Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
# Entwickeln Sie mithilfe von RAG und Prompting fortschrittliche, auf KI basierende Chat-Assistenten ReAct
*Praveen Kumar Jeyarajan, Shuai Cao, Noah Hamilton, Kiowa Jackson, Jundong Qiao und Kara Yang, Amazon Web Services*
## Zusammenfassung
In einem typischen Unternehmen sind 70 Prozent seiner Daten in isolierten Systemen gespeichert. Mithilfe generativer, KI-gestützter Chat-Assistenten können Sie mithilfe von Interaktionen in natürlicher Sprache Einblicke und Beziehungen zwischen diesen Datensilos gewinnen. Um das Beste aus generativer KI herauszuholen, müssen die Ergebnisse vertrauenswürdig und genau sein und die verfügbaren Unternehmensdaten beinhalten. Erfolgreiche Chat-Assistenten hängen von folgenden Faktoren ab:
+ Generative KI-Modelle (wie Anthropic Claude 2)
+ Vektorisierung von Datenquellen
+ Fortgeschrittene Argumentationstechniken, wie z. B. das [ReAct Framework](https://www.promptingguide.ai/techniques/react), als Grundlage für das Modell
Dieses Muster bietet Datenabrufansätze aus Datenquellen wie Amazon Simple Storage Service (Amazon S3) -Buckets, AWS Glue und Amazon Relational Database Service (Amazon RDS). Aus diesen Daten wird Wert gewonnen, indem [Retrieval Augmented Generation (RAG](https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base.html)) mit Methoden verknüpft wird. chain-of-thought Die Ergebnisse unterstützen komplexe Chat-basierte Assistentengespräche, die sich auf die Gesamtheit der in Ihrem Unternehmen gespeicherten Daten stützen.
Dieses Muster verwendet SageMaker Amazon-Handbücher und Preisdatentabellen als Beispiel, um die Funktionen eines generativen KI-Assistenten auf Chatbasis zu untersuchen. Sie werden einen Chat-basierten Assistenten entwickeln, der Kunden hilft, den SageMaker Service zu bewerten, indem er Fragen zur Preisgestaltung und zu den Funktionen des Dienstes beantwortet. Die Lösung verwendet eine Streamlit-Bibliothek für die Erstellung der Frontend-Anwendung und das LangChain Framework für die Entwicklung des Anwendungs-Backends, das auf einem Large Language Model (LLM) basiert.
Anfragen an den Chat-Assistenten werden zunächst mit einer Absichtsklassifizierung beantwortet, sodass sie an einen von drei möglichen Workflows weitergeleitet werden. Der ausgefeilteste Arbeitsablauf kombiniert allgemeine Beratung mit komplexen Preisanalysen. Sie können das Muster an Anwendungsfälle in Unternehmen, Unternehmen und der Industrie anpassen.
## Voraussetzungen und Einschränkungen
**Voraussetzungen**
+ [AWS-Befehlszeilenschnittstelle (AWS CLI)](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-install.html) installiert und konfiguriert
+ [AWS Cloud Development Kit (AWS CDK) Toolkit 2.114.1](https://docs.aws.amazon.com/cdk/v2/guide/getting_started.html) oder höher installiert und konfiguriert
+ Grundkenntnisse in Python und AWS CDK
+ [Git](https://git-scm.com/book/en/v2/Getting-Started-Installing-Git) installiert
+ [Docker installiert](https://docs.docker.com/get-docker/)
+ [Python 3.11 oder höher](https://www.python.org/downloads/) installiert und konfiguriert (weitere Informationen finden Sie im Abschnitt [Tools](#develop-advanced-generative-ai-chat-based-assistants-by-using-rag-and-react-prompting-tools))
+ [Ein [aktives AWS-Konto](https://docs.aws.amazon.com/accounts/latest/reference/manage-acct-creating.html), das mithilfe von AWS CDK gestartet wurde](https://docs.aws.amazon.com/cdk/v2/guide/bootstrapping.html)
+ Der [Zugriff auf die Modelle](https://docs.aws.amazon.com/bedrock/latest/userguide/model-access.html#add-model-access) Amazon Titan und Anthropic Claude ist im Amazon Bedrock-Service aktiviert
+ [AWS-Sicherheitsanmeldedaten`AWS_ACCESS_KEY_ID`, einschließlich korrekt konfigurierter Anmeldeinformationen](https://docs.aws.amazon.com/cli/latest/userguide/cli-configure-envvars.html) in Ihrer Terminalumgebung
**Einschränkungen**
+ LangChain unterstützt nicht jedes LLM für Streaming. Die Modelle von Anthropic Claude werden unterstützt, Modelle von AI21 Labs jedoch nicht.
