揭开 Amazon Bedrock 的神秘面纱

在 2023 年 4 月，亚马逊云科技曾宣布将 Amazon Bedrock 纳入使用生成式人工智能进行构建的新工具集。Amazon Bedrock 是一项完全托管的服务，提供各种来自领先 AI 公司（包括 AI21 Labs、Anthropic、Cohere、Stability AI 和 Amazon 等）的高性能基础模型（FM），以及用于构建生成式人工智能应用程序的广泛功能，可简化开发，同时维护隐私和安全。

在 9 月底，我们欣喜地看到 Amazon Bedrock 已经正式发布了！为了帮助广大的中国开发者更快地上手 Amazon Bedrock,来更高效方便地构建生成式人工智能应用程序，特策划了这个“揭秘 Amazon Bedrock ”的系列。

亚马逊云科技开发者社区为开发者们提供全球的开发技术资源。这里有技术文档、开发案例、技术专栏、培训视频、活动与竞赛等。帮助中国开发者对接世界最前沿技术，观点，和项目，并将中国优秀开发者或技术推荐给全球云社区。如果你还没有关注/收藏，看到这里请一定不要匆匆划过，点这里让它成为你的技术宝库！

本文是“揭秘 Amazon Bedrock ”的第一篇：基础篇。

开始使用 Amazon Bedrock

可以通过亚马逊云科技管理控制台、亚马逊云科技软件开发工具包和开源框架（例如 LangChain）访问 Amazon Bedrock 中可用的基础模型（FM）。在 Amazon Bedrock 控制台中，可以浏览 FM，浏览和加载每个模型的示例用例和提示。首先，需要启用对模型的访问权限。在控制台中，选择左侧导航窗格中的模型访问权限并启用您要访问的模型。启用模型访问权限后，可以尝试不同的模型和推理配置设置，以找到适合用例的模型。

1.在 Amazon Bedrock 控制台中使用模型

在 Amazon Bedrock 控制台中，选择左侧导航窗格中的模型访问权限（Model access），然后启用您要访问的模型。启用模型访问权限后，可以选择使用 Playground 的交互方式或者 API 方式来使用模型了。

例如，以下是使用 Claude v2 的文本生成（Content Generation）用例示例：

该示例显示了带有示例响应的提示、示例的推理配置参数设置以及运行该示例的 API 请求。如果您选择 “Open in Playground”，则可以在交互式控制台体验中进一步探索模型和用例。Amazon Bedrock 提供聊天、文字和图像模型的 Playground。在聊天平台中，您可以使用对话聊天界面尝试各种 FM。以下示例使用 Anthropic 的 Claude V2 模型，来询问中国香港最值得去的餐厅列表：

《Anthropic》

https://www.anthropic.com/?trk=cndc-detail

在评估不同的模型时，应尝试各种提示工程技术和推理配置参数。提示词工程（Prompt Engineering）是一项令人兴奋的新技能，专注于如何更好地理解 FM 并将其应用于你的任务和用例。有效的提示词工程可以充分利用 FM 并获得正确而精确的响应。

以下示例是接着上面截图中 Claude V2 模型的回复，进一步询问铜锣湾附近值得去的餐厅：

然后可以继续追问 Claude V2：“好的，请在具体一点，铜锣湾附近的广东菜餐厅呢？”，来测试下模型对上下文是否有正确的认知：

推理配置参数会影响模型生成的响应。Temperature、Top-P 和 Top-K 等参数可让您控制随机性和多样性，而 “最大长度”(Maximum) 或 “最大标记”(Max Tokens) 控制模型响应的长度,如下图所示。

请注意，每个模型都公开了一组不同但往往重叠的推理参数。这些参数要么在模型之间命名相同，要么足够相似，足以在你尝试不同的模型时进行推理。

你还可以在提示中提供示例，或者鼓励模型通过更复杂的任务进行推理。可以查看 Amazon Bedrock 文档（如下链接）和模型提供商的相应文档，以获取更多提示词建议和最佳实践：

https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-...

