飛書多維表格利用 Amazon Bedrock AI 能力賦能業務

背景

飛書多維表格是一款功能強大的在線數據管理與協作工具。它打破傳統表格局限，將電子表格與數據庫特性融合，支持看板、甘特圖、表單等多種視圖自由切換，可根據項目進度、任務管理等不同場景靈活展示數據。其豐富的字段類型能精準適配各類數據錄入需求，且支持多人實時在線協作，團隊成員可同步編輯、快速溝通。通過自動化流程與 “AI 捷徑字段” 等功能，可輕松實現數據的自動計算、任務提醒、智能分析等操作，無論是項目管理、客戶關系維護，還是日常工作流程優化，都能高效滿足個性化業務需求。

📢限時插播：無需管理基礎設施，利用亞馬遜技術與生態，快速集成與部署生成式AI模型能力。

? 精心設計，旨在引導您深入探索Amazon Bedrock的模型選擇與調用、模型自動化評估以及安全圍欄(Guardrail)等重要功能。

?快快點擊進入《多模一站通 —— Amazon Bedrock 上的基礎模型初體驗》實驗

構建無限, 探索啟程！

AI 捷徑字段是一個飛書的開放平臺，使用者可以根據自身業務需求開發自定義插件，也可以將插件推送到 “捷徑字段中心” 對外提供服務。目前，在 “捷徑字段中心” 里已經有豐富的第三方應用插件，可以滿足許多通用業務場景。“AI 捷徑字段” 提供了詳細的開發文檔，讓企業可以開發有定制化邏輯的內部插件，例如：在插件的實現邏輯中調用企業內部服務 API、與企業的 AI 能力進行集成。

本文將利用 AI 捷徑字段的開放能力，實現飛書多維表格與 Amazon Bedrock 的集成，并演示 AI 賦能業務的典型場景。

方案

方案介紹

基本概念

飛書 AI 捷徑字段：是飛書多維表格中的一項功能，它允許用戶通過簡單的配置，借助 AI 自動生成所需的字段，從而大大提高工作效率，用戶無需了解復雜的底層邏輯和細節，只需新增一列，進行簡單配置，就能借助 AI 完成高階工作。

飛書低代碼平臺 FaaS（Function as a Service，函數即服務）：開發者能使用編程語言編寫函數代碼，專注于實現特定業務邏輯。完成編寫后，可便捷地將函數部署到飛書低代碼平臺環境中，無需操心服務器配置、安裝和維護等底層工作。

Amazon Bedrock：是一項完全托管的服務，通過單個 API 提供來自領先人工智能公司的高性能基礎模型，并提供通過安全性、隱私性和負責任的人工智能構建生成式人工智能應用程序所需的一系列廣泛功能。使用 Amazon Bedrock，您可以輕松試驗和評估適合您的使用案例的熱門基礎模型，通過微調和檢索增強生成（RAG）等技術利用您的數據對其進行私人定制，并構建使用您的企業系統和數據來源執行任務的代理。

數據交互流程

數據流程分為三個階段：1）多維表格前端，2）捷徑服務端，3）Amazon Bedrock 服務器。業務邏輯和與 Amazon Bedrock 交互的代碼封裝在 FaaS 中，部署在捷徑服務端。前端交互是多維表格文檔，要處理的數據通過固定格式的表單與捷徑服務端進行交互，然后再將接收到的用戶數據和參數通過 Bedrock API 進行處理。需要注意的是在插件中訪問的互聯網資源需要申請域名白名單，向不在白名單內的域名發送的請求會被拒絕。

開發流程

運行環境：Nodejs 版本：14.16.0

克隆項目：

git clone https://github.com/Lark-Base-Team/field-demo.git

項目目錄結構：

├── config.json // 本地調試授權的配置文件
├── package-lock.json
├── package.json
├── src
│   └── index.ts // 項目入口文件
└── tsconfig.json