+ Diese Lösung wird auf einem einzigen AWS-Konto bereitgestellt.
+ Diese Lösung kann nur in AWS-Regionen eingesetzt werden, in denen Amazon Bedrock und Amazon Kendra verfügbar sind. Informationen zur Verfügbarkeit finden Sie in der Dokumentation für [Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-bedrock.html#bedrock-regions) und [Amazon Kendra](https://docs.aws.amazon.com/general/latest/gr/kendra.html).
**Produktversionen**
+ Python-Version 3.11 oder höher
+ Streamlit Version 1.30.0 oder höher
+ Streamlit-Chat Version 0.1.1 oder höher
+ LangChain Version 0.1.12 oder höher
+ AWS CDK Version 2.132.1 oder höher
## Architektur
**Zieltechnologie-Stack**
+ Amazon Athena
+ Amazon Bedrock
+ Amazon Elastic Container Service (Amazon ECS)
+ AWS Glue
+ AWS Lambda
+ Amazon S3
+ Amazon Kendra
+ Elastic Load Balancing
**Zielarchitektur**
Der AWS-CDK-Code stellt alle Ressourcen bereit, die für die Einrichtung der Chat-basierten Assistentenanwendung in einem AWS-Konto erforderlich sind. Die in der folgenden Abbildung gezeigte Chat-basierte Assistentenanwendung wurde entwickelt, um verwandte Anfragen von Benutzern zu beantworten SageMaker . Benutzer stellen über einen Application Load Balancer eine Verbindung zu einer VPC her, die einen Amazon ECS-Cluster enthält, der die Streamlit-Anwendung hostet. Eine Orchestrierungs-Lambda-Funktion stellt eine Verbindung zur Anwendung her. S3-Bucket-Datenquellen stellen Daten für die Lambda-Funktion über Amazon Kendra und AWS Glue bereit. Die Lambda-Funktion stellt eine Verbindung zu Amazon Bedrock her, um Anfragen (Fragen) von Chat-basierten Assistentenbenutzern zu beantworten.
![\[Architekturdiagramm.\]](http://docs.aws.amazon.com/de_de/prescriptive-guidance/latest/patterns/images/pattern-img/b4df6405-76ab-4493-a722-15ceca067254/images/4e5856cf-9489-41f8-a411-e3b8d8a50748.png)
1. Die Orchestrierungs-Lambda-Funktion sendet die LLM-Prompt-Anfrage an das Amazon Bedrock-Modell (Claude 2).
1. Amazon Bedrock sendet die LLM-Antwort zurück an die Orchestrierungs-Lambda-Funktion.
**Logikfluss innerhalb der Orchestrierungs-Lambda-Funktion**
Wenn Benutzer über die Streamlit-Anwendung eine Frage stellen, wird die Orchestrierungs-Lambda-Funktion direkt aufgerufen. Das folgende Diagramm zeigt den Logikfluss, wenn die Lambda-Funktion aufgerufen wird.
