[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-aws-samples--generative-ai-use-cases":3,"tool-aws-samples--generative-ai-use-cases":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",150037,2,"2026-04-10T23:33:47",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":77,"owner_email":77,"owner_twitter":77,"owner_website":78,"owner_url":79,"languages":80,"stars":112,"forks":113,"last_commit_at":114,"license":115,"difficulty_score":116,"env_os":117,"env_gpu":118,"env_ram":119,"env_deps":120,"category_tags":128,"github_topics":129,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":149,"updated_at":150,"faqs":151,"releases":187},6553,"aws-samples\u002Fgenerative-ai-use-cases","generative-ai-use-cases","Application implementation with business use cases for safely utilizing generative AI in business operations","generative-ai-use-cases（简称 GenU）是由 AWS 提供的开源参考应用，旨在帮助企业安全、高效地将生成式 AI 融入日常业务运营。它不仅仅是一个技术演示，更是一套经过“良好架构”验证的解决方案，提供了多种开箱即用的业务场景模板。\n\nGenU 有效解决了企业在引入大语言模型时面临的“落地难”问题。许多团队虽然拥有先进的模型，却缺乏将其转化为具体生产力的路径。通过预置聊天交互、智能文本生成、长文档摘要、会议纪要自动整理、写作润色及上下文感知翻译等实用功能，GenU 让用户能直观看到 AI 如何辅助工作，既可作为业务创新的灵感种子，也能直接部署使用。\n\n这套工具非常适合希望快速构建企业级 AI 应用的开发者、解决方案架构师以及正在探索 AI 转型的业务技术人员。对于普通用户而言，它也是一个低门槛体验生成式 AI 强大能力的窗口。\n\n其独特亮点在于对多语言的原生支持（包括中文、日文、韩文等）以及高度的可配置性。用户可以根据实际需求灵活隐藏或启用特定功能模块，无需复杂的提示词工程即可享受高质量的 AI 服务。此外，项目持续更新，致力于提供越来越完善的行业用例，是连接前沿","generative-ai-use-cases（简称 GenU）是由 AWS 提供的开源参考应用，旨在帮助企业安全、高效地将生成式 AI 融入日常业务运营。它不仅仅是一个技术演示，更是一套经过“良好架构”验证的解决方案，提供了多种开箱即用的业务场景模板。\n\nGenU 有效解决了企业在引入大语言模型时面临的“落地难”问题。许多团队虽然拥有先进的模型，却缺乏将其转化为具体生产力的路径。通过预置聊天交互、智能文本生成、长文档摘要、会议纪要自动整理、写作润色及上下文感知翻译等实用功能，GenU 让用户能直观看到 AI 如何辅助工作，既可作为业务创新的灵感种子，也能直接部署使用。\n\n这套工具非常适合希望快速构建企业级 AI 应用的开发者、解决方案架构师以及正在探索 AI 转型的业务技术人员。对于普通用户而言，它也是一个低门槛体验生成式 AI 强大能力的窗口。\n\n其独特亮点在于对多语言的原生支持（包括中文、日文、韩文等）以及高度的可配置性。用户可以根据实际需求灵活隐藏或启用特定功能模块，无需复杂的提示词工程即可享受高质量的 AI 服务。此外，项目持续更新，致力于提供越来越完善的行业用例，是连接前沿 AI 技术与实际商业价值的可靠桥梁。","\u003Cdiv markdown=\"1\" align=\"center\">\n  \u003Ch1>Generative AI Use Cases (GenU)\u003C\u002Fh1>\n\n[![](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FDocumentation-Latest-blue)](https:\u002F\u002Faws-samples.github.io\u002Fgenerative-ai-use-cases\u002Findex.html) [![](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-MIT-blue.svg)](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Fgenerative-ai-use-cases\u002Fblob\u002Fmain\u002FLICENSE) [![](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Fgenerative-ai-use-cases\u002Factions\u002Fworkflows\u002Fnode.js.yml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Fgenerative-ai-use-cases\u002Factions\u002Fworkflows\u002Fnode.js.yml) [![](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Fgenerative-ai-use-cases\u002Factions\u002Fworkflows\u002Fbrowser-extension.yml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Fgenerative-ai-use-cases\u002Factions\u002Fworkflows\u002Fbrowser-extension.yml)\n\nEnglish | [日本語](.\u002FREADME_ja.md) | [한국어](.\u002FREADME_ko.md)\n\nWell-architected application implementation with business use cases for utilizing generative AI in business operations\n\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_readme_65a2833b2d89.png\" alt=\"Well-architected application implementation with business use cases for utilizing generative AI in business operations\" width=\"68%\">\n\u003C\u002Fdiv>\n\n> [!IMPORTANT]\n> GenU has supported multiple languages since v4.\n>\n> GenU は v4 から多言語対応しました。日本語ドキュメントは[こちら](.\u002FREADME_ja.md)\n\n## GenU Usage Patterns\n\nHere we introduce GenU's features and options by usage pattern. For comprehensive deployment options, please refer to [this document](docs\u002Fen\u002FDEPLOY_OPTION.md).\n\n> [!TIP]\n> Click on a usage pattern to see details\n\n\u003Cdetails markdown=\"1\">\n  \u003Csummary>\u003Cstrong>\u003Cins>I want to experience generative AI use cases\u003C\u002Fins>\u003C\u002Fstrong>\u003C\u002Fsummary>\n\nGenU provides a variety of standard use cases leveraging generative AI. These use cases can serve as seeds for ideas on how to utilize generative AI in business operations, or they can be directly applied to business as-is. We plan to continuously add more refined use cases in the future. If unnecessary, you can also [hide specific use cases](docs\u002Fen\u002FDEPLOY_OPTION.md#hiding-specific-use-cases) with an option. Here are the use cases provided by default.\n\n  \u003Cbr\u002F>\n  \u003Cbr\u002F>\n  \u003Ctable width=\"100%\">\n    \u003Cthead>\n      \u003Ctr>\n        \u003Ctd width=\"20%\">Use Case\u003C\u002Ftd>\n        \u003Ctd width=\"80%\">Description\u003C\u002Ftd>\n      \u003C\u002Ftr>\n    \u003C\u002Fthead>\n    \u003Ctbody>\n      \u003Ctr>\n        \u003Ctd>Chat\u003C\u002Ftd>\n        \u003Ctd>You can interact with large language models (LLMs) in a chat format. The existence of platforms that allow direct dialogue with LLMs enables quick responses to specific and new use cases. It's also effective as a testing environment for prompt engineering.\u003C\u002Ftd>\n      \u003C\u002Ftr>\n      \u003Ctr>\n        \u003Ctd>Text Generation\u003C\u002Ftd>\n        \u003Ctd>Generating text in any context is one of the tasks LLMs excel at. It generates all kinds of text including articles, reports, and emails.\u003C\u002Ftd>\n      \u003C\u002Ftr>\n      \u003Ctr>\n        \u003Ctd>Summarization\u003C\u002Ftd>\n        \u003Ctd>LLMs are good at summarizing large amounts of text. Beyond simple summarization, they can also extract necessary information in a conversational format after being given text as context. For example, after reading a contract, you can ask questions like \"What are the conditions for XXX?\" or \"What is the amount for YYY?\"\u003C\u002Ftd>\n      \u003C\u002Ftr>\n      \u003Ctr>\n        \u003Ctd>Meeting Minutes\u003C\u002Ftd>\n        \u003Ctd>Automatically generate meeting minutes from audio recordings or real-time transcription. Choose from Transcription, News Paper, or FAQ style with zero prompt engineering required.\n        \u003C\u002Ftd>\n      \u003C\u002Ftr>\n      \u003Ctr>\n        \u003Ctd>Writing\u003C\u002Ftd>\n        \u003Ctd>LLMs can suggest improvements from a more objective perspective, considering not only typos but also the flow and content of the text. You can expect to improve quality by having the LLM objectively check points you might have missed before showing your work to others.\u003C\u002Ftd>\n      \u003C\u002Ftr>\n      \u003Ctr>\n        \u003Ctd>Translation\u003C\u002Ftd>\n        \u003Ctd>LLMs trained in multiple languages can perform translations. Beyond simple translation, they can incorporate various specified contextual information such as casualness and target audience into the translation.\u003C\u002Ftd>\n      \u003C\u002Ftr>\n      \u003Ctr>\n        \u003Ctd>Web Content Extraction\u003C\u002Ftd>\n        \u003Ctd>Extracts necessary information from web content such as blogs and documents. The LLM removes unnecessary information and formats it into well-structured text. Extracted content can be used in other use cases such as summarization and translation.\u003C\u002Ftd>\n      \u003C\u002Ftr>\n      \u003Ctr>\n        \u003Ctd>Image Generation\u003C\u002Ftd>\n        \u003Ctd>Image generation AI can create new images based on text or existing images. It allows for immediate visualization of ideas, potentially improving efficiency in design work. In this feature, LLMs can assist in creating prompts.\u003C\u002Ftd>\n      \u003C\u002Ftr>\n      \u003Ctr>\n        \u003Ctd>Video Generation\u003C\u002Ftd>\n        \u003Ctd>Video generation AI creates short videos from text. The generated videos can be used as materials in various scenarios.\u003C\u002Ftd>\n      \u003C\u002Ftr>\n      \u003Ctr>\n        \u003Ctd>Video Analysis\u003C\u002Ftd>\n        \u003Ctd>With multimodal models, it's now possible to input not only text but also images. In this feature, you can ask the LLM to analyze video frames and text inputs.\u003C\u002Ftd>\n      \u003C\u002Ftr>\n      \u003Ctr>\n        \u003Ctd>Diagram Generation\u003C\u002Ftd>\n        \u003Ctd>Diagram generation visualizes text and content on any topic using optimal diagrams. It allows for easy text-based diagram creation, enabling efficient creation of flowcharts and other diagrams even for non-programmers and non-designers.\u003C\u002Ftd>\n      \u003C\u002Ftr>\n      \u003Ctr>\n        \u003Ctd>Voice Chat\u003C\u002Ftd>\n        \u003Ctd>In Voice Chat, you can have a bidirectional voice chat with generative AI. Similar to natural conversation, you can also interrupt and speak while the AI is talking. Also, by setting a system prompt, you can have voice conversations with AI that has specific roles.\u003C\u002Ftd>\n      \u003C\u002Ftr>\n    \u003C\u002Ftbody>\n  \u003C\u002Ftable>\n\u003C\u002Fdetails>\n\n\u003Cdetails markdown=\"1\">\n  \u003Csummary>\u003Cstrong>\u003Cins>I want to do RAG\u003C\u002Fins>\u003C\u002Fstrong>\u003C\u002Fsummary>\n\nRAG is a technique that allows LLMs to answer questions they normally couldn't by providing external up-to-date information or domain knowledge that LLMs typically struggle with.