AWS发布Amazon Quick Automate教程：用自然语言提示搭建RFI问卷全流程自动化
AWS机器学习博客给出逐步教程：把多标签RFI Excel工作簿从Amazon S3读入，用自然语言描述处理逻辑生成工作流，人工对话式修正后输出CSV并跨区域导入导出。
AI解读：这条新闻的重点不是新功能发布，而是一份公开教程：AWS用一篇博客演示了怎么把RFI问卷处理做成端到端自动化。以往这类工作要靠人反复从多标签Excel里抄问题、保留分类和题型，格式一换就得返工。
真正省事的地方在于描述方式变了。你不需要写定制代码，只要用日常语言说清读哪个文件、怎么拆主问题和子问题、输出哪些列，Quick Automate就会生成可执行的工作流，还能通过对话直接指出“这一步不对、改成用表头原文”。
受影响最直接的是每年要处理成百上千份RFI的采购、售前和合规团队。教程给出的方案是在S3上读写、产出CSV，前提是需要Amazon Quick Enterprise订阅、S3桶与Quick应用在同一区域，并配置一个只能访问该桶的IAM角色。
需要留意的是边界：教程本身只有示例流程和校验项，没有给出准确率或提速幅度数据；生成的工作流每次运行步骤可能略有差异。真正上线前，仍要按文中建议增量验证、显式描述缺数据或重复数据的处理方式。
AWS机器学习博客发布一篇教程，演示如何用Amazon Quick Automate搭建处理RFI（Request for Information，信息征询）问卷的端到端自动化流程。博客作者为Chaytanya Kumar。
按照博客描述，典型企业每年可能要处理数百份RFI问卷，每份都是复杂的多标签工作簿，包含层级化的问题集、分类元数据和多种作答类型。手动提取、结构化并答复这些问题需要反复协调，拖慢响应速度，而且问卷格式每次变化都可能引入错误。
教程给出的自动化路径是：从Amazon Simple Storage Service（Amazon S3）读取一份多标签RFI工作簿，提取并结构化问卷数据，再把干净的输出写回Amazon S3，最终产物是一个逗号分隔值（CSV）文件。博客称，常见场景无需编写定制代码。
博客写明，Amazon Quick Automate处理的是“受支持的企业流程”的多智能体自动化，可跨部门、系统、UI与API交互以及第三方系统。用户用自然语言描述处理目标，Quick Automate即可生成覆盖采集、转换、校验和输出的可执行工作流；用户可以对话式修改工作流、在自己的数据上运行，并把验证过的版本跨AWS区域推广。
教程列出的五个步骤
博客给出的高层步骤是：先设置Amazon S3操作连接器，把Quick Automate连接到S3桶；再把该S3集成添加到自动化组，共享给将使用它的组；然后创建自动化项目，用自然语言描述处理逻辑，由生成式AI助手生成工作流；接着通过对话迭代修正；最后验证结果，并用导入/导出功能把验证过的版本提升到生产账户或目标AWS区域。
- 设置S3操作连接器：连接Quick Automate与S3桶
- 把S3集成加入自动化组：共享给将使用它的自动化组
- 创建自动化项目：在项目中描述处理逻辑
- 描述处理逻辑：输入自然语言提示，由生成式AI助手生成工作流
- 通过对话修正：请求有针对性的修改
- 验证结果：在预生产（开发）AWS账户中运行并核对输出
- 用导入/导出提升版本：导出已验证版本，导入生产账户或目标AWS区域
前置条件与IAM基线
博客列出开始前的环境要求：具备Amazon Quick Automate访问权限的Amazon Quick Enterprise订阅；与Amazon Quick应用处于同一AWS区域的Amazon S3桶；熟悉AWS Identity and Access Management（IAM）角色和策略；以及对Amazon S3桶、前缀和对象有基本了解。
教程要求创建一个IAM角色，授予Quick Automate访问S3桶的权限。信任策略中Principal的Service为quicksight.amazonaws.com，Action为sts:AssumeRole。权限策略需要授予目标桶上的s3:GetObject、s3:PutObject和s3:ListBucket。博客给出的示例角色名为QuickAutomate-S3-Role，创建后需复制角色ARN，配置S3连接器时要用。
- Amazon Quick Enterprise订阅，且可访问Amazon Quick Automate
- Amazon S3桶需与Amazon Quick应用位于同一AWS区域
- 需要熟悉IAM角色与策略，以及S3桶、前缀、对象的基本概念
- 信任策略：Principal为quicksight.amazonaws.com，Action为sts:AssumeRole
- 权限策略：目标桶上的s3:GetObject、s3:PutObject、s3:ListBucket
自然语言提示如何变成工作流
在自动化项目中，用户可以在提示区直接输入需求，也可以上传包含需求的文件。博客给出的示例提示覆盖数据源、转换逻辑和输出，例如：使用ExampleBucket-S3-Connection连接器连接S3桶，读取sample-folder前缀下的SampleDepartment_Version2.xlsx，打开Strategy工作表并提取所有调查问题，按编号和缩进区分主问题与子问题，输出列包括Serial Number、Category、Question和Response Type，并把结果以CSV写入同一桶的output-folder前缀。
提交提示后，AI助手会生成多步工作流。博客称，这些步骤分别对应提示中的指令：读取数据、提取与转换、结构化输出、写入结果。博客同时提醒，由于依赖生成式AI，每次运行产生的确切步骤和措辞可能不同，用户看到的工作流可能与示例略有差异，但会覆盖相同的逻辑操作。
- 读取数据：连接S3、下载工作簿，读取带表头的目标工作表
- 提取与转换：按编号和缩进识别主问题与子问题，从列头提取分类元数据
- 结构化输出：合并父级上下文，把子问题转成独立记录，定义输出模式
- 写入结果：把结构化输出保存为CSV到指定的S3位置
- 博客提醒：生成式AI输出可能每次不同，但覆盖相同的逻辑操作
校验、对话修正与使用限制
博客建议点击Run对工作簿执行工作流，并核对四项输出：所有问题（主问题和子问题）都已提取；分类文本与来源列头完全一致；子问题包含父级上下文；作答类型按来源原样保留。
如果输出需要改进，可在对话界面引用具体步骤并描述期望行为。博客给出的修正提示包括：读取Strategy工作表的步骤应同时把列头捕获为元数据；category字段与来源表头不匹配，更新提取逻辑以使用准确的表头文本；在子问题转换步骤中，把父级上下文合并进问题文本。迭代循环为：识别问题、请求有针对性的更新、查看更新后的工作流、重新运行并验证。
博客还列出上线前的最佳实践：增量验证，不要批量堆积多次修改；显式描述数据缺失、重复或格式不一致时的工作流行为。导入/导出功能支持从预生产到生产的受控提升，以及跨AWS区域的一致复用。博客提醒，导出的版本链接会在设定时间后过期，需及时复制使用，过期后可重新生成。
- 运行后核对：主问题与子问题全部提取；分类文本与列头完全一致；子问题带父级上下文；作答类型原样保留
- 修正示例：把列头捕获为元数据；category使用准确表头文本；子问题合并父级上下文
- 最佳实践：增量验证；显式描述数据缺失、重复或格式不一致时的行为
- 导入导出：支持预生产到生产的受控提升和跨AWS区域复用；导出链接会过期
- 清理：删除自动化项目与自动化组；若无其他工作流使用则移除S3连接器；删除测试IAM角色和测试S3对象