![\[Architekturdiagramm.\]](http://docs.aws.amazon.com/de_de/prescriptive-guidance/latest/patterns/images/pattern-img/b4df6405-76ab-4493-a722-15ceca067254/images/70ae4736-06a6-4d3a-903a-edc5c10d78a0.png)
+ Schritt 1 — Die Eingabe `query` (Frage) wird in eine der drei Absichten eingeteilt:
+ Allgemeine SageMaker Orientierungsfragen
+ Allgemeine Fragen zur SageMaker Preisgestaltung (Schulung/Inferenz)
+ Komplexe Fragen im Zusammenhang mit und zur Preisgestaltung SageMaker
+ Schritt 2 — Die Eingabe `query` initiiert einen der drei Dienste:
+ `RAG Retrieval service`, das den relevanten Kontext aus der [Amazon Kendra Kendra-Vektordatenbank](https://aws.amazon.com/kendra/) abruft und das LLM über [Amazon Bedrock](https://aws.amazon.com/bedrock/) aufruft, um den abgerufenen Kontext als Antwort zusammenzufassen.
+ `Database Query service`, das das LLM, Datenbank-Metadaten und Beispielzeilen aus relevanten Tabellen verwendet, um die Eingabe in eine SQL-Abfrage umzuwandeln. `query` Der Datenbankabfragedienst führt die SQL-Abfrage für die SageMaker Preisdatenbank über [Amazon Athena](https://aws.amazon.com/athena/) aus und fasst die Abfrageergebnisse als Antwort zusammen.
+ `In-context ReACT Agent service`, der die Eingabe `query` in mehrere Schritte unterteilt, bevor eine Antwort bereitgestellt wird. Der Agent verwendet `RAG Retrieval service` und `Database Query service` als Hilfsmittel, um während des Argumentationsprozesses relevante Informationen abzurufen. Nachdem der Argumentations- und Handlungsprozess abgeschlossen ist, generiert der Agent die endgültige Antwort als Antwort.
+ Schritt 3 — Die Antwort der Orchestrierungs-Lambda-Funktion wird als Ausgabe an die Streamlit-Anwendung gesendet.
## Tools
**AWS-Services**
+ [Amazon Athena](https://docs.aws.amazon.com/athena/latest/ug/what-is.html) ist ein interaktiver Abfrageservice, mit dem Sie Daten mithilfe von Standard-SQL direkt in Amazon Simple Storage Service (Amazon S3) analysieren können.
+ [Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-bedrock.html) ist ein vollständig verwalteter Service, der Ihnen leistungsstarke Basismodelle (FMs) von führenden KI-Startups und Amazon über eine einheitliche API zur Verfügung stellt.
+ Das [AWS Cloud Development Kit (AWS CDK)](https://docs.aws.amazon.com/cdk/latest/guide/home.html) ist ein Softwareentwicklungs-Framework, das Sie bei der Definition und Bereitstellung der AWS-Cloud-Infrastruktur im Code unterstützt.
+ [AWS Command Line Interface (AWS CLI)](https://docs.aws.amazon.com/cli/latest/userguide/cli-chap-welcome.html) ist ein Open-Source-Tool, mit dem Sie über Befehle in Ihrer Befehlszeilen-Shell mit AWS-Services interagieren können.
+ [Amazon Elastic Container Service (Amazon ECS)](https://docs.aws.amazon.com/AmazonECS/latest/developerguide/Welcome.html) ist ein hoch skalierbarer, schneller Container-Management-Service, der das Ausführen, Beenden und Verwalten von Containern in einem Cluster vereinfacht.
+ [AWS Glue](https://docs.aws.amazon.com/glue/) ist ein vollständig verwalteter Service zum Extrahieren, Transformieren und Laden (ETL). Er hilft Ihnen dabei, Daten zuverlässig zu kategorisieren, zu bereinigen, anzureichern und zwischen Datenspeichern und Datenströmen zu verschieben. Dieses Muster verwendet einen AWS Glue Glue-Crawler und eine AWS Glue Glue-Datenkatalogtabelle.
+ [Amazon Kendra](https://docs.aws.amazon.com/kendra/latest/dg/what-is-kendra.html) ist ein intelligenter Suchdienst, der natürliche Sprachverarbeitung und fortschrittliche Algorithmen für maschinelles Lernen verwendet, um spezifische Antworten auf Suchfragen aus Ihren Daten zurückzugeben.
+ [AWS Lambda](https://docs.aws.amazon.com/lambda/latest/dg/welcome.html) ist ein Rechenservice, mit dem Sie Code ausführen können, ohne Server bereitstellen oder verwalten zu müssen. Er führt Ihren Code nur bei Bedarf aus und skaliert automatisch, sodass Sie nur für die tatsächlich genutzte Rechenzeit zahlen.
