Amazon Bedrock 研讨会

本实践性研讨会面向开发者和解决方案构建者，介绍如何通过 Amazon Bedrock 利用基础模型（FMs）。此代码与此处的自定进度或讲师指导型研讨会配套使用——https://catalog.us-east-1.prod.workshops.aws/amazon-bedrock/en-US

请遵循上述链接中列出的先决条件，或向您的 AWS 研讨会讲师咨询如何开始。

Amazon Bedrock 是一项完全托管的服务，可通过 API 访问第三方提供商和亚马逊的基础模型。借助 Bedrock，您可以从多种模型中选择最适合您用例的那一款。

在本系列实验中，您将探索我们在客户处看到的一些最常见的生成式 AI 使用模式。我们将展示用于生成文本和图像的技术，通过提高生产力为组织创造价值。这是通过利用基础模型来帮助撰写电子邮件、总结文本、回答问题、构建聊天机器人以及创建图像来实现的。虽然本研讨会的重点是让您通过 Bedrock 的 API 和 SDK 获得这些模式的实践经验，但您也可以选择探索与开源工具包（如 LangChain 和 FAISS）的集成。

实验包括：

• 01 - 文本生成 [预计完成时间：25 分钟]
  • 使用 Bedrock 进行文本和代码生成
• 02 - 知识库与 RAG [预计完成时间：35 分钟]
  • 托管式 RAG 检索与生成示例
  • Langchain RAG 检索与生成示例
• 03 - 模型定制 [预计完成时间：30 分钟]
  • 微调 Titan lite 和 Llama2
  • 注意 - 您必须在自己的 AWS 账户上运行此实验，且无法在 AWS Workshop Studio 上执行！
• 04 - 图像与多模态 [预计完成时间：30 分钟]
  • Bedrock Titan 图像生成器
  • Bedrock Stable Diffusion XL
  • Bedrock Titan 多模态嵌入
  • Nova Reel 和 Canvas 笔记本
• 05 - 代理 [预计完成时间：30 分钟]
  • 客服代理
  • 保险理赔代理
• 06 - 开源示例（可选） [预计完成时间：30 分钟]
  • Langchain 文本生成示例
  • Langchain 知识库 RAG 示例
  • Langchain 聊天机器人示例
  • NVIDIA NeMo Guardrails 示例
  • NodeJS Bedrock 示例

您还可以参考研讨会上网站上的分步指南。

开始使用

选择笔记本环境

本研讨会以一系列 Python 笔记本 的形式呈现，您可以在自己选择的环境中运行：

• 如果需要一个功能丰富的全托管 AI/ML 环境，我们建议使用 SageMaker Studio。要快速入门，您可以参考 域快速设置说明。
• 如果您希望获得更基础但同样全托管的体验，可以改用 SageMaker Notebook Instance。
• 如果您更倾向于使用现有的（本地或其他）笔记本环境，请确保其具备 调用 AWS 的凭证。

为 Bedrock 启用 AWS IAM 权限

您从笔记本环境中承担的 AWS 身份（即来自 SageMaker 的 Studio/笔记本执行角色，或者可能是用于自管理笔记本的角色或 IAM 用户），必须拥有足够的 AWS IAM 权限 来调用 Amazon Bedrock 服务。

要授予您的身份对 Bedrock 的访问权限，您可以：

• 打开 AWS IAM 控制台
• 查找您的 角色（如果您使用 SageMaker 或以其他方式承担 IAM 角色），或者 用户
• 选择 添加权限 > 创建内联策略 以附加新的内联权限，打开 JSON 编辑器并粘贴以下示例策略：

{
    "Version": "2012-10-17",
    "Statement": [
        {
            "Sid": "BedrockFullAccess",
            "Effect": "允许",
            "Action": ["bedrock:*"],
            "Resource": "*"
        }
    ]
}

⚠️ 注意： 在 Amazon SageMaker 中，您的笔记本执行角色通常与您登录 AWS 控制台时使用的用户或角色 分开。如果您想浏览 Amazon Bedrock 的 AWS 控制台，还需要为您控制台的用户/角色授予权限。只要您有权访问 AWS Bedrock 服务并拥有适当的凭证，就可以在任何地方运行这些笔记本。

