Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra. # Utilisation de l'IA agentic avec DynamoDB Amazon DynamoDB est une base de données NoSQL distribuée, entièrement gérée et sans serveur offrant des performances à un chiffre en millisecondes, quelle que soit l'échelle. DynamoDB est optimisé pour les charges de travail à haut débit et vous pouvez étendre ses fonctionnalités en l’intégrant à des modèles d’IA générative. À l’aide de modèles d’IA générative, vous pouvez travailler avec les données stockées dans des tables DynamoDB en temps réel et créer des applications adaptées au contexte et hautement personnalisées. Vous pouvez également améliorer l’expérience de l’utilisateur final en exploitant pleinement les données de votre entreprise, de vos utilisateurs et de vos applications pour personnaliser vos solutions d’IA générative. Pour plus d'informations sur l'IA de génération et les solutions proposées AWS pour créer des applications d'IA de génération, consultez [Transformez votre entreprise grâce à l'IA générative](https://aws.amazon.com/ai/generative-ai/). **Topics** + [Cas d’utilisation de l’IA générative pour DynamoDB](#gen-ai-use-case-ddb) + [Blogs sur l’IA générative pour DynamoDB](#gen-ai-blogs) + [Tirer parti de l'intégration DynamoDB Zero-ETL avec Service OpenSearch](ddb-and-amazon-bedrock.md) + [Utilisation de DynamoDB comme magasin de points de contrôle pour les agents LangGraph](ddb-langgraph-checkpoint.md) ## Cas d’utilisation de l’IA générative pour DynamoDB DynamoDB est largement utilisé dans les applications conversationnelles basées sur l’IA, telles que les chatbots et les centres d’appels basés sur un [modèle de fondation (FM)](https://aws.amazon.com/what-is/foundation-models/). Vous pouvez y accéder FMs via Amazon Bedrock, Amazon SageMaker AI ou d'autres fournisseurs de modèles. Ces applications utilisent généralement DynamoDB pour améliorer la personnalisation et l’expérience utilisateur selon trois modèles de données : les données d’application, les données métier et les données utilisateur. Voici quelques exemples de ces modèles de données : + Stockage des données d'application, telles que l'historique des messages de chat, par le biais d'[LangChain](https://js.langchain.com/v0.1/docs/integrations/chat_memory/dynamodb/)intégrations ou d'un code personnalisé. [LlamaIndex](https://docs.llamaindex.ai/en/stable/examples/docstore/DynamoDBDocstoreDemo/) Ce contexte améliore l’expérience utilisateur en permettant au modèle de *converser* avec l’utilisateur de façon bidirectionnelle. + Création d’une expérience utilisateur personnalisée en exploitant les données métier, telles que l’inventaire, les prix et la documentation. + Application des données utilisateur, telles que l’historique Web, les commandes passées et les préférences des utilisateurs, pour fournir des réponses personnalisées. Par exemple, une compagnie d’assurance peut créer un chatbot à l’aide de DynamoDB pour permettre à son modèle d’IA basé sur la [génération à enrichissement contextuel (RAG)](https://docs.aws.amazon.com/sagemaker/latest/dg/jumpstart-foundation-models-customize-rag.html) d’accéder à des données en temps quasi réel. Des exemples de telles données sont les taux hypothécaires en temps réel, le prix des produits, la copie compliant/standard du contrat, l'historique Web des utilisateurs et les préférences des utilisateurs. La combinaison de DynamoDB et de RAG permet d’obtenir des informations détaillées et actualisées sur les produits d’assurance et les données utilisateur. Cela enrichit les invites et les réponses pour offrir aux utilisateurs finaux une expérience précise, personnalisée et en temps quasi réel. De même, les clients du secteur des services financiers utilisent DynamoDB, [les bases de connaissance Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base.html) et les [agents Amazon Bedrock](https://aws.amazon.com/bedrock/agents/) pour créer des applications d’IA générative basées sur RAG. Ces applications peuvent utiliser des rapports de revenus open source et des transcriptions d’appels. Elles peuvent également utiliser l’historique de portefeuille et de transaction spécifique à l’utilisateur pour générer un résumé du portefeuille à la demande, y