+ [Amazon Simple Storage Service (Amazon S3)](https://docs.aws.amazon.com/AmazonS3/latest/userguide/Welcome.html) ist ein cloudbasierter Objektspeicherservice, der Sie beim Speichern, Schützen und Abrufen beliebiger Datenmengen unterstützt.
+ [Elastic Load Balancing (ELB)](https://docs.aws.amazon.com/elasticloadbalancing/latest/userguide/what-is-load-balancing.html) verteilt eingehenden Anwendungs- oder Netzwerkverkehr auf mehrere Ziele. Sie können beispielsweise den Datenverkehr auf Amazon Elastic Compute Cloud (Amazon EC2) -Instances, Container und IP-Adressen in einer oder mehreren Availability Zones verteilen.
**Code-Repository**
Der Code für dieses Muster ist im GitHub [genai-bedrock-chatbot](https://github.com/awslabs/genai-bedrock-chatbot)Repository verfügbar.
Das Code-Repository enthält die folgenden Dateien und Ordner:
+ `assets`Ordner — Die statischen Objekte, das Architekturdiagramm und der öffentliche Datensatz
+ `code/lambda-container`folder — Der Python-Code, der in der Lambda-Funktion ausgeführt wird
+ `code/streamlit-app`folder — Der Python-Code, der als Container-Image in Amazon ECS ausgeführt wird
+ `tests`folder — Die Python-Dateien, die zum Komponententest der AWS-CDK-Konstrukte ausgeführt werden
+ `code/code_stack.py`— Das AWS-CDK-Konstrukt Python-Dateien, die zur Erstellung von AWS-Ressourcen verwendet werden
+ `app.py`— Die AWS-CDK-Stack-Python-Dateien, die zur Bereitstellung von AWS-Ressourcen im AWS-Zielkonto verwendet werden
+ `requirements.txt`— Die Liste aller Python-Abhängigkeiten, die für AWS CDK installiert werden müssen
+ `requirements-dev.txt`— Die Liste aller Python-Abhängigkeiten, die installiert werden müssen, damit AWS CDK die Unit-Test-Suite ausführen kann
+ `cdk.json`— Die Eingabedatei zur Bereitstellung von Werten, die zum Hochfahren von Ressourcen erforderlich sind
|
|
| Hinweis: Der AWS-CDK-Code verwendet [L3-Konstrukte (Layer 3)](https://docs.aws.amazon.com/cdk/latest/guide/getting_started.html) und [AWS Identity and Access Management (IAM) -Richtlinien, die von AWS für die Bereitstellung der Lösung verwaltet werden](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_managed-vs-inline.html#aws-managed-policies). |
| --- |
## Best Practices
+ Das hier bereitgestellte Codebeispiel ist nur für eine proof-of-concept (PoC) oder Pilotdemo vorgesehen. Wenn Sie den Code in die Produktionsumgebung übernehmen möchten, sollten Sie die folgenden bewährten Methoden anwenden:
+ Die [Amazon S3 S3-Zugriffsprotokollierung ist aktiviert](https://docs.aws.amazon.com/AmazonS3/latest/userguide/enable-server-access-logging.html).
+ [VPC Flow Logs ist aktiviert](https://docs.aws.amazon.com/vpc/latest/userguide/flow-logs.html).
+ Der [Amazon Kendra Enterprise Edition-Index](https://docs.aws.amazon.com/whitepapers/latest/how-aws-pricing-works/amazon-kendra.html) ist aktiviert.
+ Richten Sie die Überwachung und Warnung für die Lambda-Funktion ein. Weitere Informationen finden Sie unter [Überwachung und Problembehandlung von Lambda-Funktionen](https://docs.aws.amazon.com/lambda/latest/dg/lambda-monitoring.html). Allgemeine bewährte Methoden für die Arbeit mit Lambda-Funktionen finden Sie in der [AWS-Dokumentation](https://docs.aws.amazon.com/lambda/latest/dg/best-practices.html).