\nPDF, Word, Excel, and other files accumulated within your organization can serve as information sources.\nRAG also has the effect of preventing LLMs from providing \"plausible but incorrect information\" by only allowing answers based on evidence.\n\nGenU provides a RAG Chat use case.\nTwo types of information sources are available for RAG Chat: [Amazon Kendra](docs\u002Fen\u002FDEPLOY_OPTION.md) and [Knowledge Base](docs\u002Fen\u002FDEPLOY_OPTION.md#enabling-rag-chat-knowledge-base-use-case).\nWhen using Amazon Kendra, you can [use manually created S3 Buckets or Kendra Indexes as they are](docs\u002Fen\u002FDEPLOY_OPTION.md#using-an-existing-amazon-kendra-index).\nWhen using Knowledge Base, advanced RAG features such as [Advanced Parsing](docs\u002Fen\u002FDEPLOY_OPTION.md#enabling-advanced-parsing), [Chunk Strategy Selection](docs\u002Fen\u002FDEPLOY_OPTION.md#changing-chunking-strategy), [Query Decomposition](docs\u002Fen\u002FDEPLOY_OPTION.md#enabling-rag-chat-knowledge-base-use-case), and [Reranking](docs\u002Fen\u002FDEPLOY_OPTION.md#enabling-rag-chat-knowledge-base-use-case) are available.\nKnowledge Base also allows for [Metadata Filter Settings](docs\u002Fen\u002FDEPLOY_OPTION.md#metadata-filter-configuration).\nFor example, you can meet requirements such as \"switching accessible data sources by organization\" or \"allowing users to set filters from the UI.\"\n\nAdditionally, it is possible to build a RAG that references data outside of AWS by [enabling MCP chat](docs\u002Fen\u002FDEPLOY_OPTION.md#enabling-mcp-chat-use-case) and adding an external service's MCP server to [packages\u002Fcdk\u002Fmcp-api\u002Fmcp.json](\u002Fpackages\u002Fcdk\u002Fmcp-api\u002Fmcp.json).\n\n\u003C\u002Fdetails>\n\n\u003Cdetails markdown=\"1\">\n  \u003Csummary>\u003Cstrong>\u003Cins>I want to use custom Bedrock Agents or AgentCore or Bedrock Flows within my organization\u003C\u002Fins>\u003C\u002Fstrong>\u003C\u002Fsummary>\n\nWhen you [enable agents](docs\u002Fen\u002FDEPLOY_OPTION.md#enabling-agent-chat-use-case) in GenU, Web Search Agent and Code Interpreter Agent are created.\nThe Web Search Agent searches the web for information to answer user questions. For example, it can answer \"What is AWS GenU?\"\nThe Code Interpreter Agent can execute code to respond to user requests. For example, it can respond to requests like \"Draw a scatter plot with some dummy data.\"\n\nWhile Web Search Agent and Code Interpreter Agent are basic agents, you might want to use more practical agents tailored to your business needs.\nGenU provides a feature to [import agents](docs\u002Fen\u002FDEPLOY_OPTION.md#adding-manually-created-agents) that you've created manually or with other assets.\n\nBy using GenU as a platform for agent utilization, you can leverage GenU's [rich security options](docs\u002Fen\u002FDEPLOY_OPTION.md#security-related-settings) and [SAML authentication](docs\u002Fen\u002FDEPLOY_OPTION.md#saml-authentication) to spread practical agents within your organization.\nAdditionally, you can [hide unnecessary standard use cases](docs\u002Fen\u002FDEPLOY_OPTION.md#hiding-specific-use-cases) or [display agents inline](docs\u002Fen\u002FDEPLOY_OPTION.md#displaying-agents-inline) to use GenU as a more agent-focused platform.\n\nSimilarly, there is an [import feature](docs\u002Fen\u002FDEPLOY_OPTION.md#enabling-agentcore-use-cases) for AgentCore Runtime, so please make use of it.\n\nSimilarly, there is an [import feature](docs\u002Fen\u002FDEPLOY_OPTION.md#enabling-flow-chat-use-case) for Bedrock Flows, so please make use of it.\n\nAdditionally, you can create agents that perform actions on services outside AWS by [enabling MCP chat](docs\u002Fen\u002FDEPLOY_OPTION.md#enabling-mcp-chat-use-case) and adding external MCP servers to [packages\u002Fcdk\u002Fmcp-api\u002Fmcp.json](\u002Fpackages\u002Fcdk\u002Fmcp-api\u002Fmcp.json).\n\n\u003C\u002Fdetails>\n\n\u003Cdetails markdown=\"1\">\n  \u003Csummary>\u003Cstrong>\u003Cins>I want to create custom use cases\u003C\u002Fins>\u003C\u002Fstrong>\u003C\u002Fsummary>\n\nGenU provides a feature called \"Use Case Builder\" that allows you to create custom use cases by describing prompt templates in natural language.\nCustom use case screens are automatically generated just from prompt templates, so no code changes to GenU itself are required.\nCreated use cases can be shared with all users who can log into the application, not just for personal use.\nUse Case Builder can be [disabled](docs\u002Fen\u002FDEPLOY_OPTION.md#use-case-builder-configuration) if not needed.\nUse cases can also be exported as .json files and shared with third parties. When sharing use cases, please be careful not to include any confidential information in prompts or usage examples. Use cases shared by third parties can be imported by uploading the .json file from the new use case creation screen.\nFor more details about Use Case Builder, please check \u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fblogs\u002Fnews\u002Fgenu-use-cases-builder\u002F\">this blog\u003C\u002Fa>.\n\u003Cbr\u002F>\n\u003Cbr\u002F>\nWhile Use Case Builder can create use cases where you input text into forms or attach files, depending on your requirements, a chat UI might be more suitable.\nIn such cases, please utilize the system prompt saving feature of the \"Chat\" use case.\nBy saving system prompts, you can create business-necessary \"bots\" with just one click.\nFor example, you can create \"a bot that thoroughly reviews source code when input\" or \"a bot that extracts email addresses from input content.\"\nAdditionally, chat conversation histories can be shared with logged-in users, and system prompts can be imported from shared conversation histories.\n\u003Cbr\u002F>\n\u003Cbr\u002F>\nSince GenU is OSS, you can also customize it to add your own use cases.\nIn that case, please be careful about conflicts with GenU's main branch.\n\n\u003C\u002Fdetails>\n\n## Deployment\n\n> [!IMPORTANT]\n> Please enable the `modelIds` (text generation), `imageGenerationModelIds` (image generation), and `videoGenerationModelIds` (video generation) in the `modelRegion` region listed in [`\u002Fpackages\u002Fcdk\u002Fcdk.json`](\u002Fpackages\u002Fcdk\u002Fcdk.json). ([Amazon Bedrock Model access screen](https:\u002F\u002Fus-east-1.console.aws.amazon.com\u002Fbedrock\u002Fhome?region=us-east-1#\u002Fmodelaccess))\n\nGenU deployment uses [AWS Cloud Development Kit](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fcdk\u002F) (CDK). If you cannot prepare a CDK execution environment, refer to the following deployment methods:\n\n- [Deployment method using AWS CloudShell (if preparing your own environment is difficult)](docs\u002Fen\u002FDEPLOY_ON_CLOUDSHELL.md)\n- Workshop ([English](https:\u002F\u002Fcatalog.workshops.aws\u002Fgenerative-ai-use-cases) \u002F [Japanese](https:\u002F\u002Fcatalog.workshops.aws\u002Fgenerative-ai-use-cases-jp))\n\nFirst, run the following command. All commands should be executed at the repository root.\n\n```bash\nnpm ci\n```\n\nIf you've never used CDK before, you need to [Bootstrap](https:\u002F\u002Fdocs.aws.amazon.com\u002Fja_jp\u002Fcdk\u002Fv2\u002Fguide\u002Fbootstrapping.html) for the first time only. The following command is unnecessary if your environment is already bootstrapped.\n\n```bash\nnpx -w packages\u002Fcdk cdk bootstrap\n```\n\nNext, deploy AWS resources with the following command. Please wait for the deployment to complete (it may take about 20 minutes).\n\n```bash\n# Normal deployment\nnpm run cdk:deploy\n\n# Fast deployment (quickly deploy without pre-checking created resources)\nnpm run cdk:deploy:quick\n```\n\n## Architecture\n\n![arch.drawio.png](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_readme_7569a31b9556.png)\n\n## Other Information\n\n- [Deployment Options](docs\u002Fen\u002FDEPLOY_OPTION.md)\n- [Update Method](docs\u002Fen\u002FUPDATE.md)\n- [Local Development Environment Setup](docs\u002Fen\u002FDEVELOPMENT.md)\n- [Resource Deletion Method](docs\u002Fen\u002FDESTROY.md)\n- [How to Use as a Native App](docs\u002Fen\u002FPWA.md)\n- [Using Browser Extensions](docs\u002Fen\u002FEXTENSION.md)\n\n## Cost Estimation\n\nWe have published configuration and cost estimation examples for using GenU. (The service is pay-as-you-go, and actual costs will vary depending on your usage.)\n\n- [Simple Version (without RAG) Estimation](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fcdp\u002Fai-chatbot\u002F)\n- [With RAG (Amazon Kendra) Estimation](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fcdp\u002Fai-chatapp\u002F)\n- [With RAG (Knowledge Base) Estimation](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fcdp\u002Fgenai-chat-app\u002F)\n\n## Customer Case Studies\n\n| Customer                                                                                                                          | Quote                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                      |\n| :-------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |\n| \u003Ca href=\"https:\u002F\u002Fwww.yasashiite.com\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_readme_ab0bb14b198b.png\">\u003C\u002Fa>              | **Yasashiite Co., Ltd.