compris des perspectives pour le futur. ## Blogs sur l’IA générative pour DynamoDB Les articles suivants présentent des cas d'utilisation détaillés, des meilleures pratiques et des step-by-step guides pour vous aider à tirer parti des capacités de DynamoDB pour créer des applications avancées basées sur l'IA. + [Modèles de données Amazon DynamoDB pour les chatbots basés sur l’IA générative ](https://aws.amazon.com/blogs/database/amazon-dynamodb-data-models-for-generative-ai-chatbots/) + [Créez un chatbot évolutif et sensible au contexte avec Amazon DynamoDB, Amazon Bedrock et LangChain](https://aws.amazon.com/blogs/database/build-a-scalable-context-aware-chatbot-with-amazon-dynamodb-amazon-bedrock-and-langchain/) + [Créez des agents d'IA durables avec LangGraph Amazon DynamoDB](https://aws.amazon.com/blogs/database/build-durable-ai-agents-with-langgraph-and-amazon-dynamodb/) # Tirer parti de l'intégration DynamoDB Zero-ETL avec Service OpenSearch Vous pouvez utiliser Amazon Bedrock avec DynamoDB pour fournir un accès sans serveur [aux modèles fondamentaux (FMs)](https://aws.amazon.com/what-is/foundation-models/), tels qu'Amazon Titan et d'autres modèles tiers. Vous pouvez tirer parti de l'intégration Zero-ETL avec Amazon OpenSearch Service pour activer les fonctionnalités de recherche vectorielle lors de la création d'applications d'IA génératives. L'atelier [Generative AI with DynamoDB Zero-ETL to OpenSearch integration et Amazon](https://catalog.workshops.aws/dynamodb-labs/en-US/dynamodb-opensearch-zetl) Bedrock vous permet d'acquérir une expérience pratique de la configuration de l'intégration de DynamoDB Zero-ETL avec. OpenSearch Cet atelier exécute les tâches suivantes : + Crée un pipeline entre votre table DynamoDB et. OpenSearch + Crée un connecteur Amazon Bedrock dans. OpenSearch + Interroge Amazon Bedrock en OpenSearch tant que boutique vectorielle. + Utilise le Claude FM dans Amazon Bedrock pour créer une réponse écrite en anglais simple expliquant les résultats de recherche renvoyés par OpenSearch. Cet atelier vous permet d'intégrer DynamoDB pour créer des applications OpenSearch d'IA génératives. Il démontre également la capacité d'interrogation flexible entre les moteurs de base de données pour vous aider à intégrer DynamoDB OpenSearch et pour les cas d'utilisation traditionnels. Cet atelier est l’un des sept modules de la [journée d’immersion Amazon DynamoDB](https://catalog.workshops.aws/dynamodb-labs/en-US). Vous pouvez organiser cet atelier dans n'importe quel endroit Compte AWS. Vous pouvez également consulter le billet de blog suivant pour savoir comment configurer une intégration zéro ETL entre DynamoDB OpenSearch et Service. Ce billet de blog explique également comment configurer des connecteurs de modèle dans OpenSearch Service afin de générer automatiquement des intégrations à l'aide d'Amazon Bedrock pour les données entrantes. [Recherche vectorielle pour Amazon DynamoDB sans aucun ETL pour](https://aws.amazon.com/blogs/database/vector-search-for-amazon-dynamodb-with-zero-etl-for-amazon-opensearch-service/) Amazon Service. OpenSearch # Utilisation de DynamoDB comme magasin de points de contrôle pour les agents LangGraph [LangGraph](https://langchain-ai.github.io/langgraph/)est un framework permettant de créer des applications d'IA multi-acteurs dynamiques avec de grands modèles linguistiques ()LLMs. LangGraph les agents ont besoin d'un stockage permanent pour maintenir l'état des conversations, activer les human-in-the-loop flux de travail, garantir la tolérance aux pannes et fournir des fonctionnalités de débogage permettant de voyager dans le temps. L'architecture sans serveur de DynamoDB, sa latence à un chiffre en millisecondes et sa mise à l'échelle automatique en font un magasin de points de contrôle idéal pour les déploiements de production sur. LangGraph AWS Le `langgraph-checkpoint-aws` package fournit une `DynamoDBSaver` classe qui implémente l'interface de LangGraph point de contrôle, vous permettant de conserver l'état de l'agent dans DynamoDB avec le déchargement facultatif d'Amazon Simple Storage Service pour les points de contrôle importants. ## Fonctions principales Persistance de l'État Enregistre automatiquement l'état