aggregati (l'analisi DynamoDB API non ha) — e propone il risultato come chip su cui fai clic per aprire come una vera scheda.
• Calcola le risposte esatte dell'intera tabella. Chiedi un conteggio, una somma, una media o suddivisione per gruppo e viene letto ogni elemento corrispondente, non un campione pagina - "quanti ordini il mese scorso?" riflette la tabella reale. Può rimodellare lo stesso passaggio in un file di esportazione trasformato.
• Mette in scena ogni scrittura. Chiedigli di correggere una riga e la modifica arriverà nel file area di staging come differenza rivedibile: il l'agente non può scrivere direttamente su DynamoDB, eliminare in batch una tabella o alterare la struttura della tabella, in qualsiasi modalità di autorizzazione. Rivedi, ti impegni.
• Chiede prima di spendere i tuoi soldi. Legge che ha colpito AWS e capacità di costo sono soggetti ad autorizzazione (Manuale/Auto/Full Auto, per profilo) e ogni la decisione controllata arriva in un registro di controllo locale e sempre attivo.

Il modello di fiducia conta tanto quanto le funzionalità: l'agente viene eseguito su your possedere AWS credenziali Bedrock, parlando direttamente con Bedrock nel tuo account — i prompt, lo schema e i dati della tabella non vengono mai instradati attraverso i server di DynoTable e l'inferenza ti viene fatturata alle tariffe di Bedrock senza alcun ricarico. Strumento i risultati vengono trattati come dati non attendibili, quindi una riga contenente "ignora precedente istruzioni" non possono dirottare l'agente.

In cosa NON cambia l'IA DynamoDB

Qualsiasi livello di intelligenza artificiale onesto eredita la fisica del database:

• I modelli di accesso continuano a prevalere. "Dove stato = X" su un attributo non chiave è una scansione filtrata, indipendentemente da chi la scrive: il modello digita semplicemente il file query costose più velocemente. Se una domanda continua a forzare le scansioni, la soluzione è modellazione (a GSI, una migliore sort key), non è un prompt migliore.
• Legge la capacità reale dei costi. Un aggregato esatto dell'intera tabella è a lettura a tabella intera. Buoni strumenti lo chiudono e lo dicono; il calcolatore dei prezzi ti dice cosa a costi completi del pass prima di approvarlo.
• Il determinismo ha il tuo posto. Per una query in cui rimarrai per sempre produzione, costruisci a mano l'espressione una volta nel Expression Builder e spedisci l'esatto mappe nomi/valori: l'intelligenza artificiale è per l'esplorazione, il costruttore è per il codice tu impegnarsi.

FAQ

Posso interrogare DynamoDB in un inglese semplice? Non contro lo stesso API — DynamoDB parla solo espressioni e PartiQL. Ma un livello AI può tradurre: un disegno LLM PartiQL, un MCP connesso agent o un agente che riconosce lo schema come DynoTable che genera ed esegue la query rispetto al tuo schema reale.

DynamoDB dispone di una funzione di query AI integrata? Il DynamoDB API non ha endpoint in linguaggio naturale. Qualunque sia l'intelligenza artificiale che ti interroga get proviene dallo strato di strumenti in alto, motivo per cui il modello di sicurezza di quello strumento (lettura di porte, scritture organizzate, le proprie credenziali) è la cosa giusta valutare.

È sicuro lasciare che l'intelligenza artificiale si avvicini ai dati di produzione? E' una questione di permessi. Cercare: letture protette da esplicita approvazione, scrive che atterrare in un'area di sosta revisionabile invece di eseguire direttamente, un registro di controllo e un'inferenza sulle credenziali che controlli. DynoTable l'agente li incontra tutti e quattro; un chatbot con i tuoi dati incollati non ne incontra nessuno.

L'IA può unire le tabelle o eseguire il GROUP BY? Non tramite DynamoDB API — non esiste alcun motore per questo. L'agente di DynoTable risponde a queste domande attraverso il tuo Workbench SQL (vero JOIN, GROUP BY e si aggrega all'interno del modello di accesso di DynamoDB regole), che è anche dove count/sum/average le domande atterrano.

Quanto costa? Due contatori: DynamoDB capacità di lettura per qualunque cosa tocchino le query (the l'agente chiede prima delle letture delimitate) e l'inferenza Bedrock viene fatturata a tuo carico Account AWS: DynoTable non aggiunge markup e non proxy nulla.

Fai la tua prossima domanda in un linguaggio semplice: download DynoTable, punta l'intelligenza artificiale sul tuo Bedrock e mantieni ogni scrittura dietro una recensione.