** \u003Cbr\u002F> _Thanks to GenU, we were able to provide added value to users and improve employee work efficiency. We continue to evolve from \"smooth operation\" to \"exciting work\" as employees' \"previous work\" transforms into enjoyable work!_ \u003Cbr\u002F> ・[See case details](.\u002Fdocs\u002Fassets\u002Fimages\u002Fcases\u002Fyasashiite_case.png) \u003Cbr\u002F> ・[See case page](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fsolutions\u002Fcase-studies\u002Fyasashii-te\u002F)                                                                                                                       |\n| \u003Ca href=\"https:\u002F\u002Fwww.takihyo.co.jp\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_readme_6ce400272f0b.png\">\u003C\u002Fa>                  | **TAKIHYO Co., Ltd.** \u003Cbr\u002F> _Achieved internal business efficiency and reduced over 450 hours of work by utilizing generative AI. Applied Amazon Bedrock to clothing design, etc., and promoted digital talent development._ \u003Cbr\u002F> ・[See case page](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fsolutions\u002Fcase-studies\u002Ftakihyo\u002F)                                                                                                                                                                                                                                            |\n| \u003Ca href=\"https:\u002F\u002Fsalsonido.com\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_readme_a4ec04a0c66c.png\">\u003C\u002Fa>                    | **Salsonido Inc.** \u003Cbr\u002F> _By utilizing GenU, which is provided as a solution, we were able to quickly start improving business processes with generative AI._ \u003Cbr\u002F> ・[See case details](.\u002Fdocs\u002Fassets\u002Fimages\u002Fcases\u002Fsalsonido_case.png) \u003Cbr\u002F> ・[Applied service](https:\u002F\u002Fkirei.ai\u002F)                                                                                                                                                                                                                                                                       |\n| \u003Ca href=\"https:\u002F\u002Fwww.tamura-ss.co.jp\u002Fjp\u002Findex.html\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_readme_f0759178a622.png\">\u003C\u002Fa> | **TAMURA CORPORATION** \u003Cbr\u002F> _The application samples that AWS publishes on Github have a wealth of immediately testable functions, and by using them as they are, we were able to easily select functions that suited us and shorten the development time of the final system._\u003Cbr\u002F> ・[See case details](.\u002Fdocs\u002Fassets\u002Fimages\u002Fcases\u002Ftamura-ss_case.png)\u003Cbr\u002F>                                                                                                                                                                                             |\n| \u003Ca href=\"https:\u002F\u002Fjdsc.ai\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_readme_1746c0e4b2e8.png\">\u003C\u002Fa>                               | **JDSC Inc.** \u003Cbr\u002F> _Amazon Bedrock allows us to securely use LLMs with our data. Also, we can switch to the optimal model depending on the purpose, allowing us to improve speed and accuracy while keeping costs down._ \u003Cbr\u002F> ・[See case details](.\u002Fdocs\u002Fassets\u002Fimages\u002Fcases\u002Fjdsc_case.png)                                                                                                                                                                                                                                                             |\n| \u003Ca href=\"https:\u002F\u002Fwww.iret.co.jp\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_readme_3a0f626dc534.png\">\u003C\u002Fa>                        | **iret, Inc.** \u003Cbr\u002F> _To accumulate and systematize internal knowledge for BANDAI NAMCO Amusement Inc.'s generative AI utilization, we developed a use case site using Generative AI Use Cases JP provided by AWS. iret, Inc. supported the design, construction, and development of this project._ \u003Cbr\u002F> ・[BANDAI NAMCO Amusement Inc.'s cloud utilization case study](https:\u002F\u002Fcloudpack.jp\u002Fcasestudy\u002F302.html?_gl=1*17hkazh*_gcl_au*ODA5MDk3NzI0LjE3MTM0MTQ2MDU)                                                                                        |\n| \u003Ca href=\"https:\u002F\u002Fidealog.co.jp\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_readme_cfbbab8b9724.jpg\">\u003C\u002Fa>                       | **IDEALOG Inc.** \u003Cbr\u002F> _I feel that we can achieve even greater work efficiency than with conventional generative AI tools. Using Amazon Bedrock, which doesn't use input\u002Foutput data for model training, gives us peace of mind regarding security._ \u003Cbr\u002F> ・[See case details](.\u002Fdocs\u002Fassets\u002Fimages\u002Fcases\u002Fidealog_case.png) \u003Cbr\u002F> ・[Applied service](https:\u002F\u002Fkaijosearch.com\u002F)                                                                                                                                                                          |\n| \u003Ca href=\"https:\u002F\u002Festyle.co.jp\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_readme_1cefba29ffd4.png\">\u003C\u002Fa>                        | **eStyle Inc.** \u003Cbr\u002F> _By utilizing GenU, we were able to build a generative AI environment in a short period and promote knowledge sharing within the company._ \u003Cbr\u002F> ・[See case details](.\u002Fdocs\u002Fassets\u002Fimages\u002Fcases\u002Festyle_case.png)                                                                                                                                                                                                                                                                                                                    |\n| \u003Ca href=\"https:\u002F\u002Fmeidensha.co.jp\u002F\" target=\"_blank\">\u003Cimg src=\".\u002Fdocs\u002Fassets\u002Fimages\u002Fcases\u002Fmeidensha_logo.svg\">\u003C\u002Fa>                  | **Meidensha Corporation** \u003Cbr\u002F> _By using AWS services such as Amazon Bedrock and Amazon Kendra, we were able to quickly and securely build a generative AI usage environment. It contributes to employee work efficiency through automatic generation of meeting minutes and searching internal information._ \u003Cbr\u002F> ・[See case details](.\u002Fdocs\u002Fassets\u002Fimages\u002Fcases\u002Fmeidensha_case.png)                                                                                                                                                                   |\n| \u003Ca href=\"https:\u002F\u002Fwww.st-grp.co.jp\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_readme_1101b75ea0a3.jpg\">\u003C\u002Fa>                    | **Sankyo Tateyama, Inc.** \u003Cbr\u002F> _Information buried within the company became quickly searchable with Amazon Kendra. By referring to GenU, we were able to promptly provide the functions we needed, such as meeting minutes generation._ \u003Cbr\u002F> ・[See case details](.\u002Fdocs\u002Fassets\u002Fimages\u002Fcases\u002Fst-grp_case.png)                                                                                                                                                                                                                                           |\n| \u003Ca href=\"https:\u002F\u002Fwww.oisixradaichi.co.jp\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_readme_2c67b2e45ce6.png\">\u003C\u002Fa>      | **Oisix ra daichi Inc.** \u003Cbr\u002F> _Through the use case development project using GenU, we were able to grasp the necessary resources, project structure, external support, and talent development, which helped us clarify our image for the internal deployment of generative AI._ \u003Cbr\u002F> ・[See case page](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fsolutions\u002Fcase-studies\u002Foisix\u002F)                                                                                                                                                                                         |\n| \u003Ca href=\"https:\u002F\u002Fwww.san-a.co.jp\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_readme_60e305ac5a0a.png\">\u003C\u002Fa>                      | **SAN-A CO., LTD.** \u003Cbr\u002F> _By utilizing Amazon Bedrock, our engineers' productivity has dramatically improved, accelerating the migration of our company-specific environment, which we had built in-house, to the cloud._ \u003Cbr\u002F> ・[See case details](.