## Epen
### AWS-Anmeldeinformationen auf Ihrem lokalen Computer einrichten
| Aufgabe | Description | Erforderliche Fähigkeiten |
| --- | --- | --- |
| Exportieren Sie Variablen für das Konto und die AWS-Region, in der der Stack bereitgestellt wird. | Führen Sie die folgenden Befehle aus, um AWS-Anmeldeinformationen für AWS CDK mithilfe von Umgebungsvariablen bereitzustellen.export CDK_DEFAULT_ACCOUNT=<12 Digit AWS Account Number>
export CDK_DEFAULT_REGION=
| DevOps Ingenieur, AWS DevOps |
| Richten Sie das AWS-CLI-Profil ein. | Folgen Sie den Anweisungen in der [AWS-Dokumentation, um das AWS-CLI-Profil](https://docs.aws.amazon.com/toolkit-for-visual-studio/latest/user-guide/keys-profiles-credentials.html) für das Konto einzurichten. | DevOps Ingenieur, AWS DevOps |
### So richten Sie Ihre Umgebung ein
| Aufgabe | Description | Erforderliche Fähigkeiten |
| --- | --- | --- |
| Klonen Sie das Repo auf Ihrem lokalen Computer. | Um das Repository zu klonen, führen Sie den folgenden Befehl in Ihrem Terminal aus.git clone https://github.com/awslabs/genai-bedrock-chatbot.git
| DevOps Ingenieur, AWS DevOps |
| Richten Sie die virtuelle Python-Umgebung ein und installieren Sie die erforderlichen Abhängigkeiten. | Führen Sie die folgenden Befehle aus, um die virtuelle Python-Umgebung einzurichten.cd genai-bedrock-chatbot
python3 -m venv .venv
source .venv/bin/activate
Führen Sie den folgenden Befehl aus, um die erforderlichen Abhängigkeiten einzurichten.pip3 install -r requirements.txt
| DevOps Ingenieur, AWS DevOps |
| Richten Sie die AWS-CDK-Umgebung ein und synthetisieren Sie den AWS-CDK-Code. | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/prescriptive-guidance/latest/patterns/develop-advanced-generative-ai-chat-based-assistants-by-using-rag-and-react-prompting.html) | DevOps Ingenieur, AWS DevOps |
### Konfigurieren und implementieren Sie die Chat-basierte Assistentenanwendung
| Aufgabe | Description | Erforderliche Fähigkeiten |
| --- | --- | --- |
| Gewähren Sie Zugriff auf das Claude-Modell. | Folgen Sie den Anweisungen in der [Amazon Bedrock-Dokumentation](https://docs.aws.amazon.com/bedrock/latest/userguide/model-access.html#add-model-access), um den Zugriff auf das Anthropic-Claude-Modell für Ihr AWS-Konto zu aktivieren. | AWS DevOps |
| Stellen Sie Ressourcen im Konto bereit. | Gehen Sie wie folgt vor, um Ressourcen im AWS-Konto mithilfe des AWS-CDK bereitzustellen:[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/prescriptive-guidance/latest/patterns/develop-advanced-generative-ai-chat-based-assistants-by-using-rag-and-react-prompting.html)Nach erfolgreicher Bereitstellung können Sie über die im Abschnitt CloudFormation **Ausgaben** angegebene URL auf die Chat-basierte Assistentenanwendung zugreifen. | AWS DevOps, DevOps Ingenieur |
| Führen Sie den AWS Glue Glue-Crawler aus und erstellen Sie die Datenkatalogtabelle. | Ein [AWS Glue Glue-Crawler](https://docs.aws.amazon.com/glue/latest/dg/add-crawler.html) wird verwendet, um das Datenschema dynamisch zu halten. Die Lösung erstellt und aktualisiert Partitionen in der [AWS Glue Data Catalog-Tabelle](https://docs.aws.amazon.com/athena/latest/ug/querying-glue-catalog.html), indem sie den Crawler bei Bedarf ausführt. Nachdem die CSV-Datensatzdateien in den S3-Bucket kopiert wurden, führen Sie den AWS Glue