2.用 API 方式使用模型

本章我们将探讨如何通过boto3 Python SDK 来使用Amazon Bedrock 基础模型。

以下代码示例，将使用适用于 Python 的亚马逊云科技开发工具包 (Boto3) 与 Amazon Bedrock 进行交互。完整代码请参阅：

https://github.com/aws-samples/amazon-bedrock-workshop/blob/main/00_Intro/bedrock_boto3_setup.ipynb?trk=cndc-detail

关于适用于 Python 的亚马逊云科技开发工具包，可参考以下链接文档：

https://aws.amazon.com/sdk-for-python/?trk=cndc-detail

2.1 权限设置

首先需要设置 notebook 环境的角色和权限，必须具有足够的 IAM 权限才能调用 Amazon Bedrock 服务。

授予 Amazon Bedrock 权限的参考步骤如下：

打开 IAM 控制台

查找角色（如果使用 SageMaker 或以其他方式担任 IAM 角色），或者找到用户

选择 “添加权限” > “创建内联策略” 以附加新的内联权限，打开 JSON 编辑器并粘贴以下示例策略：

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

我使用我的 “sagemaker-demo-role-haowen” 角色，其中包括上面代码中的 “bedrock_full_access_haowen” 策略。如下面截图所示。

2.2 环境设置

对于 SageMaker Studio，我的环境配置如下：

Data Science 3.0

Python 3

ml.m5.large

us-east-1 region

对于 SageMaker Notebook Instances，我的环境配置如下：

Conda_Python3

ml.m5.large

us-east-1 region

克隆示例代码并使用 Notebook

在 SageMaker Studio 中，可以通过单击 “File > New > Terminal” 打开 “System Terminal” 来运行这些命令。设置好笔记本环境后，将代码从 GitHub 上克隆到本地：

cd ~/SageMaker(in SageMaker Notebook instance) or cd ~(in SageMaker Studio)git clone https://github.com/aws-samples/amazon-bedrock-workshop.gitcd amazon-bedrock-workshop/bash ./download-dependencies.sh

此脚本将创建一个依赖项文件夹并下载相关的 SDK，但暂时不会 pip 安装它们（安装过程将在后面将要介绍的这个.ipynb 文件里执行来完成）。软件包准备就绪后，你可以通过选择下面的.ipynb 文件开始你的 Amazon Bedrock 体验之旅：

amazon-bedrock-workshop/00_Intro/bedrock_boto3_setup.ipynb

完整的参考代码如下链接，供参考：

https://github.com/aws-samples/amazon-bedrock-workshop/blob/main/00_Intro/bedrock_boto3_setup.ipynb?trk=cndc-detail

2.3 创建 boto3 客户端

我们接下来与 Bedrock API 的交互是通过适用于 Python 的开发工具包 boto3 完成的，运行下面的单元把 boto3 安装到 notebook 内核中：

# Make sure you ran `download-dependencies.sh` from the root of the repository first!
%pip install --no-build-isolation --force-reinstall \../dependencies/awscli-*-py3-none-any.whl \    ../dependencies/boto3-*-py3-none-any.whl \    ../dependencies/botocore-*-py3-none-any.whl

安装 LangChain 包:

%pip install --quiet langchain==0.0.304

在创建 Amazon Bedrock 服务客户端时，可能需要自定义设置。get_bedrock_client() 方法支持传入不同的选项，你可以在/utils/bedrock.py 这个文件之中找到这个方法的实现。如下所示。

import json
import osimport sysimport boto3module_path = ".."
sys.path.append(os.path.abspath(module_path))
from utils import bedrock, print_wwboto3_bedrock = bedrock.get_bedrock_client( assumed_role=os.environ.get("BEDROCK_ASSUME_ROLE", None), endpoint_url=os.environ.get("BEDROCK_ENDPOINT_URL", None),   region=os.environ.get("AWS_DEFAULT_REGION", None),
)

2.4 验证连通性

可以通过调用 list_foundation_models() 方法来检查客户端的设置是否正常，该方法将列出所有可供使用的基础模型（foundation models）：

boto3_bedrock.list_foundation_models()

2.5 模型输入和输出体格式设置

无论我们使用哪种模型，Amazon Bedrock 客户端的 invoke_model() 方法都是用于大多数文本生成和处理任务的主要方法。该方法输入和输出的格式因所使用的基础模型而异。