\u002Fdocs\u002Fassets\u002Fimages\u002Fcases\u002Fsan-a_case.png)\u003Cbr\u002F> ・[See case page](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fsolutions\u002Fcase-studies\u002Fsan-a\u002F)                                                                                                                                                                           |\n| \u003Ca href=\"https:\u002F\u002Fonecompath.com\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_readme_d96fa49862e3.png\">\u003C\u002Fa>                  | **ONE COMPATH CO., LTD.** \u003Cbr\u002F> _By utilizing GenU, we were able to quickly establish a company-wide generative AI foundation. This made it possible for the planning department to develop PoCs independently, which accelerated the business creation cycle and allowed the development department to concentrate resources on more important business initiatives._ \u003Cbr\u002F> ・[See case details](.\u002Fdocs\u002Fassets\u002Fimages\u002Fcases\u002Fonecompath_case.png)\u003Cbr\u002F>                                                                                                     |\n| \u003Ca href=\"https:\u002F\u002Fwww.mee.co.jp\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_readme_c9deb586cd1f.jpg\">\u003C\u002Fa>                          | **Mitsubishi Electric Engineering CO., LTD.** \u003Cbr\u002F> _Team members with no prior experience in generative AI development successfully built a RAG system in just 3 months using GenU with ServerWorks’ guidance. By leveraging GenU’s architecture as a reference, they achieved improved efficiency in helpdesk manual search operations and realized in-house development capabilities._ \u003Cbr\u002F> ・[See case details](https:\u002F\u002Fwww.serverworks.co.jp\u002Fcase\u002Fmee.html?utm_source=github&utm_medium=external-media&utm_campaign=github_external-media_GenU)\u003Cbr\u002F> |\n| \u003Ca href=\"https:\u002F\u002Fwww.orbitics.co.jp\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_readme_df617cf96fbd.png\">\u003C\u002Fa>                | **Orbitics Inc.** \u003Cbr\u002F> _We were able to develop it in an astonishingly short period of time. We will strategically deploy the acquired development technology across various business domains to enhance operational efficiency throughout the entire organization._ \u003Cbr\u002F> ・[See case details](.\u002Fdocs\u002Fassets\u002Fimages\u002Fcases\u002Forbitics_case.png)\u003Cbr\u002F>                                                                                                                                                                                                        |\n\nIf you would like to have your use case featured, please contact us via [Issue](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Fgenerative-ai-use-cases\u002Fissues).\n\n## References\n\n- [GitHub (Japanese): How to deploy GenU by one click](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Fsample-one-click-generative-ai-solutions)\n- [Blog (Japanese): GenU Use Case Builder for Creating and Distributing Generative AI Apps with No Code](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fblogs\u002Fnews\u002Fgenu-use-cases-builder\u002F)\n- [Blog (Japanese): How to Make RAG Projects Successful #1 ~ Or How to Fail Fast ~](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fbuilders-flash\u002F202502\u002Fway-to-succeed-rag-project\u002F)\n- [Blog (Japanese): Debugging Methods to Improve Accuracy in RAG Chat](https:\u002F\u002Fqiita.com\u002Fsugimount-a\u002Fitems\u002F7ed3c5fc1eb867e28566)\n- [Blog (Japanese): Customizing GenU with No Coding Using Amazon Q Developer CLI](https:\u002F\u002Fqiita.com\u002Fwadabee\u002Fitems\u002F659e189018ad1a08e152)\n- [Blog (Japanese): How to Customize Generative AI Use Cases JP](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fblogs\u002Fnews\u002Fhow-to-generative-ai-use-cases-jp\u002F)\n- [Blog (Japanese): Generative AI Use Cases JP ~ First Contribution Guide](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fbuilders-flash\u002F202504\u002Fgenu-development-guide\u002F)\n- [Blog (Japanese): Let Generative AI Decline Unreasonable Requests ~ Integrating Generative AI into Browsers ~](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fbuilders-flash\u002F202405\u002Fgenai-sorry-message\u002F)\n- [Blog (Japanese): Developing an Interpreter with Amazon Bedrock!](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fbuilders-flash\u002F202311\u002Fbedrock-interpreter\u002F)\n- [Blog (Japanese): Using GenU's Metadata Filter for Department-based Filtering](https:\u002F\u002Fqiita.com\u002Fsugimount-a\u002Fitems\u002Ff08c1a7a777d5dece386)\n- [Blog (Japanese): Running Bedrock Inference on GenU with Different AWS Account](https:\u002F\u002Fqiita.com\u002Fsugimount-a\u002Fitems\u002Fe7d2fb94abacebec40d1)\n- [Video (Japanese): The Appeal and Usage of Generative AI Use Cases JP (GenU) for Thoroughly Considering Generative AI Use Cases](https:\u002F\u002Fwww.youtube.com\u002Flive\u002Fs1P5A2SIWgc?si=PBQ4ZHQXU4pDhL8A)\n\n## Security\n\nSee [CONTRIBUTING](\u002FCONTRIBUTING.md#security-issue-notifications) for more information.\n\n## License\n\nThis library is licensed under the MIT-0 License. See the LICENSE file.\n","\u003Cdiv markdown=\"1\" align=\"center\">\n  \u003Ch1>生成式AI用例（GenU）\u003C\u002Fh1>\n\n[![](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FDocumentation-Latest-blue)](https:\u002F\u002Faws-samples.github.io\u002Fgenerative-ai-use-cases\u002Findex.html) [![](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-MIT-blue.svg)](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Fgenerative-ai-use-cases\u002Fblob\u002Fmain\u002FLICENSE) [![](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Fgenerative-ai-use-cases\u002Factions\u002Fworkflows\u002Fnode.js.yml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Fgenerative-ai-use-cases\u002Factions\u002Fworkflows\u002Fnode.js.yml) [![](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Fgenerative-ai-use-cases\u002Factions\u002Fworkflows\u002Fbrowser-extension.yml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Fgenerative-ai-use-cases\u002Factions\u002Fworkflows\u002Fbrowser-extension.yml)\n\n英语 | [日语](.\u002FREADME_ja.md) | [韩语](.\u002FREADME_ko.md)\n\n利用生成式AI进行业务运营的架构良好应用实现与业务用例\n\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_readme_65a2833b2d89.png\" alt=\"利用生成式AI进行业务运营的架构良好应用实现与业务用例\" width=\"68%\">\n\u003C\u002Fdiv>\n\n> [!IMPORTANT]\n> GenU 自 v4 起已支持多语言。\n>\n> GenU 从 v4 开始支持多语言。日文文档请见[这里](.\u002FREADME_ja.md)\n\n## GenU 使用模式\n\n在这里，我们将根据使用模式介绍 GenU 的功能和选项。有关全面的部署选项，请参阅[本文档](docs\u002Fen\u002FDEPLOY_OPTION.md)。\n\n> [!TIP]\n> 点击某个使用模式即可查看详细信息\n\n\u003Cdetails markdown=\"1\">\n  \u003Csummary>\u003Cstrong>\u003Cins>我想体验生成式AI用例\u003C\u002Fins>\u003C\u002Fstrong>\u003C\u002Fsummary>\n\nGenU 提供了多种利用生成式AI的标准用例。这些用例既可以作为在业务运营中如何利用生成式AI的灵感来源，也可以直接应用于实际业务。我们计划在未来持续添加更多优化后的用例。如果不需要，您还可以通过选项[隐藏特定用例](docs\u002Fen\u002FDEPLOY_OPTION.md#hiding-specific-use-cases)。以下是默认提供的用例。\n\n  \u003Cbr\u002F>\n  \u003Cbr\u002F>\n  \u003Ctable width=\"100%\">\n    \u003Cthead>\n      \u003Ctr>\n        \u003Ctd width=\"20%\">用例\u003C\u002Ftd>\n        \u003Ctd width=\"80%\">描述\u003C\u002Ftd>\n      \u003C\u002Ftr>\n    \u003C\u002Fthead>\n    \u003Ctbody>\n      \u003Ctr>\n        \u003Ctd>聊天\u003C\u002Ftd>\n        \u003Ctd>您可以以聊天形式与大型语言模型（LLM）互动。允许直接与 LLM 对话的平台能够快速响应特定及新兴用例。它也可作为提示工程的测试环境，十分有效。\u003C\u002Ftd>\n      \u003C\u002Ftr>\n      \u003Ctr>\n        \u003Ctd>文本生成\u003C\u002Ftd>\n        \u003Ctd>在任何情境下生成文本是 LLM 最擅长的任务之一。它可以生成各类文本，包括文章、报告和电子邮件。\u003C\u002Ftd>\n      \u003C\u002Ftr>\n      \u003Ctr>\n        \u003Ctd>摘要\u003C\u002Ftd>\n        \u003Ctd>LLM 非常擅长对大量文本进行摘要。除了简单的摘要外，它们还能在提供文本作为背景信息后，以对话形式提取所需信息。例如，在阅读合同后，您可以提问“XXX 的条件是什么？”或“YYY 的金额是多少？”\u003C\u002Ftd>\n      \u003C\u002Ftr>\n      \u003Ctr>\n        \u003Ctd>会议记录\u003C\u002Ftd>\n        \u003Ctd>自动从音频录音或实时转录中生成会议记录。无需任何提示工程，即可选择转录、新闻稿或常见问题解答风格。\n        \u003C\u002Ftd>\n      \u003C\u002Ftr>\n      \u003Ctr>\n        \u003Ctd>写作\u003C\u002Ftd>\n        \u003Ctd>LLM 可以从更客观的角度提出改进建议，不仅考虑拼写错误，还会关注文本的流畅性和内容。在将作品展示给他人之前，让 LLM 客观地检查可能被忽略的要点，有望提升质量。\u003C\u002Ftd>\n      \u003C\u002Ftr>\n      \u003Ctr>\n        \u003Ctd>翻译\u003C\u002Ftd>\n        \u003Ctd>经过多语言训练的 LLM 可以执行翻译任务。除了简单翻译外，它们还能将各种指定的上下文信息，如口语化程度和目标受众等，融入翻译中。\u003C\u002Ftd>\n      \u003C\u002Ftr>\n      \u003Ctr>\n        \u003Ctd>网页内容提取\u003C\u002Ftd>\n        \u003Ctd>从博客、文档等网页内容中提取必要信息。LLM 会去除不必要的信息，并将其格式化为结构清晰的文本。提取的内容可用于其他用例，如摘要和翻译。\u003C\u002Ftd>\n      \u003C\u002Ftr>\n      \u003Ctr>\n        \u003Ctd>图像生成\u003C\u002Ftd>\n        \u003Ctd>图像生成 AI 可以根据文本或现有图像创建新图像。它能立即可视化创意，从而提高设计工作的效率。在此功能中，LLM 可协助生成提示词。\u003C\u002Ftd>\n      \u003C\u002Ftr>\n      \u003Ctr>\n        \u003Ctd>视频生成\u003C\u002Ftd>\n        \u003Ctd>视频生成 AI 可根据文本制作短视频。生成的视频可用作多种场景下的素材。\u003C\u002Ftd>\n      \u003C\u002Ftr>\n      \u003Ctr>\n        \u003Ctd>视频分析\u003C\u002Ftd>\n        \u003Ctd>借助多模态模型，现在不仅可以输入文本，还可以输入图像。在此功能中，您可以要求 LLM 分析视频帧和文本输入。\u003C\u002Ftd>\n      \u003C\u002Ftr>\n      \u003Ctr>\n        \u003Ctd>图表生成\u003C\u002Ftd>\n        \u003Ctd>图表生成功能可使用最佳图表将任何主题的文本和内容可视化。