1. 项目概述：从零上手企业级AI开发平台

如果你刚开始接触生成式AI，可能听说过OpenAI的API，或者用过ChatGPT的网页版。但当你真正想把手头的想法变成一个能处理复杂任务、能调用工具、能稳定运行在业务里的AI应用时，往往会发现，从“玩一玩”到“用起来”之间，隔着一道巨大的鸿沟。你需要考虑模型选择、API成本、响应速度、数据安全、扩展性，还有最头疼的——如何把不同的AI能力（比如文本生成、图像理解、代码执行）像搭积木一样组合起来。这就是为什么像Amazon Bedrock这样的全托管服务变得越来越重要。

简单来说，Amazon Bedrock不是一个单一的AI模型，而是一个“AI模型超市”和“AI应用车间”的结合体。它让你能在一个统一的平台上，安全地访问来自Anthropic、AI21 Labs、Cohere、Meta以及亚马逊自家Titan系列的各种顶尖大语言模型和基础模型。更重要的是，它提供了一整套工具，让你能基于这些模型，快速构建、测试和部署可扩展的生成式AI应用，从简单的聊天机器人到能自主执行多步骤任务的智能体（AI Agent）。本教程的目标，就是带你从发出第一个提示词开始，一步步走过这个完整的旅程，最终构建出一个具备初步行动能力的AI智能体，让你直观感受现代AI应用开发的完整流程。

2. 核心概念与平台初探

2.1 为什么选择Bedrock？理解其核心价值

在深入操作之前，我们先厘清几个关键概念，这能帮你理解后续每一步操作背后的逻辑。首先， 基础模型（Foundation Models） 指的是像Claude 3、Llama 2这类经过海量数据预训练的大模型，它们是生成文本、代码或图像的“原材料”。Bedrock的价值在于，它让你无需自己准备昂贵的GPU服务器去部署这些模型，而是通过API按需调用。

其次， 智能体（AI Agent） 是本次教程的终极目标。它不同于简单的问答机器人。一个真正的智能体具备三个关键能力： 理解复杂目标、规划执行步骤、使用工具（Tools） 。例如，你告诉它“帮我分析一下上季度销售数据，并写一份总结报告”，一个智能体应该能自己决定：先调用工具连接数据库获取数据，再用另一个工具进行数据分析，最后利用语言模型生成报告文本。Bedrock专门提供了“Agents”功能来简化这类智能体的构建。

最后， 提示词工程（Prompt Engineering） 是与这些模型交互的核心技能。在Bedrock中，这不仅仅是在输入框里打字。你可以通过 “提示词工作流（Prompt Flows）” 可视化地编排复杂的提示逻辑，比如先让模型判断用户意图，再根据意图选择不同的信息库来生成答案。平台还提供了 “模型评估（Model Evaluation）” 功能，让你能用一批测试问题，客观地比较不同模型在特定任务上的表现，从而做出成本与效果最优的选择。

2.2 平台准备与基础环境配置

开始动手前，你需要一个AWS账户。如果还没有，可以去AWS官网注册，新用户通常有免费额度，足够完成本教程的体验。登录AWS管理控制台后，在服务搜索栏输入“Bedrock”即可进入。

进入Bedrock控制台，你首先会看到“模型访问（Model access）”页面。这里非常关键： 你需要手动请求启用你计划使用的模型 。AWS出于安全和责任共担的考虑，默认不开放所有模型的访问权限。点击“管理模型访问（Manage model access）”，在列表中找到你感兴趣的模型，例如Anthropic的Claude 3 Sonnet，勾选并点击“保存更改”。启用申请通常是即时生效的。

注意：不同模型的定价差异很大。在“模型”页面，每个模型卡片上都明确标注了每1000个输入令牌（Input Token）和输出令牌（Output Token）的价格。对于初学者，建议从性价比高的模型开始，如Claude 3 Haiku或Amazon Titan Text Lite，它们的响应速度快，适合进行大量的提示词调试和实验。

