现代企业正面临从跨PB级结构化与非结构化数据的数据湖及湖仓中提取可操作洞察的愈发严峻挑战。传统分析依赖SQL、数据建模和BI工具的专业技术知识，导致零售、金融服务、医疗保健等行业的决策速度放缓。本文将介绍如何借助Amazon Quick的智能体AI助手，把数据分析转变为自助式服务能力，让业务用户能通过直观的自然语言界面查询复杂结构化数据集，并结合非结构化数据获取有价值的业务洞察。
该架构基于TPC-H数据集搭建湖仓，采用Amazon S3作为存储层，借助Amazon SageMaker与AWS Glue完成湖仓构建，通过Amazon Athena执行无服务器SQL查询（支持S3 Table、Iceberg、Parquet等格式），并结合Quick的多元功能搭建仪表盘与对话式AI智能体。借助Quick Spaces的集成知识库，该方案在保持企业级安全、治理框架与可扩展性的同时，实现了湖仓数据访问的民主化。
实施前需准备好AWS账户、Quick账户，并对S3、SageMaker、Lake Formation和Athena有基本了解，同时需要拥有创建S3数据集、运行Athena查询、创建Glue目录等权限的控制台角色。数据准备工作包括创建Glue数据库、外部CSV表、Apache Iceberg表及Amazon S3 Table，并通过Athena完成数据处理与转换。
在Amazon Quick平台内，需先创建Athena数据源，将数据集导入SPICE（快速并行内存计算引擎），再通过自定义SQL关联多个表。接着配置Quick Topic作为语义层，将技术列名映射为业务概念，以支持自然语言查询。之后使用Amazon Q搭建仪表盘，添加过滤器与Q&A功能，并发布给用户访问。
智能体AI的集成步骤包括配置知识库（导入TPC-H规范文档）、创建Quick Space（整合Topic、知识库与仪表盘），以及构建自定义聊天智能体。这款智能体可结合结构化数据与非结构化上下文，通过自然语言回答用户问题，无需用户掌握SQL或BI专业知识。
文末还提供了清理步骤，包括删除湖仓相关工件（如表、数据库、S3桶）和Quick相关工件（如智能体、空间、仪表盘等）。该架构能将企业数据分析从技术瓶颈转化为可访问的自助式服务能力，加速各行业决策进程，同时兼顾安全性与可扩展性。
快报