它允许轻松基于文本创建图表，即使是非程序员和非设计师也能高效制作流程图和其他图表。\u003C\u002Ftd>\n      \u003C\u002Ftr>\n      \u003Ctr>\n        \u003Ctd>语音聊天\u003C\u002Ftd>\n        \u003Ctd>在语音聊天中，您可以与生成式AI进行双向语音交流。类似于自然对话，您可以在 AI 讲话时随时打断并发言。此外，通过设置系统提示词，您还可以与具有特定角色的 AI 进行语音对话。\u003C\u002Ftd>\n      \u003C\u002Ftr>\n    \u003C\u002Ftbody>\n  \u003C\u002Ftable>\n\u003C\u002Fdetails>\n\n\u003Cdetails markdown=\"1\">\n  \u003Csummary>\u003Cstrong>\u003Cins>我想做 RAG\u003C\u002Fins>\u003C\u002Fstrong>\u003C\u002Fsummary>\n\nRAG 是一种技术，通过向 LLM 提供外部最新信息或其通常难以处理的专业领域知识，使其能够回答原本无法回答的问题。\n贵组织内部积累的 PDF、Word、Excel 等文件均可作为信息源。\nRAG 还具有防止 LLM 提供“看似合理但不正确的信息”的作用，因为它只允许基于证据的回答。\n\nGenU 提供了一个 RAG 聊天用例。\nRAG 聊天支持两种类型的信息源：[Amazon Kendra](docs\u002Fen\u002FDEPLOY_OPTION.md) 和 [知识库](docs\u002Fen\u002FDEPLOY_OPTION.md#enabling-rag-chat-knowledge-base-use-case)。\n使用 Amazon Kendra 时，您可以直接[使用手动创建的 S3 存储桶或 Kendra 索引](docs\u002Fen\u002FDEPLOY_OPTION.md#using-an-existing-amazon-kendra-index)。\n而使用知识库时，则可以启用高级 RAG 功能，例如[高级解析](docs\u002Fen\u002FDEPLOY_OPTION.md#enabling-advanced-parsing)、[分块策略选择](docs\u002Fen\u002FDEPLOY_OPTION.md#changing-chunking-strategy)、[查询分解](docs\u002Fen\u002FDEPLOY_OPTION.md#enabling-rag-chat-knowledge-base-use-case)以及[重排序](docs\u002Fen\u002FDEPLOY_OPTION.md#enabling-rag-chat-knowledge-base-use-case)等。\n此外，知识库还支持[元数据过滤设置](docs\u002Fen\u002FDEPLOY_OPTION.md#metadata-filter-configuration)。\n例如，您可以实现“按组织切换可访问的数据源”或“允许用户通过 UI 设置过滤条件”等需求。\n\n另外，您还可以通过[启用 MCP 聊天](docs\u002Fen\u002FDEPLOY_OPTION.md#enabling-mcp-chat-use-case)，并将外部服务的 MCP 服务器添加到[packages\u002Fcdk\u002Fmcp-api\u002Fmcp.json](\u002Fpackages\u002Fcdk\u002Fmcp-api\u002Fmcp.json)，从而构建一个能够引用 AWS 外部数据的 RAG 系统。\n\n\u003C\u002Fdetails>\n\n\u003Cdetails markdown=\"1\">\n  \u003Csummary>\u003Cstrong>\u003Cins>我希望在组织内部使用自定义的 Bedrock Agent、AgentCore 或 Bedrock Flows\u003C\u002Fins>\u003C\u002Fstrong>\u003C\u002Fsummary>\n\n在 GenU 中[启用代理功能](docs\u002Fen\u002FDEPLOY_OPTION.md#enabling-agent-chat-use-case)后，系统会自动创建 Web 搜索代理和代码解释器代理。\nWeb 搜索代理会从网络上搜索信息来回答用户的问题。例如，它可以回答“AWS GenU 是什么？”这样的问题。\n代码解释器代理则可以通过执行代码来响应用户的请求。比如，它可以根据“绘制一些虚拟数据的散点图”这样的请求作出回应。\n\n虽然 Web 搜索代理和代码解释器代理是基础代理，但您可能希望使用更贴近业务需求的实用型代理。\nGenU 提供了[导入代理](docs\u002Fen\u002FDEPLOY_OPTION.md#adding-manually-created-agents)的功能，允许您将自己或其他工具创建的代理导入到系统中。\n\n通过将 GenU 作为代理使用的平台，您可以利用其[丰富的安全选项](docs\u002Fen\u002FDEPLOY_OPTION.md#security-related-settings)和[SAML 认证](docs\u002Fen\u002FDEPLOY_OPTION.md#saml-authentication)，在组织内推广实用型代理。\n此外，您还可以[隐藏不必要的标准用例](docs\u002Fen\u002FDEPLOY_OPTION.md#hiding-specific-use-cases)或[以内联方式显示代理](docs\u002Fen\u002FDEPLOY_OPTION.md#displaying-agents-inline)，使 GenU 更加专注于代理功能。\n\n同样地，对于 AgentCore Runtime，也有[导入功能](docs\u002Fen\u002FDEPLOY_OPTION.md#enabling-agentcore-use-cases)，请充分利用。\n\n对于 Bedrock Flows，也有[导入功能](docs\u002Fen\u002FDEPLOY_OPTION.md#enabling-flow-chat-use-case)，请一并使用。\n\n此外，您还可以通过[启用 MCP 聊天](docs\u002Fen\u002FDEPLOY_OPTION.md#enabling-mcp-chat-use-case)，并将外部 MCP 服务器添加到[packages\u002Fcdk\u002Fmcp-api\u002Fmcp.json](\u002Fpackages\u002Fcdk\u002Fmcp-api\u002Fmcp.json)，从而创建能够在 AWS 外部服务上执行操作的代理。\n\n\u003C\u002Fdetails>\n\n\u003Cdetails markdown=\"1\">\n  \u003Csummary>\u003Cstrong>\u003Cins>我想创建自定义用例\u003C\u002Fins>\u003C\u002Fstrong>\u003C\u002Fsummary>\n\nGenU 提供了一项名为“用例构建器”的功能，允许您通过自然语言描述提示模板来创建自定义用例。\n只需提供提示模板，系统便会自动生成相应的自定义用例界面，无需对 GenU 本身进行任何代码修改。\n创建的用例不仅可以供个人使用，还可以与所有登录应用的用户共享。\n如果不需要该功能，可以用[禁用用例构建器](docs\u002Fen\u002FDEPLOY_OPTION.md#use-case-builder-configuration)。\n此外，用例还可以导出为 .json 文件并与第三方共享。但在共享用例时，请务必注意不要在提示或使用示例中包含任何机密信息。第三方共享的用例可通过新用例创建界面上传 .json 文件进行导入。\n有关用例构建器的更多详细信息，请参阅\u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fblogs\u002Fnews\u002Fgenu-use-cases-builder\u002F\">这篇博客文章\u003C\u002Fa>。\n\u003Cbr\u002F>\n\u003Cbr\u002F>\n尽管用例构建器可以用于创建需要用户输入文本或上传文件的用例，但根据您的具体需求，聊天界面可能更为合适。\n在这种情况下，您可以利用“聊天”用例中的系统提示保存功能。\n通过保存系统提示，您只需点击一下即可创建满足业务需求的“机器人”。例如，您可以创建“在输入源代码时对其进行彻底审查的机器人”或“从输入内容中提取电子邮件地址的机器人”。\n此外，已登录的用户之间还可以共享聊天对话历史记录，并可以从共享的对话历史中导入系统提示。\n\u003Cbr\u002F>\n\u003Cbr\u002F>\n由于 GenU 是开源软件，您也可以对其进行定制以添加自己的用例。\n不过，在这种情况下，请务必注意避免与 GenU 主分支发生冲突。\n\n\u003C\u002Fdetails>\n\n\n\n## 部署\n\n> [!IMPORTANT]\n> 请在 [`\u002Fpackages\u002Fcdk\u002Fcdk.json`](\u002Fpackages\u002Fcdk\u002Fcdk.json) 中列出的 `modelRegion` 区域内启用 `modelIds`（文本生成）、`imageGenerationModelIds`（图像生成）和 `videoGenerationModelIds`（视频生成）。([Amazon Bedrock 模型访问页面](https:\u002F\u002Fus-east-1.console.aws.amazon.com\u002Fbedrock\u002Fhome?region=us-east-1#\u002Fmodelaccess))\n\nGenU 的部署使用了 [AWS Cloud Development Kit](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fcdk\u002F) (CDK)。如果您无法准备 CDK 的运行环境，请参考以下部署方法：\n\n- [使用 AWS CloudShell 的部署方法（当自行准备环境有困难时）](docs\u002Fen\u002FDEPLOY_ON_CLOUDSHELL.md)\n- 工作坊（[英文](https:\u002F\u002Fcatalog.workshops.aws\u002Fgenerative-ai-use-cases) \u002F [日文](https:\u002F\u002Fcatalog.workshops.aws\u002Fgenerative-ai-use-cases-jp))\n\n首先，请运行以下命令。所有命令都应在仓库根目录下执行。\n\n```bash\nnpm ci\n```\n\n如果您之前从未使用过 CDK，则仅需首次进行[引导](https:\u002F\u002Fdocs.aws.amazon.com\u002Fja_jp\u002Fcdk\u002Fv2\u002Fguide\u002Fbootstrapping.html)。如果您的环境已经完成引导，则无需执行此步骤。\n\n```bash\nnpx -w packages\u002Fcdk cdk bootstrap\n```\n\n接下来，使用以下命令部署 AWS 资源。请耐心等待部署完成（可能需要约 20 分钟）。\n\n```bash\n# 普通部署\nnpm run cdk:deploy\n\n# 快速部署（快速部署，不进行已创建资源的预检查）\nnpm run cdk:deploy:quick\n```\n\n## 架构\n\n![arch.drawio.png](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_readme_7569a31b9556.png)\n\n## 其他信息\n\n- [部署选项](docs\u002Fen\u002FDEPLOY_OPTION.md)\n- [更新方法](docs\u002Fen\u002FUPDATE.md)\n- [本地开发环境搭建](docs\u002Fen\u002FDEVELOPMENT.md)\n- [资源删除方法](docs\u002Fen\u002FDESTROY.md)\n- [如何作为原生应用使用](docs\u002Fen\u002FPWA.md)\n- [使用浏览器扩展](docs\u002Fen\u002FEXTENSION.md)\n\n## 成本估算\n\n我们发布了使用 GenU 的配置和成本估算示例。（该服务采用按量付费模式，实际费用会根据您的使用情况而有所不同。）\n\n- [简易版（不带 RAG）估算](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fcdp\u002Fai-chatbot\u002F)\n- [带 RAG（Amazon Kendra）估算](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fcdp\u002Fai-chatapp\u002F)\n- [带 RAG（知识库）估算](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fcdp\u002Fgenai-chat-app\u002F)\n\n## 客户案例研究\n\n| 客户                                                                                                                          | 推荐语                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                      |\n| :-------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |\n| \u003Ca href=\"https:\u002F\u002Fwww.yasashiite.com\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_readme_ab0bb14b198b.png\">\u003C\u002Fa>              | **Yasashiite株式会社** \u003Cbr\u002F> _得益于GenU，我们不仅为用户提供了附加价值，还提升了员工的工作效率。随着员工的‘以往工作’转变为令人愉悦的工作，我们正不断从‘平稳运营’迈向‘充满激情的工作’！_ \u003Cbr\u002F> ・[查看案例详情](.\u002Fdocs\u002Fassets\u002Fimages\u002Fcases\u002Fyasashiite_case.png) \u003Cbr\u002F> ・[查看案例页面](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fsolutions\u002Fcase-studies\u002Fyasashii-te\u002F)                                                                                                                       |\n| \u003Ca href=\"https:\u002F\u002Fwww.takihyo.co.jp\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_readme_6ce400272f0b.png\">\u003C\u002Fa>                  | **TAKIHYO株式会社** \u003Cbr\u002F> _通过利用生成式AI，实现了内部业务效率提升，并减少了超过450小时的工作量。将Amazon Bedrock应用于服装设计等领域，同时推动了数字化人才的培养。_ \u003Cbr\u002F> ・[查看案例页面](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fsolutions\u002Fcase-studies\u002Ftakihyo\u002F)                                                                                                                                                                                                                                            |\n| \u003Ca href=\"https:\u002F\u002Fsalsonido.com\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_readme_a4ec04a0c66c.png\">\u003C\u002Fa>                    | **Salsonido公司** \u003Cbr\u002F> _借助作为解决方案提供的GenU，我们能够迅速启动基于生成式AI的业务流程优化工作。_ \u003Cbr\u002F> ・[查看案例详情](.\u002Fdocs\u002Fassets\u002Fimages\u002Fcases\u002Fsalsonido_case.png) \u003Cbr\u002F> ・[应用服务](https:\u002F\u002Fkirei.ai\u002F)                                                                                                                                                                                                                                                                       |\n| \u003Ca href=\"https:\u002F\u002Fwww.tamura-ss.co.jp\u002Fjp\u002Findex.html\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_readme_f0759178a622.png\">\u003C\u002Fa> | **田村株式会社** \u003Cbr\u002F> _AWS在Github上发布的应用示例拥有大量可立即测试的功能，我们直接使用这些示例，轻松选出了适合自身需求的功能，从而缩短了最终系统的开发周期。_ \u003Cbr\u002F> ・[查看案例详情](.\u002Fdocs\u002Fassets\u002Fimages\u002Fcases\u002Ftamura-ss_case.png)\u003Cbr\u002F>                                                                                                                                                                                             |\n| \u003Ca href=\"https:\u002F\u002Fjdsc.ai\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_readme_1746c0e4b2e8.png\">\u003C\u002Fa>                               | **JDSC公司** \u003Cbr\u002F> _Amazon Bedrock使我们能够安全地将自己的数据与LLM结合使用。