de l'agent après chaque étape, ce qui permet aux agents de reprendre leurs activités après une interruption et de récupérer après une panne. Nettoyage basé sur Time to Live Expirez automatiquement les anciens points de contrôle à l'aide de DynamoDB Time to Live pour gérer les coûts de stockage. Compression Compressez éventuellement les données des points de contrôle avec gzip pour réduire les coûts de stockage et améliorer le débit. Déchargement d'Amazon S3 Déchargez automatiquement les points de contrôle volumineux (supérieurs à 350 Ko) vers Amazon Simple Storage Service afin de respecter les limites de taille des éléments DynamoDB. Support de synchronisation et d'asynchronisation Synchrone et asynchrone APIs pour plus de flexibilité dans les différentes architectures d'applications. ## Conditions préalables + Python 3.10 ou version ultérieure + Et Compte AWS avec les autorisations nécessaires pour créer des tables DynamoDB (et éventuellement des compartiments Amazon S3) + AWS informations d'identification configurées (voir la AWS documentation pour les options de configuration des informations d'identification) **Important** Ce guide crée AWS des ressources susceptibles d'entraîner des frais. DynamoDB pay-per-request utilise la facturation par défaut, et les frais Amazon S3 s'appliquent si vous activez le déchargement à des points de contrôle importants. Suivez la section [Nettoyage](#langgraph-cleanup) pour supprimer des ressources lorsque vous avez terminé. ## Installation Installez le package checkpoint depuis PyPI : ``` pip install langgraph-checkpoint-aws ``` ## Utilisation de base L'exemple suivant montre comment configurer DynamoDB en tant que magasin de points de contrôle pour un agent : LangGraph ``` from langgraph.graph import StateGraph from langgraph_checkpoint_aws import DynamoDBSaver from typing import TypedDict # Define your state schema class State(TypedDict): input: str result: str # Initialize the DynamoDB checkpoint saver checkpointer = DynamoDBSaver( table_name="langgraph-checkpoints", region_name="us-east-1" ) # Build your LangGraph workflow builder = StateGraph(State) builder.add_node("process", lambda state: {"result": "processed"}) builder.set_entry_point("process") builder.set_finish_point("process") # Compile the graph with the DynamoDB checkpointer graph = builder.compile(checkpointer=checkpointer) # Invoke the graph with a thread ID to enable state persistence config = {"configurable": {"thread_id": "session-123"}} result = graph.invoke({"input": "data"}, config) ``` La configuration `thread_id` intégrée fait office de clé de partition dans DynamoDB, ce qui vous permet de gérer des fils de conversation distincts et de récupérer les états historiques de n'importe quel fil. ## Configuration de production Pour les déploiements de production, vous pouvez activer Time to Live, la compression et le déchargement d'Amazon S3. Vous pouvez également utiliser le `endpoint_url` paramètre pour pointer vers une instance DynamoDB locale à des fins de test : ``` import boto3 from botocore.config import Config from langgraph_checkpoint_aws import DynamoDBSaver # Production configuration session = boto3.Session( profile_name="production", region_name="us-east-1" ) checkpointer = DynamoDBSaver( table_name="langgraph-checkpoints", session=session, ttl_seconds=86400 * 7, # Expire checkpoints after 7 days enable_checkpoint_compression=True, # Enable gzip compression boto_config=Config( retries={"mode": "adaptive", "max_attempts": 6}, max_pool_connections=50 ), s3_offload_config={ "bucket_name": "my-checkpoint-bucket" } ) # Local testing with DynamoDB Local local_checkpointer = DynamoDBSaver( table_name="langgraph-checkpoints", region_name="us-east-1", endpoint_url="http://localhost:8000" ) ``` ## Configuration de la table DynamoDB L'économiseur de points de contrôle nécessite une table DynamoDB avec une clé primaire composite. Vous pouvez créer le tableau à l'aide du AWS CloudFormation modèle suivant : ``` AWSTemplateFormatVersion: '2010-09-09' Description: 'DynamoDB table for LangGraph checkpoint storage' Parameters: TableName: Type: String Default: langgraph-checkpoints Resources: CheckpointTable: Type: AWS::DynamoDB::Table DeletionPolicy: Retain