Glue-Crawler aus und erstellen Sie das Datenkatalog-Tabellenschema zum Testen:[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/prescriptive-guidance/latest/patterns/develop-advanced-generative-ai-chat-based-assistants-by-using-rag-and-react-prompting.html)Der AWS-CDK-Code konfiguriert den AWS Glue-Crawler so, dass er bei Bedarf ausgeführt wird. Sie können ihn aber auch so [planen](https://docs.aws.amazon.com/glue/latest/dg/schedule-crawler.html), dass er regelmäßig ausgeführt wird. | DevOps Ingenieur, AWS DevOps |
| Initiieren Sie die Indizierung von Dokumenten. | Nachdem die Dateien in den S3-Bucket kopiert wurden, verwenden Sie Amazon Kendra, um sie zu crawlen und zu indizieren:[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/prescriptive-guidance/latest/patterns/develop-advanced-generative-ai-chat-based-assistants-by-using-rag-and-react-prompting.html)[Der AWS-CDK-Code konfiguriert die Amazon Kendra-Indexsynchronisierung so, dass sie bei Bedarf ausgeführt wird. Sie können sie jedoch auch regelmäßig ausführen, indem Sie den Parameter Schedule verwenden.](https://docs.aws.amazon.com/kendra/latest/dg/data-source.html#cron) | AWS DevOps, DevOps Ingenieur |
### Bereinigen Sie alle AWS-Ressourcen in der Lösung
| Aufgabe | Description | Erforderliche Fähigkeiten |
| --- | --- | --- |
| Entfernen Sie die AWS-Ressourcen. | Nachdem Sie die Lösung getestet haben, bereinigen Sie die Ressourcen:[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/prescriptive-guidance/latest/patterns/develop-advanced-generative-ai-chat-based-assistants-by-using-rag-and-react-prompting.html) | DevOps Ingenieur, AWS DevOps |
## Fehlerbehebung
| Problem | Lösung |
| --- | --- |
| AWS CDK gibt Fehler zurück. | Hilfe bei Problemen mit AWS CDK finden Sie unter [Behebung häufiger Probleme mit AWS CDK](https://docs.aws.amazon.com/cdk/v2/guide/troubleshooting.html). |
## Zugehörige Ressourcen
+ Amazonas-Grundgestein:
+ [Modellzugriff](https://docs.aws.amazon.com/bedrock/latest/userguide/model-access.html)
+ [Inferenzparameter für Fundamentmodelle](https://docs.aws.amazon.com/bedrock/latest/userguide/model-parameters.html)
+ [Lambda-Funktionen mit Python erstellen](https://docs.aws.amazon.com/lambda/latest/dg/lambda-python.html)
+ [Erste Schritte mit dem AWS CDK](https://docs.aws.amazon.com/cdk/v2/guide/getting_started.html)
+ [Arbeiten mit dem AWS CDK in Python](https://docs.aws.amazon.com/cdk/v2/guide/work-with-cdk-python.html)
+ [Generativer KI-Anwendungsgenerator auf AWS](https://docs.aws.amazon.com/solutions/latest/generative-ai-application-builder-on-aws/solution-overview.html)
+ [LangChain Dokumentation](https://python.langchain.com/docs/get_started/introduction)
+ [Rationalisierte Dokumentation](https://docs.streamlit.io/)
## Zusätzliche Informationen
**AWS CDK-Befehle**
Beachten Sie bei der Arbeit mit AWS CDK die folgenden nützlichen Befehle:
+ Listet alle Stacks in der App auf
```
cdk ls
```
+ Gibt die synthetisierte AWS-Vorlage aus CloudFormation
```
cdk synth
```
+ Stellt den Stack für Ihr AWS-Standardkonto und Ihre Region bereit
```
cdk deploy
```
+ Vergleicht den bereitgestellten Stack mit dem aktuellen Status
```
cdk diff
```
+ Öffnet die AWS CDK-Dokumentation
```
cdk docs
```
+ Löscht den CloudFormation Stack und entfernt von AWS bereitgestellte Ressourcen
```
cdk destroy
```