环境准备的最后一步是权限。为了安全起见，我们不会使用账户的根用户（Root User）进行操作。你需要创建一个具有编程访问权限的IAM用户，并为其附加必要的策略。最简便的方式是直接附加AWS托管的策略 AmazonBedrockFullAccess 。然后，为该用户创建访问密钥（Access Key ID和Secret Access Key）。请务必妥善保存Secret Access Key，它只显示一次。

3. 从第一个提示词到复杂工作流

3.1 在Playground中完成首次对话

Bedrock控制台内置的“Playground”是我们学习和测试的绝佳沙盒。它分为“文本（Text）”、“聊天（Chat）”和“图像（Image）”等多种模式。我们首先从“聊天”模式开始，它模拟了多轮对话的场景。

在模型选择下拉菜单中，选择你已经启用访问的模型，例如“Claude 3 Sonnet”。你会看到界面分为“系统提示（System Prompt）”和用户对话区域。系统提示是用来给AI设定角色和基础行为准则的，它对整个对话过程产生全局性影响。例如，你可以输入：“你是一个乐于助人且简洁的编程助手。如果用户的问题不明确，请主动询问澄清。”

接下来，在用户输入框中，尝试你的第一个提示词：“用Python写一个函数，计算斐波那契数列的第n项。”点击“运行”。几秒钟后，你将看到模型返回的代码和解释。Playground右侧提供了丰富的调试参数：

• 温度（Temperature） ：控制输出的随机性。值越高（如0.8），回答越创造性、多样化；值越低（如0.1），回答越确定、一致。对于代码生成，通常设置较低的值（0.2-0.5）以获得更稳定的输出。
• 最大生成长度（Max Tokens） ：限制单次响应的大小。如果响应被意外截断，可以调高此值。
• Top P ：另一种控制随机性的采样方法。通常与温度二选一即可，Bedrock默认使用温度。

试着修改这些参数，重新运行相同的提示，观察输出有何不同。这是理解模型行为的第一步。

3.2 构建你的第一个提示词工作流

单一提示词能解决的问题有限。真实场景中，我们往往需要将任务分解。Bedrock的“提示词工作流（Prompt Flows）”功能允许你以可视化拖拽的方式，构建复杂的处理流水线。

假设我们要构建一个“技术文档问答助手”。它的工作流程是：1) 理解用户问题；2) 从指定的知识库中检索相关文档片段；3) 基于检索到的上下文生成精准答案。

在控制台找到“提示词工作流”，创建一个新流程。你会看到一个画布。从左侧组件库中，拖入以下节点：

1. 输入节点 ：定义用户问题，如“如何在AWS S3上设置静态网站托管？”
2. 检索节点（Retrieval） ：这是关键。你需要先将你的技术文档（PDF、TXT等）上传到Bedrock的知识库（Knowledge Base）中。知识库会使用嵌入模型（Embedding Model）将文档切片并转换为向量，存储在向量数据库（如Pinecone， AWS OpenSearch）中。在检索节点中，关联你创建好的知识库，它会自动根据输入问题查找最相关的文本片段。
3. 提示词编排节点（Prompt Template） ：在这里设计你的最终提示词模板。例如：

   你是一个AWS专家助手。请根据以下上下文信息回答问题。如果答案不在上下文中，请直接说“根据提供的信息，我无法回答这个问题”。
   
   上下文：{retrieved_context}
   
   问题：{user_question}
   
   答案：
   

   注意 {retrieved_context} 和 {user_question} 是变量，它们会分别接收来自检索节点和输入节点的输出。
4. 模型调用节点（Invoke Model） ：选择Claude 3 Haiku模型，并将上一步提示词节点的输出作为本节点的输入。
5. 输出节点 ：定义最终答案的输出格式。

连接这些节点，并点击“运行”。这个工作流成功地将用户问题、知识检索和文本生成串联起来，实现了基于私有知识的精准问答。你可以将此工作流保存为模板，未来通过API直接调用整个流水线。