此外，我们还可以根据具体用途切换至最优模型，从而在降低成本的同时提升速度和准确性。_ \u003Cbr\u002F> ・[查看案例详情](.\u002Fdocs\u002Fassets\u002Fimages\u002Fcases\u002Fjdsc_case.png)                                                                                                                                                                                                                                                             |\n| \u003Ca href=\"https:\u002F\u002Fwww.iret.co.jp\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_readme_3a0f626dc534.png\">\u003C\u002Fa>                        | **iret公司** \u003Cbr\u002F> _为了积累并系统化万代南梦宫游艺公司的内部知识，以支持其生成式AI的应用，我们基于AWS提供的Generative AI Use Cases JP开发了一个用例站点。iret公司负责该项目的设计、搭建及开发工作。_ \u003Cbr\u002F> ・[万代南梦宫游艺公司云应用案例](https:\u002F\u002Fcloudpack.jp\u002Fcasestudy\u002F302.html?_gl=1*17hkazh*_gcl_au*ODA5MDk3NzI0LjE3MTM0MTQ2MDU)                                                                                        |\n| \u003Ca href=\"https:\u002F\u002Fidealog.co.jp\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_readme_cfbbab8b9724.jpg\">\u003C\u002Fa>                       | **IDEALOG公司** \u003Cbr\u002F> _我认为，相比传统的生成式AI工具，我们现在能够实现更高的工作效率。使用不会将输入输出数据用于模型训练的Amazon Bedrock，让我们在安全性方面更加安心。_ \u003Cbr\u002F> ・[查看案例详情](.\u002Fdocs\u002Fassets\u002Fimages\u002Fcases\u002Fidealog_case.png) \u003Cbr\u002F> ・[应用服务](https:\u002F\u002Fkaijosearch.com\u002F)                                                                                                                                                                          |\n| \u003Ca href=\"https:\u002F\u002Festyle.co.jp\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_readme_1cefba29ffd4.png\">\u003C\u002Fa>                        | **eStyle公司** \u003Cbr\u002F> _通过利用GenU，我们得以在短时间内构建起生成式AI环境，并促进了公司内部的知识共享。_ \u003Cbr\u002F> ・[查看案例详情](.\u002Fdocs\u002Fassets\u002Fimages\u002Fcases\u002Festyle_case.png)                                                                                                                                                                                                                                                                                                                    |\n| \u003Ca href=\"https:\u002F\u002Fmeidensha.co.jp\u002F\" target=\"_blank\">\u003Cimg src=\".\u002Fdocs\u002Fassets\u002Fimages\u002Fcases\u002Fmeidensha_logo.svg\">\u003C\u002Fa>                  | **明电舍株式会社** \u003Cbr\u002F> _借助Amazon Bedrock、Amazon Kendra等AWS服务，我们快速且安全地搭建起了生成式AI应用环境。该环境通过自动生成会议纪要和检索内部信息，有效提升了员工的工作效率。_ \u003Cbr\u002F> ・[查看案例详情](.\u002Fdocs\u002Fassets\u002Fimages\u002Fcases\u002Fmeidensha_case.png)                                                                                                                                                                   |\n| \u003Ca href=\"https:\u002F\u002Fwww.st-grp.co.jp\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_readme_1101b75ea0a3.jpg\">\u003C\u002Fa>                    | **三京立山公司** \u003Cbr\u002F> _借助Amazon Kendra，公司内部深埋的信息得以迅速被检索到。参考GenU提供的方案，我们及时实现了诸如会议纪要生成等功能。_ \u003Cbr\u002F> ・[查看案例详情](.\u002Fdocs\u002Fassets\u002Fimages\u002Fcases\u002Fst-grp_case.png)                                                                                                                                                                                                                                           |\n| \u003Ca href=\"https:\u002F\u002Fwww.oisixradaichi.co.jp\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_readme_2c67b2e45ce6.png\">\u003C\u002Fa>      | **Oisix ra daichi公司** \u003Cbr\u002F> _通过利用GenU开展的用例开发项目，我们掌握了所需的资源、项目架构、外部支持以及人才培养等方面的信息，这有助于我们明确内部部署生成式AI的具体规划。_ \u003Cbr\u002F> ・[查看案例页面](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fsolutions\u002Fcase-studies\u002Foisix\u002F)                                                                                                                                                                                         |\n| \u003Ca href=\"https:\u002F\u002Fwww.san-a.co.jp\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_readme_60e305ac5a0a.png\">\u003C\u002Fa>                      | **SAN-A株式会社** \u003Cbr\u002F> _借助Amazon Bedrock，我们的工程师生产力得到了显著提升，从而加速了公司将此前自行搭建的专用环境迁移至云端的进程。_ \u003Cbr\u002F> ・[查看案例详情](.\u002Fdocs\u002Fassets\u002Fimages\u002Fcases\u002Fsan-a_case.png)\u003Cbr\u002F> ・[查看案例页面](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fsolutions\u002Fcase-studies\u002Fsan-a\u002F)                                                                                                                                                                           |\n| \u003Ca href=\"https:\u002F\u002Fonecompath.com\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_readme_d96fa49862e3.png\">\u003C\u002Fa>                  | **ONE COMPATH株式会社** \u003Cbr\u002F> _通过利用GenU，我们迅速建立了全公司范围内的生成式AI基础架构。这使得企划部门能够独立开展PoC开发，从而加快了业务创新周期；同时，也让开发部门得以将资源集中于更重要的业务方向。_ \u003Cbr\u002F> ・[查看案例详情](.\u002Fdocs\u002Fassets\u002Fimages\u002Fcases\u002Fonecompath_case.png)\u003Cbr\u002F>                                                                                                     |\n| \u003Ca href=\"https:\u002F\u002Fwww.mee.co.jp\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_readme_c9deb586cd1f.jpg\">\u003C\u002Fa>                          | **三菱电机工程株式会社** \u003Cbr\u002F> _在ServerWorks的指导下，团队中此前并无生成式AI开发经验的成员仅用3个月便成功构建了一套RAG系统。他们以GenU的架构为参考，不仅提升了帮助台手册查询工作的效率，还实现了内部自主开发能力的突破。_ \u003Cbr\u002F> ・[查看案例详情](https:\u002F\u002Fwww.serverworks.co.jp\u002Fcase\u002Fmee.html?utm_source=github&utm_medium=external-media&utm_campaign=github_external-media_GenU)\u003Cbr\u002F> |\n| \u003Ca href=\"https:\u002F\u002Fwww.orbitics.co.jp\u002F\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_readme_df617cf96fbd.png\">\u003C\u002Fa>                | **Orbitics公司** \u003Cbr\u002F> _我们能够在令人惊叹的短时间内完成开发。未来，我们将把所掌握的开发技术战略性地部署到各个业务领域，以全面提升整个组织的运营效率。_ \u003Cbr\u002F> ・[查看案例详情](.\u002Fdocs\u002Fassets\u002Fimages\u002Fcases\u002Forbitics_case.png)\u003Cbr\u002F>                                                                                                                                                                                                        |\n\n如果您希望您的用例被展示，请通过 [Issue](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Fgenerative-ai-use-cases\u002Fissues) 联系我们。\n\n\n\n## 参考资料\n\n- [GitHub（日文）：如何一键部署 GenU](https:\u002F\u002Fgithub.com\u002Faws-samples\u002Fsample-one-click-generative-ai-solutions)\n- [博客（日文）：GenU 用例构建器——无需编码即可创建和分发生成式 AI 应用](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fblogs\u002Fnews\u002Fgenu-use-cases-builder\u002F)\n- [博客（日文）：如何让 RAG 项目成功 #1 —— 或者如何快速失败](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fbuilders-flash\u002F202502\u002Fway-to-succeed-rag-project\u002F)\n- [博客（日文）：提升 RAG 聊天准确性的调试方法](https:\u002F\u002Fqiita.com\u002Fsugimount-a\u002Fitems\u002F7ed3c5fc1eb867e28566)\n- [博客（日文）：使用 Amazon Q Developer CLI 无代码自定义 GenU](https:\u002F\u002Fqiita.com\u002Fwadabee\u002Fitems\u002F659e189018ad1a08e152)\n- [博客（日文）：如何自定义生成式 AI 用例 JP](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fblogs\u002Fnews\u002Fhow-to-generative-ai-use-cases-jp\u002F)\n- [博客（日文）：生成式 AI 用例 JP —— 首次贡献指南](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fbuilders-flash\u002F202504\u002Fgenu-development-guide\u002F)\n- [博客（日文）：让生成式 AI 拒绝不合理请求——将生成式 AI 集成到浏览器中](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fbuilders-flash\u002F202405\u002Fgenai-sorry-message\u002F)\n- [博客（日文）：使用 Amazon Bedrock 开发解释器！](https:\u002F\u002Faws.amazon.com\u002Fjp\u002Fbuilders-flash\u002F202311\u002Fbedrock-interpreter\u002F)\n- [博客（日文）：在 GenU 中使用元数据过滤器实现按部门筛选](https:\u002F\u002Fqiita.com\u002Fsugimount-a\u002Fitems\u002Ff08c1a7a777d5dece386)\n- [博客（日文）：在不同 AWS 账户上于 GenU 上运行 Bedrock 推理](https:\u002F\u002Fqiita.com\u002Fsugimount-a\u002Fitems\u002Fe7d2fb94abacebec40d1)\n- [视频（日文）：深入思考生成式 AI 用例的吸引力与使用方法——生成式 AI 用例 JP (GenU)](https:\u002F\u002Fwww.youtube.com\u002Flive\u002Fs1P5A2SIWgc?si=PBQ4ZHQXU4pDhL8A)\n\n## 安全性\n\n更多信息请参阅 [CONTRIBUTING](\u002FCONTRIBUTING.md#security-issue-notifications)。\n\n## 许可证\n\n本库采用 MIT-0 许可证。详情请参阅 LICENSE 文件。","# Generative AI Use Cases (GenU) 快速上手指南\n\nGenU 是一个基于 AWS Well-Architected 框架构建的生成式 AI 应用示例集合，旨在帮助企业在业务运营中快速落地生成式 AI 场景。它提供了聊天、文本生成、RAG（检索增强生成）、Agent 集成等多种开箱即用的功能。\n\n## 环境准备\n\n在开始部署之前，请确保满足以下系统要求和前置依赖：\n\n### 系统要求\n- **操作系统**: Linux, macOS, 或 Windows (WSL2 推荐)\n- **Node.js**: v18.x 或更高版本\n- **npm**: v9.x 或更高版本\n- **AWS CDK**: v2.x 或更高版本\n- **Docker**: (可选，用于部分本地测试或容器化部署)\n\n### AWS 前置依赖\n1. **AWS 账户**: 拥有有效且具备管理员权限的 AWS 账户。\n2. **AWS CLI**: 已安装并配置好凭证 (`aws configure`)。\n3. **Amazon Bedrock 模型访问**:\n   - 登录 [Amazon Bedrock 控制台](https:\u002F\u002Fus-east-1.console.aws.amazon.com\u002Fbedrock\u002Fhome?region=us-east-1#\u002Fmodelaccess)。\n   - 在 `modelRegion` (通常在 `us-east-1` 或其他支持区域) 中，务必手动请求访问以下模型类型：\n     - `modelIds` (文本生成模型，如 Anthropic Claude, Amazon Titan)\n     - `imageGenerationModelIds` (图像生成模型，如 Stable Diffusion)\n     - `videoGenerationModelIds` (视频生成模型，如有需要)\n4. **CDK 引导**: 确保目标 AWS 区域已完成 CDK 引导 (`cdk bootstrap`)。