# 内容领域 2： GenAI 基础知识
<a name="ai-practitioner-01-domain2"></a>

领域 2 涵盖了 GenAI 的基础知识，占考试计分内容的 24%。

**Topics**
+ [任务说明 2.1： 解释生成式人工智能 (GenAI) 的基本概念。](#ai-practitioner-01-task2.1)
+ [任务说明 2.2： 了解 GenAI 解决业务问题的能力和局限性。](#ai-practitioner-01-task2.2)
+ [任务说明 2.3： 描述用于构建 GenAI 应用程序的 AWS 基础设施和技术。](#ai-practitioner-01-task2.3)

## 任务说明 2.1： 解释生成式人工智能 (GenAI) 的基本概念。
<a name="ai-practitioner-01-task2.1"></a>

目标：
+ 定义 GenAI 的基础概念（例如：Token、分块、嵌入、向量、提示工程、基于 Transformer 的大语言模型 [LLMs]、基础模型 [FMs]、多模态模型、扩散模型）。
+ 确定 GenAI 模型的潜在使用案例（例如：图像、视频和音频生成；摘要；AI 助手；翻译；代码生成；客服代理；搜索；推荐引擎）。
+ 描述 FM 生命周期（例如：数据选择、模型选择、预训练、微调、评估、部署、反馈）。
+ 描述基于令牌的定价模型及其对推理成本和性能的影响。
+ 描述上下文工程在 FM 应用中的作用。
+ 定义基础的智能体 AI 概念（例如：复杂 AI 应用的多智能体系统模式、模型上下文协议 [MCP] 及其在连接智能体和外部系统中的作用、多智能体通信模式、内存管理、工具使用和工作流编排）。

## 任务说明 2.2： 了解 GenAI 解决业务问题的能力和局限性。
<a name="ai-practitioner-01-task2.2"></a>

目标：
+ 描述 GenAI 的优势（例如：适应性、响应能力、对话能力、生成内容的能力）。
+ 确定 GenAI 解决方案的缺点（例如：幻觉、可解释性、不准确、不确定性）。
+ 识别选择 GenAI 模型时需要考虑的因素（例如：模型类型、性能要求、性能、限制、合规性、成本、延迟、模型复杂性）。
+ 确定 GenAI 能应用的业务价值和衡量指标（例如：跨领域表现、投资回报率 (ROI)、效率、转化率、每用户平均收入 (ARPU)、准确率、客户终身价值 (CLV)）。

## 任务说明 2.3： 描述用于构建 GenAI 应用程序的 AWS 基础设施和技术。
<a name="ai-practitioner-01-task2.3"></a>

目标：
+ 确定用于开发 GenAI 应用程序的 AWS 服务和功能（例如：Amazon Bedrock、Amazon SageMaker AI、SageMaker JumpStart、Amazon Quick、Kiro、Strands Agents、 Amazon Bedrock AgentCore).
+ 描述使用 AWS GenAI 服务构建应用程序的优势（例如：可访问性、较低的准入门槛、效率、成本效益、上市速度、满足业务目标的能力）。
+ 描述 AWS 基础设施对 GenAI 应用程序的优势（例如：安全性、合规性、责任性和可靠性）。
+ 描述 AWS GenAI 服务的成本权衡（例如：响应速度、可用性、冗余性、性能、区域覆盖范围、基于令牌的定价、资源吞吐量、自定义模型）。