4. 迈向智能：构建你的第一个AI智能体

4.1 智能体核心三要素：指令、模型与行动组

Playground和工作流虽然强大，但仍然是“被动响应”。AI智能体的精髓在于“主动行动”。在Bedrock中创建智能体，你需要配置三个核心部分：

1. 智能体指令（Agent Instructions） ：这是智能体的“宪法”，定义了它的身份、目标和行为边界。指令需要非常清晰具体。例如： “你是一个电商客服智能体，负责处理用户的订单查询。你的目标是准确、高效地解答用户关于订单状态、物流信息、退货政策的问题。你必须严格遵守以下规则：1. 只能使用已提供的工具来获取真实数据，绝不能编造信息。2. 如果用户询问与订单无关的问题，应礼貌地表示无法处理，并引导回主题。3. 所有涉及用户订单号的对话，都必须先验证用户身份（要求提供注册邮箱后四位）。” 指令的质量直接决定了智能体行为的可靠性和安全性。

2. 基础模型选择 ：为智能体的“大脑”选择模型。智能体需要强大的推理和规划能力，因此建议选择能力更强的模型，如Claude 3 Sonnet或Opus。这个模型负责解析用户请求、规划步骤、理解工具执行结果并组织最终回复。

3. 行动组（Action Groups） ：这是智能体的“手和脚”。一个行动组对应一个具体的工具函数，通常通过一个Lambda函数（AWS的无服务器计算服务）来实现。例如，你可以创建以下行动组：

   • GetOrderStatus ：接收订单号，查询数据库，返回状态。
   • EstimateDeliveryDate ：接收订单号和邮编，调用物流API，返回预估送达日期。
   • InitiateReturn ：接收订单号和产品SKU，在售后系统中创建退货单。

4.2 实战：创建“订单查询”智能体

让我们一步步实现一个最简单的订单查询智能体。

第一步：创建Lambda函数（工具实现） 前往AWS Lambda控制台，创建一个新的函数，运行环境选择Python 3.12。使用以下示例代码：

import json
import boto3
from datetime import datetime, timedelta

# 模拟一个简单的订单数据库
ORDERS_DB = {
    "ORD-12345": {"status": "已发货", "product": "无线耳机", "shipped_date": "2023-10-26"},
    "ORD-67890": {"status": "处理中", "product": "编程书籍", "shipped_date": None},
}

def lambda_handler(event, context):
    # Bedrock智能体会以特定格式调用此函数
    action_group = event['actionGroup']
    function_name = event['function']
    parameters = event.get('parameters', [])

    # 处理 GetOrderStatus 动作
    if function_name == 'GetOrderStatus':
        order_id = None
        for param in parameters:
            if param['name'] == 'orderId':
                order_id = param['value']
                break

        if not order_id or order_id not in ORDERS_DB:
            return {
                'statusCode': 404,
                'response': {
                    'message': f'未找到订单 {order_id} 的信息。'
                }
            }

        order_info = ORDERS_DB[order_id]
        # 如果是已发货订单，模拟计算送达日期
        delivery_info = ""
        if order_info['status'] == '已发货' and order_info['shipped_date']:
            shipped_date = datetime.strptime(order_info['shipped_date'], "%Y-%m-%d")
            estimated_delivery = shipped_date + timedelta(days=5)
            delivery_info = f"，预计送达日期为 {estimated_delivery.strftime('%Y年%m月%d日')}。"

        response_body = {
            'message': f"订单 {order_id} 的状态是：{order_info['status']}。购买商品为：{order_info['product']}{delivery_info}"
        }

        return {
            'statusCode': 200,
            'response': response_body
        }

    # 可以在这里添加其他 function_name 的处理逻辑
    return {
        'statusCode': 404,
        'response': {'message': f'未知功能: {function_name}'}
    }