以下用 Claude 模型和 Stable Diffusion 模型分别举例说明。

Anthropic Claude
Input

{    "prompt": "\n\nHuman:<prompt>\n\nAnswer:","max_tokens_to_sample": 300,"temperature": 0.5, "top_k": 250, "top_p": 1,"stop_sequences": ["\n\nHuman:"]
}

Output

{    "completion": "<output>",   "stop_reason": "stop_sequence"
}

Stability AI Stable Diffusion XL
Input

{    "text_prompts": [        {"text": "this is where you place your input text"}    ],    "cfg_scale": 10, "seed": 0,  "steps": 50
}

Output

{     "result": "success",     "artifacts": [        {            "seed": 123,             "base64": "<image in base64>",            "finishReason": "SUCCESS"        },        //...    ]
}

2.6 常用推理参数定义

随机性和多样性（Randomness and Diversity）

基础模型支持以下参数来控制响应的随机性和多样性。

温度（Temperature）： 大型语言模型使用概率来构造序列中的单词。对于任何下一个单词，序列中下一个单词的选项都存在概率分布。将温度设置为接近零时，模型倾向于选择概率更高的单词；将温度设置得离零更远时，模型可能会选择一个概率较低的词。

Top K： 温度定义潜在单词的概率分布，前 K 定义模型不再选择单词的截止点。例如，如果 K=50，则模型会从 50 个最有可能出现在给定序列中的下一个单词中进行选择。这降低了在序列中下一个选择不寻常单词的可能性。

Top P - 根据潜在选择的概率之和定义截止点。如果您将 Top P 设置为 1.0 以下，则模型会考虑最可能的选项，而忽略较少可能的选项。Top P 与 Top K 类似，但它没有限制选择的数量，而是根据选项的概率之和来限制选择的数量。对于 “I hear the hoof beats of” 的示例提示，你可能希望模型将 “horses”、“zebras” 或 “unicorns” 作为下一个单词。如果将温度设置为最大值，而不封顶 Top K 或 Top P，则会增加出现异常结果（例如 “unicorns”）的可能性。如果将温度设置为 0，则会增加 “horses” 的概率。

如果您设置一个高的温度值，并同时将 Top K 或 Top P 设置为最大值，则会增加 “horses” 或 “zebras” 的概率，并降低 “unicorns” 的概率。

长度（Length）

响应长度（Response length）： 配置在生成的响应中使用的最小和最大 token 数。

长度惩罚（Length penalty）： 长度惩罚通过惩罚较长的响应来优化模型，使其输出更加简洁。长度惩罚与响应长度不同，因为响应长度是最小或最大响应长度的硬截点。

从技术上讲，长度惩罚会对长度响应的模型造成指数级惩罚。0.0 表示没有惩罚。为模型设置一个小于 0.0 的值以生成更长的序列，或者为模型设置一个大于 0.0 的值以生成更短的序列。

重复度（Repetitions）

重复度参数有助于控制生成的响应中的重复性。

重复惩罚（存在惩罚）：防止在响应中重复相同的单词（标记）。1.0 表示没有惩罚，大于 1.0 可减少重复次数。

2.7 测试基础模型

介绍完上面的基本设置和一些参数后，让我们来看看模型的实际应用。以下逐行运行该示例 notebook 的代码，来看看如何使用 Amazon Bedrock API 来调用测试基础模型：

Amazon Titan Large 模型调用示例

# If you'd like to try your own prompt, edit this parameter!
prompt_data = """Command: Write me a blog about making strong business decisions as a leader.Blog:
"""body = json.dumps({"inputText": prompt_data})
modelId = "amazon.titan-tg1-large"
accept = "application/json"
contentType = "application/json"response = boto3_bedrock.invoke_model(    body=body, modelId=modelId, accept=accept, contentType=contentType
)
response_body = json.loads(response.get("body").read())print(response_body.get("results")[0].get("outputText"))