\n\n> **注意**: 目前该项目主要依托 AWS 全球基础设施，国内用户需确保网络能正常访问 AWS 服务及 npm 源。若使用国内开发机，建议配置 npm 镜像加速（如 `npm config set registry https:\u002F\u002Fregistry.npmmirror.com`）。\n\n## 安装步骤\n\nGenU 使用 AWS CDK 进行基础设施即代码 (IaC) 部署。请按照以下步骤进行安装：\n\n### 1. 克隆项目代码\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Faws-samples\u002Fgenerative-ai-use-cases.git\ncd generative-ai-use-cases\n```\n\n### 2. 安装依赖\n在项目根目录安装 Node.js 依赖：\n```bash\nnpm install\n```\n*(如果在国内遇到下载缓慢，请先执行 `npm config set registry https:\u002F\u002Fregistry.npmmirror.com`)*\n\n### 3. 配置部署参数\n编辑 `packages\u002Fcdk\u002Fcdk.json` 文件，根据您的需求调整区域和模型配置。确保其中指定的 `modelRegion` 与您已在 Bedrock 控制台申请访问模型的区域一致。\n\n### 4. 部署应用\n使用 CDK 部署所有资源到 AWS 账户：\n```bash\nnpx cdk deploy --all\n```\n系统会提示您确认变更，输入 `y` 确认。部署过程可能需要 10-20 分钟，具体取决于网络状况和资源创建速度。\n\n部署完成后，终端将输出应用的访问 URL（CloudFront Distribution URL）以及初始管理员账号信息。\n\n## 基本使用\n\n部署成功后，您可以通过浏览器访问生成的 URL 开始体验。\n\n### 1. 登录系统\n- 打开部署输出的 URL。\n- 使用部署时生成的临时凭证或通过配置的 SAML\u002FSSO 进行登录。\n\n### 2. 体验核心功能\nGenU 左侧导航栏提供了多种预设用例，以下是几个最常用的快速入门场景：\n\n#### 场景 A：智能对话 (Chat)\n- 点击 **Chat**。\n- 直接在对话框输入问题，例如：“如何用 Python 读取 CSV 文件？”\n- 系统会调用配置的 LLM 进行回答。您可以在设置中切换不同的基础模型（如 Claude 3, Titan 等）。\n\n#### 场景 B：文档问答与 RAG (RAG Chat)\n- 点击 **RAG Chat** (需确保已启用 Knowledge Base 或 Kendra)。\n- 上传公司内部 PDF、Word 或 Excel 文档作为知识库。\n- 提问关于文档内容的问题，例如：“这份合同中的付款条件是什么？”\n- 系统将基于上传的文档内容生成带引用的准确回答，避免幻觉。\n\n#### 场景 C：自定义业务助手 (Use Case Builder)\n- 点击 **Use Case Builder**。\n- 无需编写代码，仅通过自然语言描述提示词模板。\n  - *示例描述*: “创建一个翻译助手，将输入的中文技术文档翻译成英文，语气要专业且简洁。”\n- 点击生成，系统会自动创建一个专属的交互界面供所有授权用户使用。\n\n#### 场景 D：多模态生成\n- **Image Generation**: 输入文字描述（如“一只在太空行走的猫”），生成对应图片。\n- **Diagram Generation**: 输入流程描述，自动生成流程图或架构图。\n\n### 3. 进阶配置 (可选)\n如果您需要集成自定义的 Bedrock Agents 或连接外部数据源，请参考项目文档中的 `DEPLOY_OPTION.md` 进行高级配置，例如启用 MCP Chat 以连接非 AWS 服务。","某跨国企业的市场运营团队需要每周处理大量多语言会议录音、合同文档及营销文案，以快速产出会议纪要、关键条款摘要和本地化推广内容。\n\n### 没有 generative-ai-use-cases 时\n- **流程割裂效率低**：团队成员需分别使用不同的转录工具、翻译软件和写作助手，数据在不同平台间手动搬运，耗时且易出错。\n- **信息提取困难**：面对长篇合同或会议记录，人工梳理关键条款（如赔偿金额、违约责任）如同大海捞针，容易遗漏重要细节。\n- **内容质量不稳定**：非母语员工撰写的营销文案缺乏地道表达，且缺乏客观的润色机制，导致对外发布内容风格不统一。\n- **技术门槛高**：业务人员想尝试大模型能力，但缺乏安全的测试环境和提示词工程基础，难以将 AI 真正融入日常业务流。\n- **合规风险难控**：直接使用公共 AI 服务处理敏感商业合同和内部会议录音，存在数据泄露隐患，缺乏企业级的安全防护。\n\n### 使用 generative-ai-use-cases 后\n- **一站式全流程整合**：通过内置的\"Meeting Minutes\"和\"Translation\"用例，团队可在同一安全平台完成从录音转写、多语种翻译到格式输出的闭环，无需切换工具。\n- **智能对话式提取**：利用\"Summarization\"功能，用户可直接对上传的合同文档提问（如\"XXX 条款的触发条件是什么？”），AI 即时精准定位并回答，大幅缩短审阅时间。\n- **客观润色与标准化**：借助\"Writing\"用例，系统能以第三方视角自动检查文案逻辑与拼写，提供优化建议，确保全球市场的宣传材料保持高质量和专业度。\n- **零代码开箱即用**：预置的多种业务场景模板让非技术人员无需编写提示词即可直接上手，快速验证 AI 在特定业务中的价值。\n- **企业级安全落地**：基于 AWS Well-Architected 架构构建，确保所有敏感数据在处理过程中符合企业合规要求，消除数据外泄顾虑。\n\ngenerative-ai-use-cases 将分散的 AI 能力整合为安全、可控的业务流，帮助企业在零开发成本下实现生成式 AI 的高效落地与规模化应用。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_generative-ai-use-cases_65a2833b.png","aws-samples","AWS Samples","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Faws-samples_84ebd8ed.png","",null,"https:\u002F\u002Famazon.com\u002Faws","https:\u002F\u002Fgithub.com\u002Faws-samples",[81,85,89,93,97,101,105,109],{"name":82,"color":83,"percentage":84},"TypeScript","#3178c6",94,{"name":86,"color":87,"percentage":88},"Python","#3572A5",2.8,{"name":90,"color":91,"percentage":92},"JavaScript","#f1e05a",1.4,{"name":94,"color":95,"percentage":96},"Shell","#89e051",0.9,{"name":98,"color":99,"percentage":100},"CSS","#663399",0.4,{"name":102,"color":103,"percentage":104},"PowerShell","#012456",0.3,{"name":106,"color":107,"percentage":108},"Dockerfile","#384d54",0.1,{"name":110,"color":111,"percentage":108},"HTML","#e34c26",1312,417,"2026-04-10T23:50:53","MIT-0",4,"未说明 (基于 AWS CDK 部署，通常支持 Linux\u002FmacOS\u002FWindows)","不需要本地 GPU (基于 Amazon Bedrock 云端推理)","未说明 (取决于本地运行 CDK 和 Node.js 的需求)",{"notes":121,"python":122,"dependencies":123},"该工具是一个部署在 AWS 上的生成式 AI 应用示例，不依赖本地计算资源。核心运行环境要求是配置好 AWS CLI 和 AWS CDK (Cloud Development Kit) 的执行环境。需要在 AWS 控制台启用 Amazon Bedrock 模型访问权限。不支持本地离线运行，所有 AI 推理（文本、图像、视频）均通过调用 AWS 云端服务完成。","未说明 (主要基于 Node.js\u002FCDK)",[124,125,126,127],"AWS CDK","Node.js","Amazon Bedrock","AWS CloudFormation",[35,15,14],[130,131,132,133,134,135,136,137,138,139,140,141,142,143,144,145,146,147,148],"aws","bedrock","generative-ai","chatbot","image-generation","llm","rag","sagemaker","lambda","react","typescript","claude","mistral","claude3","command-r","llama3","deepseek-r1","nova","claude4","2026-03-27T02:49:30.150509","2026-04-11T17:39:31.270485",[152,157,162,167,172,177,182],{"id":153,"question_zh":154,"answer_zh":155,"source_url":156},29605,"如何配置 Cognito 以支持 Google 认证登录？","无需修改源代码，只需编辑 `cdk.json` 文件即可实现与 Google Workspace 的 SAML 联合登录。维护者已提供详细文档：https:\u002F\u002Fgithub.com\u002Faws-samples\u002Fgenerative-ai-use-cases-jp\u002Fblob\u002Fmain\u002Fdocs\u002FSAML_WITH_GOOGLE_WORKSPACE.md。按照文档步骤操作后，无需更改前端代码（如 AuthWithUserpool.tsx），仅通过 CDK 部署配置即可完成集成。","https:\u002F\u002Fgithub.com\u002Faws-samples\u002Fgenerative-ai-use-cases\u002Fissues\u002F399",{"id":158,"question_zh":159,"answer_zh":160,"source_url":161},29606,"如何在 RAG 聊天中利用 Amazon Kendra 的 FAQ 功能？","可以通过自定义 `useRag.ts` Hook 来实现包含 FAQ 的 RAG 检索。具体做法是将 `packages\u002Fweb\u002Fsrc\u002Fhooks\u002FuseRag.ts` 文件替换为自定义实现，在该实现中调用 Kendra 的 Retrieve API 获取 FAQ 匹配结果，并将其作为上下文传递给大模型。核心逻辑包括：在发送消息前调用 `retrieve` 接口获取相关文档片段，然后结合用户问题构建 Prompt 发送给模型。","https:\u002F\u002Fgithub.com\u002Faws-samples\u002Fgenerative-ai-use-cases\u002Fissues\u002F173",{"id":163,"question_zh":164,"answer_zh":165,"source_url":166},29607,"如何将写作模式（執筆モード）的默认模板内容清空，使其启动时为空白状态？","需要修改两个地方：\n1. 在 `packages\u002Fweb\u002Fsrc\u002Fi18n\u002Fconfig.ts` 中，将 i18n 配置项 `returnEmptyString` 设置为 `true`，这样允许空字符串定义而不回退到默认语言。\n2. 检查 `LandingPage.tsx` 或其他初始化组件，确保没有硬编码默认文本。\n配置示例：\n```typescript\nfallbackLng: 'en',\nreturnEmptyString: true, \u002F\u002F 允许空字符串\n```\n修改后，即使 YAML 翻译文件中内容为空，系统也会正确显示为空白而不是加载默认文本。","https:\u002F\u002Fgithub.com\u002Faws-samples\u002Fgenerative-ai-use-cases\u002Fissues\u002F1015",{"id":168,"question_zh":169,"answer_zh":170,"source_url":171},29608,"部署时遇到 'ApplicationInferenceProfileStack' 更新失败，报错 'Exports cannot be updated... is in use by stack(s)' 如何解决？","该错误是由于 CloudFormation 堆栈间的导出依赖关系导致的。当尝试更新被其他堆栈引用的导出值时会失败。解决方案是等待官方修复或手动处理依赖：\n1. 官方已在 PR #1389 中修复了此问题，建议拉取最新代码并重新部署。\n2. 如果急需解决，可能需要先删除依赖该导出的堆栈，更新主堆栈后再重新部署依赖堆栈（注意备份数据）。\n建议保持项目更新至最新版本以避免此类已知问题。","https:\u002F\u002Fgithub.com\u002Faws-samples\u002Fgenerative-ai-use-cases\u002Fissues\u002F1285",{"id":173,"question_zh":174,"answer_zh":175,"source_url":176},29609,"GenU 是否支持私有化部署？如何在私有环境中使用？","GenU 支持私有化部署。用户可以通过 AWS CDK 将其部署到自己的 VPC 环境中。部署后，若需进一步调整为完全私有用途（如限制公网访问、配置私有链接等），可以通过修改 CDK 配置文件（`cdk.json` 或相关的 Stack 定义）来实现。具体的网络隔离和私有端点配置需结合 AWS PrivateLink 和 VPC Endpoint 进行设置，确保所有流量都在私有网络内传输。","https:\u002F\u002Fgithub.com\u002Faws-samples\u002Fgenerative-ai-use-cases\u002Fissues\u002F721",{"id":178,"question_zh":179,"answer_zh":180,"source_url":181},29610,"在使用“网页内容提取”功能时，输出为什么会中途截断？","这是一个已知的问题，当处理长内容时，生成可能会因 Token 限制或超时而被截断。虽然点击“继续输出”按钮可以尝试恢复，但有时会导致格式重置。建议：\n1. 尝试将长 URL 的内容分段处理。\n2. 检查后端日志确认是否触发了最大 Token 限制或超时设置。\n3. 关注后续版本更新，维护者正在优化流式输出的稳定性以解决此问题。","https:\u002F\u002Fgithub.com\u002Faws-samples\u002Fgenerative-ai-use-cases\u002Fissues\u002F572",{"id":183,"question_zh":184,"answer_zh":185,"source_url":186},29611,"在封闭网络环境（闭域版）使用 GenU 时，如何避免修改全局 DNS 影响其他 AWS 服务？","目前官方文档建议将所有相关端点（ALB, API Gateway, Lambda 等）的 DNS 解析指向 Resolver Endpoint IP，但这会影响同一终端访问的其他 AWS 服务。理想的解决方案是实现基于特定域名的私有解析，但目前尚未完全支持自动化的私有域名映射。临时变通方案包括：\n1. 仅在专门用于访问闭域版 GenU 的终端上修改 DNS 设置。\n2. 使用本地 Hosts 文件或内部 DNS 服务器仅为 GenU 相关的特定域名配置转发规则，而不影响全局解析。\n社区已提出改进需求，希望未来能支持更细粒度的私有端点名称解析。","https:\u002F\u002Fgithub.com\u002Faws-samples\u002Fgenerative-ai-use-cases\u002Fissues\u002F1278",[188,193,198,203,208,213,218,223,228,233,238,243,248,253,258,263,268,273,278,283],{"id":189,"version":190,"summary_zh":191,"released_at":192},206119,"v5.4.0","### 🎉 新功能（9项）\n1. 全局支持 Mermaid 流程图 (#1373) @daisuke-awaji\n2. 通过 rehype-katex 和 remark-math 支持数学公式渲染 (#1375) @daisuke-awaji\n3. 增加“智能体构建器”功能 (#1291) @maekawataiki\n4. 批量删除对话历史 (#1351) @lastshogun13\n5. 自定义品牌标识，支持 logo 和标题设置 (#1339) @kazuhitogo\n6. 新增 Nemotron 3 Nano 30b 模型 (#1398) @kazuhitogo\n7. 新增 17 款模型 (#1368) @maekawataiki\n8. 支持 Opus 4.5 编解码器 (#1362) @kazuhitogo\n9. 会议纪要录音保护功能 (#1340) @ShotaroKataoka\n\n### 🐛 Bug 修复（7项）\n10. 修复弱引用问题 (#1389) @maekawataiki\n11. 在导航离开时关闭跨用例演示弹窗 (#1355) @hide-G\n12. 支持文件扩展名大小写不敏感 (#1388) @kazuhitogo\n13. 修复用例构建器 PDF 读取问题 (#1377) @kazuhitogo\n14. 移除 ModalSystemContext 中无效的 maxHeight 属性 (#1374) @daisuke-awaji\n15. 修复：非 Claude 模型无法在 AgentCore 中使用的问题 (#1347) @keykbd\n16. 修正拼写错误：“speach”应为“speech” (#1354) @hide-G\n\n### 🔧 内部改进与重构（11项）\n17. PR 审查自动部署功能 (#1406) @Sugi275\n18. PR 审查自动部署功能 (#1404) @Sugi275\n19. PR 审查自动部署功能 (#1403) @Sugi275\n20. PR 审查自动部署的 GitHub Actions 流程 (#1402) @Sugi275\n21. AgentCore 优化——加快 MCP 加载速度，增加网关支持 (#1378) @maekawataiki\n22. 添加默认模型 (#1380) @maekawataiki\n23. 跳过快照测试的打包步骤 (#1379) @maekawataiki\n24. 智能体构建器自动生成提示词 (#1372) @daisuke-awaji\n25. 增加用于便捷删除的 destroy.sh 脚本 (#1366) @icoxfog417\n26. 在 package.json 中添加 “cdk:diff” 快捷键 (#1342) @knziiy\n27. 