有关 Bedrock 中细粒度操作和资源权限的更多信息，请参阅 Bedrock 开发者指南。

克隆并使用笔记本

ℹ️ 注意： 在 SageMaker Studio 中，您可以通过单击 文件 > 新建 > 终端 打开“系统终端”来运行这些命令。

一旦您的笔记本环境设置完毕，就将本研讨会的仓库克隆到其中。

sudo yum install -y unzip
git clone https://github.com/aws-samples/amazon-bedrock-workshop.git
cd amazon-bedrock-workshop

星级历史

👥 贡献者

感谢我们出色的贡献者！🚀🚀🚀

Amazon Bedrock Workshop 快速上手指南

本指南旨在帮助开发者快速搭建环境并开始使用 Amazon Bedrock 进行生成式 AI 实验。本工作坊包含一系列 Python Notebook，涵盖文本生成、RAG、模型微调、多模态及 Agent 等核心场景。

环境准备

1. 系统与环境要求

本工作坊基于 Python Notebooks 运行，推荐以下任一环境：

• 首选：Amazon SageMaker Studio（全托管环境，内置 AI/ML 工具链）。
  • 参考：SageMaker Domain 快速设置指南
• 备选：Amazon SageMaker Notebook Instance。
• 本地环境：若使用本地 Jupyter 或其他 Notebook 环境，需确保已配置 AWS CLI 凭证。

2. 前置依赖与权限

在运行 Notebook 前，必须确保执行角色拥有调用 Amazon Bedrock 服务的权限。

配置 IAM 权限：

1. 登录 AWS IAM 控制台。
2. 找到您的 Role（SageMaker 执行角色）或 User。
3. 选择 Add Permissions > Create Inline Policy。
4. 切换到 JSON 编辑器，粘贴以下策略并保存：

{
    "Version": "2012-10-17",
    "Statement": [
        {
            "Sid": "BedrockFullAccess",
            "Effect": "Allow",
            "Action": ["bedrock:*"],
            "Resource": "*"
        }
    ]
}

注意：如果您需要在 AWS 控制台网页端查看 Bedrock 服务，请确保您的登录用户/角色也拥有上述权限。Notebook 的执行角色通常与控制台登录角色不同。

安装步骤

在准备好的 Notebook 环境中（如 SageMaker Studio 的 Terminal），执行以下命令克隆仓库并安装基础依赖：

sudo yum install -y unzip
git clone https://github.com/aws-samples/amazon-bedrock-workshop.git
cd amazon-bedrock-workshop

提示：在 SageMaker Studio 中，可通过菜单栏 File > New > Terminal 打开系统终端执行上述命令。

基本使用

克隆完成后，您可以在 amazon-bedrock-workshop 目录中找到各个实验的 Notebook 文件。

启动第一个实验：文本生成

1. 进入项目目录。
2. 打开 01-text-generation.ipynb（或对应版本的 Notebook 文件）。
3. 按顺序运行单元格。

最简单的使用示例代码逻辑（源自 Lab 01）： 以下代码展示了如何通过 Bedrock SDK 调用基础模型进行文本生成。请确保在 Notebook 中已正确初始化 boto3 客户端。

import boto3
import json

# 初始化 Bedrock Runtime 客户端
bedrock_runtime = boto3.client(service_name='bedrock-runtime')

# 定义请求体 (以 Anthropic Claude 为例)
body = json.dumps({
    "anthropic_version": "bedrock-2023-05-31",
    "max_tokens": 200,
    "messages": [
        {
            "role": "user",
            "content": "用一句话介绍 Amazon Bedrock。"
        }
    ]
})

# 调用模型
response = bedrock_runtime.invoke_model(
    modelId='anthropic.claude-3-haiku-20240307-v1:0', # 根据实际可用模型调整
    body=body
)

# 解析响应
response_body = json.loads(response.get('body').read())
print(response_body['content'][0]['text'])

后续实验路径

完成基础文本生成后，您可以依次探索以下核心模块：

• 02 - Knowledge bases and RAG: 学习检索增强生成（RAG），包含托管版和 LangChain 集成版。
• 03 - Model customization: 对 Titan Lite 或 Llama2 进行微调（注意：此实验需在您自己的 AWS 账户运行，AWS Workshop Studio 临时环境不支持）。
• 04 - Image and Multimodal: 体验图像生成（Titan, SDXL）及多模态嵌入。
• 05 - Agents: 构建客户服务或保险理赔智能体。

详细步骤说明可参考官方工作坊网站：Step-by-step guided instructions。