部署这个函数后，记下它的ARN（Amazon Resource Name）。

第二步：在Bedrock中配置智能体

1. 在Bedrock控制台，进入“智能体”页面，点击“创建智能体”。
2. 输入名称，如 OrderHelperAgent 。
3. 在“模型”部分，选择“Claude 3 Sonnet”。
4. 关键步骤：配置指令 。将前面设计好的电商客服智能体指令粘贴进去。
5. 进入“行动组”部分，点击“添加行动组”。
   • 名称： OrderStatusActions
   • 描述： 用于查询订单状态和物流信息。
   • 行动组类型 ：选择“通过Lambda函数定义”
   • Lambda函数ARN：粘贴你刚才记下的ARN。
   • API模式 ：选择“函数调用”。这是告诉智能体，这个Lambda里具体有哪些函数可用。
6. 接下来是最容易出错的一步： 定义函数模式（Function Schema） 。你需要以JSON Schema的格式，精确地描述Lambda函数里可用的函数、它们的参数以及返回值的结构。点击“添加函数”，填写：
   • 函数名称： GetOrderStatus (必须与Lambda代码中的 function_name 完全一致)
   • 描述： 根据订单号查询订单状态和详情。
   • 参数：添加一个参数，名称 orderId ，描述 用户的订单号 ，类型 string ，是否必需 true 。
   • （可选）定义返回值的结构，这能帮助模型更好地理解工具的输出。
7. 保存行动组。

第三步：测试与迭代 保存智能体后，进入“预览”界面。你可以像在Playground中一样与它对话。尝试输入：“我的订单ORD-12345到哪里了？” 智能体的大脑（Claude模型）会解析你的问题，识别出意图是查询订单状态，并发现需要调用 GetOrderStatus 这个工具，且需要参数 orderId=ORD-12345 。然后，Bedrock后台会自动去调用你配置的Lambda函数，获取真实的订单数据，再将结果返回给模型，由模型组织成一段通顺的话回复给你：“您的订单ORD-12345状态为‘已发货’，购买商品为无线耳机，预计送达日期为2023年10月31日。”

如果智能体没有正确调用工具，或者回复不符合预期，你需要回到指令或函数描述中进行调试。通常问题源于：1) 指令不够清晰，未能约束模型必须使用工具；2) 函数描述不准确，模型无法正确匹配。

5. 进阶技巧与生产环境考量

5.1 提示词工程进阶：少样本学习与思维链

在Playground或智能体指令中，除了系统提示，你还可以利用“少样本学习（Few-shot Learning）”来显著提升模型在特定任务上的表现。方法是在系统提示或用户消息中，提供几个“输入-输出”的示例。

例如，你想让智能体以固定格式提取用户邮件中的会议信息：

系统指令：你是一个信息提取助手。请从用户输入中提取会议主题、时间和参会人，并以JSON格式输出。

示例1：
用户：”下午三点和Alice、Bob开项目评审会。”
助手：{"topic": "项目评审会", "time": "15:00", "attendees": ["Alice", "Bob"]}

示例2：
用户：”明天上午十点，团队周会。”
助手：{"topic": "团队周会", "time": "明天10:00", "attendees": ["团队"]}

现在请处理新的用户输入：

这种方式能极大地引导模型输出符合你要求的格式和内容。

另一个强大技巧是 思维链（Chain-of-Thought） 。对于复杂推理问题，在提示词中要求模型“逐步思考”，可以提升其答案的准确性。例如：“请一步步推理：如果一本书打八折后售价是24美元，那么它的原价是多少？请先列出计算步骤。”

5.2 监控、成本与安全最佳实践

当你准备将应用从实验推向生产时，以下几点至关重要：

监控与日志 ：务必启用Bedrock的日志记录功能，将模型的输入和输出发送到Amazon CloudWatch Logs。这对于调试错误、分析用户交互模式、检测提示词注入攻击至关重要。你可以在IAM策略中为智能体配置一个日志组ARN。

成本控制 ：生成式AI的成本主要由令牌数驱动。实施以下策略：

• 缓存 ：对常见、重复的查询结果进行缓存，避免重复调用模型。
• 设置使用限额（Quotas） ：在AWS服务配额控制台，为Bedrock的“模型调用”设置每日或每月限额，防止因意外流量或恶意攻击导致成本失控。
• 选择合适模型 ：在原型阶段使用轻量级模型（如Haiku），上线前再用更强大的模型（如Sonnet）进行关键任务的质量校验。