为自动获取模型权限新增 Marketplace 权限 (#1336) @Sugi275\n\n### 📦 依赖库更新（2项）\n28. 将 \u002Fbrowser-extension 中的 js-yaml 从 3.14.1 升级至 3.14.2 (#1357) @dependabot[bot]\n29. 将 \u002Fbrowser-extension 中的 vite 从 6.3.6 升级至 6.4.1 (#1335) @dependabot[bot]\n\n### 📝 文档及其他（1项）\n30. 增加案例研究 (#1370) @Calic0Cat","2026-01-13T22:31:30",{"id":194,"version":195,"summary_zh":196,"released_at":197},206120,"v5.3.0","### 🎉 新功能（2项）\n1. **新增自定义标签键的支持** (#1326) @knziiy\n2. **支持 Claude Haiku 4.5** (#1322) @tbrand\n\n### 🐛 Bug 修复（2项）\n3. **修复 JA 文档重复问题**——将文件名 sanitization 逻辑集中化 (#1319) @ShotaroKataoka\n4. **修复：为 AgentCore 服务相关角色创建添加缺失的 IAM 权限** (#1327) @icoxfog417\n\n### 🔧 内部改进与重构（1项）\n5. **[封闭网络] 支持 AgentCore 使用场景** (#1320) @tbrand\n\n### 📦 依赖更新（1项）\n6. **将 vite 从 6.3.6 升级至 6.4.1** (#1329) @dependabot[bot]\n","2025-10-27T01:10:34",{"id":199,"version":200,"summary_zh":201,"released_at":202},206121,"v5.2.0","### 🎉 新功能（4项）\n1. **新增指定代理循环最大次数的选项** (#1309) @knziiy\n2. **扩展对 Sonnet 4.5 的思考支持** (#1306) @kazuhitogo\n3. **支持 Claude Sonnet 4.5** (#1294) @kazuhitogo\n4. **启用 Sonnet 4.5 缓存** (#1298) @kazuhitogo\n\n### 🐛 Bug 修复（3项）\n5. **修复封闭网络子网选择问题** (#1301) @tbrand\n6. **修复 cdk.json 中的封闭网络选项** (#1302) @tbrand\n7. **修复模型参数问题** (#1303) @maekawataiki\n\n### 🔧 内部改进与重构（5项）\n8. **会议纪要生成中的实时翻译功能优化** (#1289) @Sugi275\n9. **将 Node.js 内存限制设置为 1.5GB** (1536MB) (#1284) @tbrand\n10. **移除已停止维护的模型** (#1282) @kazuhitogo\n11. **启用使用 SageMaker Code Editor 的私有网络部署** (#1269) @tbrand\n12. **更新架构图** (#1265) @tbrand\n\n### 📦 依赖更新（2项）\n13. **将 axios 版本从 1.11.0 升级至 1.12.0** (#1272) @dependabot[bot]\n14. **在 \u002Fbrowser-extension 中将 axios 版本从 1.8.4 升级至 1.12.0** (#1267) @dependabot[bot]\n\n### 📝 文档及其他（2项）\n15. **在 DEVELOPMENT.md 中添加 ESLint 和代码风格指南** (#1307) @wasyokusatoshi\n16. **更新韩语文档及本地化** (#1238) @dohkimOnAmz","2025-10-15T00:04:48",{"id":204,"version":205,"summary_zh":206,"released_at":207},206122,"v5.1.2","### 🐛 修复 bug（1项）\n1. **修复代理用例中上传文件消失的 bug** (#1263) @tbrand\n\n### 🔧 内部改进与重构（1项）\n2. **使用 ruff 进行 Python 代码检查** (#1255) @tbrand\n\n### 📦 依赖更新（3项）\n3. **将 \u002Fbrowser-extension 中的 vite 从 6.3.5 升级至 6.3.6** (#1264) @dependabot[bot]\n4. **将 \u002Fbrowser-extension 中的 brace-expansion 从 1.1.11 升级至 1.1.12** (#1253) @dependabot[bot]\n5. **将 vite 从 6.3.5 升级至 6.3.6** (#1260) @dependabot[bot]","2025-09-11T07:15:32",{"id":209,"version":210,"summary_zh":211,"released_at":212},206123,"v5.1.1","## 变更\n\n* 修复封闭网络模式下 verifyToken 失败的 bug (#1252) @tbrand\n* 支持 GCRI (#1246) @kazuhitogo\n* 改进 agentcore UI (#1241) @tbrand\n* 在文档中添加了当 AgentCore 构建在 x86_64 架构的 CPU（如 Intel、AMD 等）上出现错误时的规避方案 (#1235) @Sugi275\n* 推理开关 (#1237) @tbrand\n","2025-09-05T02:46:49",{"id":214,"version":215,"summary_zh":216,"released_at":217},206124,"v5.1.0","## 变更\n\n* 将 mermaid 从 11.6.0 升级到 11.10.0 (#1221) @[dependabot[bot]](https:\u002F\u002Fgithub.com\u002Fapps\u002Fdependabot)\n* [用例构建器] 修复 Windows Edge 浏览器中拖放功能无法使用的问题 (#1231) @tbrand\n* [破坏性变更] SageMaker 端点消息 API (#1224) @maekawataiki\n","2025-08-29T01:37:52",{"id":219,"version":220,"summary_zh":221,"released_at":222},206125,"v5.0.1","## 变更\n\n* 补充 agentcore 文档 (#1228) @kazuhitogo\n","2025-08-26T08:44:58",{"id":224,"version":225,"summary_zh":226,"released_at":227},206126,"v5.0.0","### 🎉 新功能（5项）\n1. **feat: agentcore 初始实现** (#1191) @maekawataiki\n2. **封闭网络模式（从 VPC 访问）** (#1188) @tbrand\n3. **GA：语音聊天，已弃用：MCP 聊天** (#1212) @tbrand\n4. **新增模型：添加 OpenAI GPT 开源 20B \u002F 120B** (#1217) @maekawataiki\n5. **添加成本管理标签** (#1167) @kazuhitogo @wadabee @Sugi275 @kaye-dev\n\n### 🐛 Bug 修复（1项）\n6. **[v5] 修复代理乱码问题** (#1223) @tbrand\n\n### 🔧 内部改进与重构（1项）\n7. **修改 Agents 聊天用例，使其引用对话历史** (#1214) @tbrand\n\n","2025-08-26T01:17:24",{"id":229,"version":230,"summary_zh":231,"released_at":232},206127,"v4.3.4","## 变更\n\n* 将 \u002Fbrowser-extension 中的 form-data 从 4.0.2 升级到 4.0.4 (#1197) @[dependabot[bot]](https:\u002F\u002Fgithub.com\u002Fapps\u002Fdependabot)\n* 在会议纪要页面添加实时翻译功能 (#1199) @Sugi275\n* 全面本地化韩语文档 (#1200) @dohkimOnAmz\n* 启用 Claude Opus 4.1 (#1206) @kazuhitogo\n* 修复了如果邮箱…则无法点击齿轮按钮的问题 (#1195) @lastshogun13\n","2025-08-12T05:07:25",{"id":234,"version":235,"summary_zh":236,"released_at":237},206128,"v4.3.3","## 变更\n\n* 新功能：添加案例研究 (#1196) @Calic0Cat\n* 新功能：添加案例研究 (#1194) @Calic0Cat\n* 在 README 中添加了便于使用的博客文章链接 (#1190) @Sugi275\n* 新功能：添加可配置的聊天发送快捷键 (#1185) @kaye-dev\n* 修复：修正了会议纪要生成功能中文件上传无法正常使用的问题 (#1183) @Sugi275\n* 关于会议纪要生成，新增多项功能（系统语音、语言选择、直接输入、界面样式调整）(#1176) @Sugi275\n* 将 Tavily 添加到搜索代理 (#1166) @wadabee\n* 修复 MCP 聊天功能 (#1165) @wadabee\n","2025-07-30T06:02:52",{"id":239,"version":240,"summary_zh":241,"released_at":242},206129,"v4.3.2","## Changes\n\n* Fix MCP Chat that stopped working (#1162) @kazuhitogo\n","2025-06-27T10:57:52",{"id":244,"version":245,"summary_zh":246,"released_at":247},206130,"v4.3.1","## Changes\n\n* Support container deployment from SageMaker Studio (#1157) @toshikwa\n* Upgrade lambda runtime to Nodejs22 (#1156) @wadabee\n* Support for MCP server that performs file writing (#1148) @tbrand\n* Feature : Add import and export feature to Usecase Builder (#1129) @Hikotty\n* Add translate Use Case Vietnamese (#1155) @kazuhitogo\n* chore: Add cache for Nova Premier (#1153) @toshikwa\n* Add Vietnamese localization (#1152) @bach3\n* Fix source ip condition for S3 presigned url (#1150) @toshikwa\n* Add Claude 4 model to defaul models (#1142) @Sugi275\n","2025-06-23T02:06:23",{"id":249,"version":250,"summary_zh":251,"released_at":252},206131,"v4.3.0","## Changes\n\n* Add \"Experimental\" flag properly (#1147) @tbrand\n* fix: empty mimeType error on Windows (#1141) @toshikwa\n* Feature : Add Taking Meeting Minutes Use Case (#1127) @icoxfog417\n* Store and visualize use-case, model, token usage (#1118) @maekawataiki\n* Switching visibility of email (#1140) @tbrand\n* MCP Chat (#1125) @tbrand\n","2025-06-11T04:03:50",{"id":254,"version":255,"summary_zh":256,"released_at":257},206132,"v4.2.8","## Changes\n\n* Fix destroy command (#1124) @toshikwa\n* Made it possible to edit the user's last message. (#1120) @tbrand\n* fix: Firefox textarea scrolling issues due to incorrect height calculation (#1114) @toshikwa\n\n## 🐛 Bug Fixes\n\n* Fixed issue with text-to-speech (Polly) failing in translation feature (#1132) @tbrand\n","2025-06-09T05:43:25",{"id":259,"version":260,"summary_zh":261,"released_at":262},206133,"v4.2.7","## Changes\n\n* Bug where login fails with CSP error when custom domain is configured for Cognito (#1117) @tbrand\n* Adding translation functionality for Video generation use case (#1115) @tbrand\n* User can configure the drawer (Setting the visibility of Use Case Builder and Tools) (#1113) @tbrand\n* Implementation of forced stop function for chats (#1108) @tbrand\n* fix: Firefox audio compatibility issue (#1109) @toshikwa\n","2025-05-30T06:28:07",{"id":264,"version":265,"summary_zh":266,"released_at":267},206134,"v4.2.6","## Changes\n\n*  Add IP restriction to S3 pre-signed URLs when allowed IP ranges are specified (#1103) @toshikwa\n\n## 🐛 Bug Fixes\n\n* Bug fix for video playback issue (#1111) @tbrand\n","2025-05-29T04:02:30",{"id":269,"version":270,"summary_zh":271,"released_at":272},206135,"v4.2.5","## Changes\n\n* Allow user to configure the visibility of use cases. (#1096) @tbrand\n* Allow users to configure settings to turn off streaming (#1091) @tbrand\n* add chinese language (#1095) @kazuhitogo\n* Add CRI suffix to model display name when duplicate models exist (#1092) @toshikwa\n\n## 🐛 Bug Fixes\n\n* Fix for Voice Chat use case not working bug (#1104) @tbrand\n* Allow Transcribe Websocket connection in Content-Security-Policy (#1101) @icoxfog417\n","2025-05-27T05:11:20",{"id":274,"version":275,"summary_zh":276,"released_at":277},206136,"v4.2.4","## Changes\n\n* Support prompt caching for Claude 4 models (#1088) @toshikwa\n* Add download button in Image Generation. (#1084) @tbrand\n* fix: File format errors (#1081) @toshikwa\n* Add Claude 4 (#1085) @toshikwa\n* Update architecture diagram on READMD.md (#1083) @Sugi275\n* Add Validations (#1020) @daisuke-awaji\n* Add \"View Prompt Examples\" button on landing page (#1079) @tbrand\n* Display models by name instead of ID (#1078) @tbrand\n","2025-05-26T01:49:17",{"id":279,"version":280,"summary_zh":281,"released_at":282},206137,"v4.2.3","## Changes\n\n* fix: caching error of images with Amazon Nova (#1077) @toshikwa\n* add translate thai (#1076) @kazuhitogo\n* fix doc text (#1071) @kazuhitogo\n* Fix: Issue with links generated by Kendra RAG chat (Kendra RAGチャットで生成されたリンクの不具合) (#1069) @tbrand\n* Enable prompt caching for Amazon Nova by default (#1068) @toshikwa\n* chore(chat): make deleteChat func calls async (#1062) @Konippi\n* Fix code block selection and copy button functionality during answer generation (#1065) @toshikwa\n","2025-05-20T06:51:36",{"id":284,"version":285,"summary_zh":286,"released_at":287},206138,"v4.2.2","## Changes\n\n* Add support for prompt caching (#1051) @toshikwa\n* Remove @aws-cdk\u002Faws-cognito-identitypool-alpha (#1060) @tbrand\n* Improve UseCase API Performance (#1057) @toshikwa\n* Fix query generation prompt (#1056) @toshikwa\n","2025-05-14T04:29:05"]