UpdateReplacePolicy: Retain Properties: TableName: !Ref TableName BillingMode: PAY_PER_REQUEST AttributeDefinitions: - AttributeName: PK AttributeType: S - AttributeName: SK AttributeType: S KeySchema: - AttributeName: PK KeyType: HASH - AttributeName: SK KeyType: RANGE TimeToLiveSpecification: AttributeName: ttl Enabled: true PointInTimeRecoverySpecification: PointInTimeRecoveryEnabled: true SSESpecification: SSEEnabled: true ``` Déployez le modèle avec la AWS CLI : ``` aws cloudformation deploy \ --template-file template.yaml \ --stack-name langgraph-checkpoint \ --parameter-overrides TableName=langgraph-checkpoints ``` ## Autorisations IAM requises La politique IAM suivante fournit les autorisations minimales requises pour l'économiseur de points de contrôle DynamoDB. *111122223333*Remplacez-le par votre Compte AWS identifiant et mettez à jour la région en fonction de votre environnement. ``` { "Version": "2012-10-17", "Statement": [ { "Effect": "Allow", "Action": [ "dynamodb:GetItem", "dynamodb:PutItem", "dynamodb:Query", "dynamodb:BatchGetItem", "dynamodb:BatchWriteItem" ], "Resource": "arn:aws:dynamodb:us-east-1:111122223333:table/langgraph-checkpoints" } ] } ``` Si vous activez le déchargement sur Amazon S3, ajoutez la déclaration suivante à la politique : ``` { "Effect": "Allow", "Action": [ "s3:PutObject", "s3:GetObject", "s3:DeleteObject", "s3:PutObjectTagging" ], "Resource": "arn:aws:s3:::my-checkpoint-bucket/*" }, { "Effect": "Allow", "Action": [ "s3:GetBucketLifecycleConfiguration", "s3:PutBucketLifecycleConfiguration" ], "Resource": "arn:aws:s3:::my-checkpoint-bucket" } ``` ## Utilisation asynchrone Pour les applications asynchrones, utilisez les méthodes asynchrones fournies par l'économiseur de points de contrôle : ``` import asyncio from langgraph.graph import StateGraph from langgraph_checkpoint_aws import DynamoDBSaver from typing import TypedDict class State(TypedDict): input: str result: str async def main(): checkpointer = DynamoDBSaver( table_name="langgraph-checkpoints", region_name="us-east-1" ) builder = StateGraph(State) builder.add_node("process", lambda state: {"result": "processed"}) builder.set_entry_point("process") builder.set_finish_point("process") graph = builder.compile(checkpointer=checkpointer) config = {"configurable": {"thread_id": "async-session-123"}} result = await graph.ainvoke({"input": "data"}, config) return result asyncio.run(main()) ``` ## Nettoyage Pour éviter des frais permanents, supprimez les ressources que vous avez créées : ``` # Delete the DynamoDB table aws dynamodb delete-table --table-name langgraph-checkpoints # Delete the CloudFormation stack (if you used the template above) aws cloudformation delete-stack --stack-name langgraph-checkpoint # If you created an S3 bucket for large checkpoint offloading, empty and delete it aws s3 rm s3://my-checkpoint-bucket --recursive aws s3 rb s3://my-checkpoint-bucket ``` ## Gestion des erreurs Scénarios d'erreur courants : + **Table introuvable** : vérifiez que la `table_name` table DynamoDB `region_name` correspond à celle-ci. + **Limitation : si c'**est le cas`ProvisionedThroughputExceededException`, envisagez de passer en mode de facturation à la demande ou d'augmenter la capacité allouée. + **Taille de l'article dépassée** : si les points de contrôle dépassent 350 Ko, activez le déchargement sur Amazon S3 (voir[Configuration de production](#langgraph-production-config)). + **Erreurs d'identification** : vérifiez que vos AWS informations d'identification sont valides et que vous disposez des [autorisations requises](#langgraph-iam-permissions). ## Ressources supplémentaires + [langgraph-checkpoint-aws sur PyPI](https://pypi.org/project/langgraph-checkpoint-aws/) + [langgraph-checkpoint-aws sur GitHub](https://github.com/langchain-ai/langchain-aws/blob/main/libs/langgraph-checkpoint-aws/docs/dynamodb/DynamoDBSaver.md) + [Documentation LangGraph](https://langchain-ai.github.io/langgraph/) + [Bonnes pratiques DynamoDB](https://docs.aws.amazon.com/amazondynamodb/latest/developerguide/best-practices.html) + [Créez des agents d'IA durables avec LangGraph Amazon DynamoDB](https://aws.amazon.com/blogs/database/build-durable-ai-agents-with-langgraph-and-amazon-dynamodb/)