我自己运行以上代码后，获得的模型输出如下：

Anthropic Claude 模型调用示例

# If you'd like to try your own prompt, edit this parameter!
prompt_data = """Human: Write me a blog about making strong business decisions as a leader.Assistant:
"""body = json.dumps({"prompt": prompt_data, "max_tokens_to_sample": 500})
# modelId = "anthropic.claude-instant-v1"  # change this to use a different version from the model provider
modelId = "anthropic.claude-v2"
accept = "application/json"
contentType = "application/json"response = boto3_bedrock.invoke_model( body=body, modelId=modelId, accept=accept, contentType=contentType
)
response_body = json.loads(response.get("body").read())print(response_body.get("completion"))

复制代码我自己运行以上代码后，获得的模型输出如下：

Stability Stable Diffusion XL 模型调用示例

prompt_data = "a fine image of an astronaut riding a horse on Mars"
body = json.dumps({ "text_prompts": [{"text": prompt_data}],"cfg_scale": 10,   "seed": 20,   "steps": 50
})
modelId = "stability.stable-diffusion-xl"
accept = "application/json"
contentType = "application/json"response = boto3_bedrock.invoke_model(  body=body, modelId=modelId, accept=accept, contentType=contentType
)
response_body = json.loads(response.get("body").read())print(response_body["result"])
print(f'{response_body.get("artifacts")[0].get("base64")[0:80]}...')import base64
import io
from PIL import Imagebase_64_img_str = response_body.get("artifacts")[0].get("base64")
image = Image.open(io.BytesIO(base64.decodebytes(bytes(base_64_img_str, "utf-8"))))
image

我自己运行以上代码后，获得的模型输出如下：

数据隐私和网络安全

使用 Amazon Bedrock，你可以控制自己的数据，并且所有输入和自定义设置保密。你的数据（例如输入提示、输出结果和微调模型）不会用于服务改进。此外，数据绝不会与第三方模型提供商共享。

你的数据会保留在处理 API 调用的区域。所有数据在传输过程中均使用 TLS 1.2 加密。传输完成后的静止数据（data at rest）将使用 KMS 的 AES-256 托管加密密钥进行加密。你也可以使用自己的密钥（customer managed keys）来加密数据。

可以将你自己的亚马逊云科技账户里的 VPC，配置为使用 VPC 终端节点（在PrivateLink 上构建）；这种配置将通过亚马逊云科技的网络，安全地连接到 Amazon Bedrock。这种方式可以在 VPC 中运行的应用程序与 Amazon Bedrock 之间，实现安全和私密的数据通信连接。

Governance and Monitoring 治理和监测

Amazon Bedrock 与 IAM 集成，可帮助你管理 Amazon Bedrock 的权限。此类权限包括访问特定模型、访问 Bedrock 的 playground 或其它 Amazon Bedrock 的功能特性。所有亚马逊云科技托管的服务 API 活动，包括 Amazon Bedrock 活动，都将记录到你自己账户的 CloudTrail 中。

Amazon Bedrock 使用 “Amazon/Bedrock” 命名空间向 CloudWatch 发送数据点，以跟踪常见指标，例如：InputTokenCount、OutputTokenCount、InvocationLatency 和调用次数等。通过在搜索指标时指定模型 ID 维度，你可以筛选结果并获取特定模型的统计数据。

当你开始使用 Amazon Bedrock 构建生成式 AI 应用程序时，这种近乎实时的见解可以帮助你跟踪使用情况和成本（输入和输出 token 数量），并解决性能问题（调用延迟和调用次数）。

总结

本篇文章作为 Amazon Bedrock 的基础篇，介绍了使用 Amazon Bedrock 服务的两种基本使用方式：

在 Amazon Bedrock 控制台中使用模型

用 API 方式使用模型

篇幅所限，关于 Amazon Bedrock 的更高阶的功能特性，我们会在接下来的文章中继续探索和分析，敬请期待。

请持续关注 Build On Cloud 微信公众号，了解更多面向开发者的技术分享和云开发动态！

参考文献

1.Amazon Bedrock Is Now Generally Available – Build and Scale Generative AI Applications with Foundation Models
https://aws.amazon.com/blogs/aws/amazon-bedrock-is-now-genera...

2.Quickly build Generative AI applications with Amazon Bedrock
https://community.aws/posts/amazon-bedrock-quick-start?trk=cn...

3.Amazon Bedrock Workshop
https://catalog.us-east-1.prod.workshops.aws/workshops/a4bdb0...