安全与合规 ：

• 数据隐私 ：所有通过Bedrock与模型交互的数据，在传输和静态时默认都是加密的。对于敏感数据，你可以使用AWS Key Management Service (KMS) 管理自己的加密密钥。
• 内容过滤 ：Bedrock内置了内容安全过滤器，可以拦截包含仇恨言论、暴力、性暗示等有害内容的输入和输出。你可以在模型调用配置中设置过滤级别。
• 权限最小化 ：为智能体配置的IAM角色和Lambda函数的执行角色，必须遵循最小权限原则，只授予其完成特定任务所必需的最低权限。

6. 常见问题与故障排查实录

在实际操作中，你几乎一定会遇到下面这些问题。这里记录了我的踩坑经验和解决方案。

问题1：智能体总是忽略工具，直接用自己的知识回答。

• 排查 ：这是最常见的问题。首先，检查智能体指令。指令中必须明确、强制性地要求智能体在回答前先使用工具。例如，加入“ 在回答任何关于订单、物流、库存的问题前，你必须调用相应的行动组函数来获取最新数据。严禁基于自身知识猜测。 ”
• 其次 ，检查函数描述。描述要清晰说明函数的用途和输入参数，让模型能准确匹配用户意图到具体函数。
• 最后 ，在测试时，使用预览窗格中的“追踪（Trace）”功能。它能完整展示智能体的思考过程：是否识别了需要调用工具、选择了哪个函数、传递了什么参数、Lambda返回了什么结果。这是最强大的调试工具。

问题2：Lambda函数被调用，但智能体说“执行失败”或无法解析结果。

• 排查 ：查看CloudWatch中该Lambda函数的日志。99%的问题出在Lambda函数的返回格式上。Bedrock智能体要求Lambda返回一个非常特定的JSON结构：

  {
      "statusCode": 200,
      "response": {
          // 你的实际返回数据，必须是一个对象
          "message": "查询成功",
          "orderStatus": "shipped"
      }
  }
  

  statusCode 必须是200表示成功， response 字段必须是一个JSON对象。如果返回的是字符串或数组，智能体可能无法解析。确保你的Lambda代码在最后是 return 了这个结构。

问题3：提示词工作流中的知识库检索结果不相关。

• 排查 ：知识库的检索质量取决于两个因素：文档分块（Chunking）策略和嵌入模型。
  • 分块 ：上传文档时，Bedrock会按默认大小（如500字符）将文档切片。如果一个问题答案跨越了两个切片，就可能检索不全。尝试调整分块大小和重叠区（Chunk Overlap），对于技术文档，较小的分块（如300字符）和一定的重叠（如50字符）有时效果更好。
  • 测试 ：在知识库页面有“测试”功能，输入一些关键词或问题，查看返回的文本片段是否相关。如果不相关，考虑优化文档结构或尝试不同的嵌入模型（如果平台支持选择）。

问题4：模型响应速度慢或超时。

• 排查 ：首先检查 Max Tokens 参数是否设置过高，导致模型生成了非常长的文本。适当调低。
• 对于智能体，响应时间还包括了调用外部工具（如Lambda）的耗时。确保你的Lambda函数运行在合适的区域，且逻辑高效。如果Lambda冷启动严重，可以考虑使用Provisioned Concurrency。
• 考虑使用响应更快的模型，如Claude 3 Haiku，它在保持不错能力的同时，速度比Sonnet快很多。

构建基于Bedrock的AI应用是一个“设计-测试-迭代”的循环过程。从第一个简单的提示词开始，到构建出能自主调用工具完成任务的智能体，每一步都加深了你对模型能力边界和应用架构的理解。最关键的是动手去试，在Playground里大胆实验不同的提示词，在智能体追踪里仔细观察它的思考逻辑，遇到错误时耐心查看日志。这个平台将基础设施的复杂性大幅降低，让你能更专注于AI应用逻辑本身的价值创造。