啟動本地服務，可以在模擬環境中進行調試：

# 安裝依賴
npm install
# 啟動本地服務
npm run start

集成 Bedrock 代碼示例 index.ts：

// 定義捷徑的入參formItems: [{key: 'prompt',label: t('prompt'),component: FieldComponent.Input,props: {placeholder: t('prompt_placeholder')},validator: {required: true,}},{key: 'bedrockEndpoint',label: t('endpoint'),component: FieldComponent.Input,props: {placeholder: t('endpoint_placeholder')},validator: {required: true,}},{key: 'accessKey',label: t('accessKey'),component: FieldComponent.Input,props: {placeholder: t('accessKey_placeholder'),},validator: {required: true,}},{key: 'secretKey',label: t('secretKey'),component: FieldComponent.Input,props: {placeholder: t('secretKey_placeholder'),},validator: {required: true,}},{key: 'modelType',label: t('modelType'),component: FieldComponent.SingleSelect,props: {placeholder: t('modelType_placeholder'),options: [{ label: 'Amazon Nova Pro', value: 'amazon.nova-pro-v1:0' },{ label: 'Amazon Nova Lite', value: 'amazon.nova-lite-v1:0' },{ label: 'Amazon Nova Micro', value: 'amazon.nova-micro-v1:0' },{ label: 'DeepSeek R1', value: 'deepseek.r1-v1:0' }]},validator: {required: true,}}],// 定義捷徑的返回結果類型resultType: {type: FieldType.Text,},// formItemParams 為運行時傳入的字段參數，對應字段配置里的 formItems （如引用的依賴字段）execute: async (formItemParams , context) => {const { prompt, modelType, bedrockEndpoint, accessKey, secretKey } = formItemParams;/** 為方便查看日志，使用此方法替代console.log */function debugLog(arg: any) {console.log(JSON.stringify({formItemParams,context,arg}))}// 創建 Bedrock Runtime 客戶端const client = new BedrockRuntimeClient({ endpoint: bedrockEndpoint, // 設置你的 Amazon Bedrock endpointcredentials: {accessKeyId: accessKey,secretAccessKey:  secretKey,}});const message = {content: [{ text: prompt }],role: ConversationRole.USER,};const request = {modelId: modelType.value,messages: [message],inferenceConfig: {maxTokens: 1000, // The maximum response lengthtemperature: 0.7, // Using temperature for randomness control},};try {const response = await client.send(new ConverseCommand(request));console.log(response.output.message.content[0].text);const generatedText = response.output.message.content[0].text;return {code: FieldCode.Success,data: generatedText};} catch (error) {console.error('調用 Amazon Bedrock API 時出錯:', error);return {code: FieldCode.Error,errorMessage: '調用 Amazon Bedrock API 時出錯'};}},

發布流程

在項目目錄下執行 npm run pack，然后將 output/output.zip 文件上傳即可。然后提交多維表格捷徑插件表單，可發布給所有用戶，或公司內使用。具體開發和發布流程可以參考“字段捷徑插件開發指南”。

典型場景

使用 Amazon Nova Pro 識別多維表格中的圖片，幫助業務人員快速完成業務分析，加速決策流程

本案例展示多維表格與自定義字段捷徑的交互方式，利用 Amazon Nova Pro 在圖像內容識別場景中的優勢，幫助業務人員無門檻使用 AI 應用工具并提高工作效率。

創建一個全新的飛書多維表格文檔，將我們之前準備好的原始圖片以附件的形式上傳到多維表格內指定列（原始圖片列）中。再新增一列，字段類型選擇 “字段捷徑中心”，然后在 “字段捷徑中心” 搜索并使用我們自己之前發布的插件，‘待處理字段’使用我們放置圖片的列，‘處理命令’就是大模型 Prompt。

配置完成后，多維表格自動調用指定的字段捷徑，并將 “原始圖片” 列的數據作為參數傳遞給插件。我們使用的是異步調用，插件會將圖片發送到后端的 Amazon Bedrock 服務中，調用 Amazon Nova Pro，根據 Prompt 進行圖片分析，并將結果輸出到 “圖像識別” 列中。多維表格可以支持自動更新，不論你新增圖片，還是在原有行中更新圖片，多維表格都會調用插件更新輸出內容。

結論

飛書多維表格已經內置了很多基礎工具，可以滿足用戶常見的業務需求。但面對用戶的個性化場景，就需要利用 “捷徑字段” 這個開放平臺，開發符合自己業務需求的工具。隨著 AI 能力的越來越成熟，很多業務場景都可以借助 AI 提高工作效率。本案例就是將飛書多維表格與 Amazon Bedrock 進行集成，讓 AI 賦能業務。用戶不僅可以開發企業內部自己使用的工具，也可以將工具發布到 “字段捷徑中心” 對外提供服務，拓展企業的 ToB 業務渠道。

*前述特定亞馬遜云科技生成式人工智能相關的服務僅在亞馬遜云科技海外區域可用，亞馬遜云科技中國僅為幫助您了解行業前沿技術和發展海外業務選擇推介該服務。

本篇作者

本期最新實驗《多模一站通 —— Amazon Bedrock 上的基礎模型初體驗》

? 精心設計，旨在引導您深入探索Amazon Bedrock的模型選擇與調用、模型自動化評估以及安全圍欄(Guardrail)等重要功能。無需管理基礎設施，利用亞馬遜技術與生態，快速集成與部署生成式AI模型能力。

??[點擊進入實驗] 即刻開啟 AI 開發之旅

構建無限, 探索啟程！