Amazon BedrockでAIがデータベースを理解し、自然言語からSQLを自動生成するためのスキーマ定義ファイルの作成手順を解説します。JSON形式が推奨されており、テーブル名、カラム名、データ型、主キー、外部キーなどを正確に記述することが重要です。これにより、AIエージェントやナレッジベースの精度が飛躍的に向上し、データ分析の自動化が実現します。
基本概念の理解
- 目的: Amazon Bedrockの「エージェント」や「ナレッジベース」がDB構造を理解し、適切なSQL生成を可能にする
- 対応形式: JSONまたはYAML(JSONが推奨)
- 対象DB: RDS, Aurora, Redshift, DynamoDB等(リレーショナルDBが中心)
- 必須要素: テーブル名、カラム名、データ型、主キー、外部キー、関係性
ステップバイステップ手順
STEP 1: メタデータの収集
- 対象データベースに接続
- 以下の情報を収集:
- 全テーブル名
- 各テーブルのカラム名とデータ型(例:
customer_id INT) - 主キー(Primary Key)
- 外部キー(Foreign Key)と参照先テーブル
- NULL制約、ユニーク制約
- インデックス情報(オプション)
STEP 2: ファイル形式の選択
- 推奨形式: JSON(構造化データに最適)
- 代替形式: YAML(読みやすいがネストに注意)
STEP 3: JSONスキーマの作成例
{
\"database\": \"ecommerce_db\",
\"description\": \"ECサイトのデータベース\",
\"tables\": [
{
\"table_name\": \"customers\",
\"description\": \"顧客基本情報\",
\"columns\": [
{
\"name\": \"customer_id\",
\"type\": \"INT\",
\"description\": \"顧客を一意に識別するID\",
\"is_primary_key\": true
},
{
\"name\": \"name\",
\"type\": \"VARCHAR(100)\",
\"description\": \"顧客の氏名\"
},
{
\"name\": \"email\",
\"type\": \"VARCHAR(255)\",
\"description\": \"メールアドレス\",
\"is_unique\": true
}
]
},
{
\"table_name\": \"orders\",
\"description\": \"注文情報\",
\"columns\": [
{
\"name\": \"order_id\",
\"type\": \"INT\",
\"is_primary_key\": true
},
{
\"name\": \"customer_id\",
\"type\": \"INT\",
\"description\": \"customersテーブルへの外部キー\",
\"is_foreign_key\": true,
\"references\": {
\"table\": \"customers\",
\"column\": \"customer_id\"
}
},
{
\"name\": \"order_date\",
\"type\": \"DATE\"
}
]
}
]
}STEP 4: ベストプラクティス
- 記述的メタデータの追加:
- 各テーブル・カラムに
descriptionを記載(AIの理解精度が向上) - 例:
"description": "注文ステータス(0:未処理, 1:発送済み)"
- 各テーブル・カラムに
- 関係性の明文化:
\"relationships\": [
{
\"from_table\": \"orders\",
\"from_column\": \"customer_id\",
\"to_table\": \"customers\",
\"to_column\": \"customer_id\",
\"type\": \"one-to-many\"
}
]- データ型の正確性:
- 実際のDBのデータ型と一致させる(例:
VARCHAR(255),TIMESTAMPTZ)
- 実際のDBのデータ型と一致させる(例:
- 制約の明示:
"is_primary_key": true/false"is_nullable": false(NOT NULL制約)"default_value": "CURRENT_TIMESTAMP"
STEP 5: ファイルの検証
- JSONバリデーターで構文チェック:
- JSONLint を使用
- 必須フィールドの確認:
database,tables,table_name,columns,name,type
STEP 6: Bedrockへのアップロード
- AWSコンソール > Amazon Bedrock にログイン
- ナレッジベース を選択
- 「データソースの追加」をクリック
- 作成したJSONファイルをアップロード
- ベクトル変換設定 で「メタデータフィールド」を指定:
\"vectorEmbeddingMetadata\": {
\"schemaType\": \"DATABASE_SCHEMA\"
}![[AWS]Bedrockエージェントのスキーマ設定](https://mtoy.work/develop/wp-content/uploads/sites/3/2026/05/DuckDB-logo-160x90.png){kind=logo}
[DuckDB]RAGのベクタDBとして使う
DuckDBをRAGのベクタDBとして活用する方法を解説。vss拡張機能を用いたベクトル検索やHNSWインデックスの構築手順を紹介し、SQLによるメタデータ検索との強力な親和性やシングルファイルでの高速なローカル開発のメリットを解説します。
mtoy.work
2026.05.25
高度な設定例
パーティション情報の追加(BigQuery等)
{
\"table_name\": \"sales\",
\"partitions\": {
\"field\": \"sale_date\",
\"type\": \"DATE\",
\"range\": \"DAILY\"
}
}ビュー定義の含め方
{
\"table_name\": \"active_users\",
\"is_view\": true,
\"view_definition\": \"SELECT user_id, name FROM users WHERE last_login > NOW() - INTERVAL \'30 days\'\"
}よくあるエラーと対策
| エラー内容 | 原因 | 解決策 |
|---|---|---|
Invalid schema: missing table_name | 必須フィールド欠落 | 全テーブルにtable_nameを追加 |
Unrecognized field "is_foreign_key" | タイポ | フィールド名をis_foreign_key → isForeignKeyに統一 |
Vector embedding failed | ファイルサイズ超過 | ファイルを分割または不要メタデータを削除 |
自動生成ツール活用(オプション)
- SQL → JSON コンバーター:
- DBML to JSON などのツールでDDLから変換
- Pythonスクリプト例:
import json
from sqlalchemy import create_engine, MetaData
engine = create_engine(\'postgresql://user:pass@host/db\')
metadata = MetaData()
metadata.reflect(engine)
schema = {\"database\": \"my_db\", \"tables\": []}
for table in metadata.tables.values():
# テーブル情報を抽出してschemaに追加
with open(\'schema.json\', \'w\') as f:
json.dump(schema, f, indent=2)
コメント