内容领域 1： 基础模型集成、数据管理和合规性
任务 1.1： 分析需求，设计生成式人工智能解决方案。
技能 1.1.1： 根据具体业务需求和技术限制，创建全面的架构设计（例如，使用合适的基础模型、集成模式、部署策略）。
技能 1.1.2： 开发技术概念验证实施方案，来验证可行性、性能特征和商业价值，然后进行全面部署（例如，使用 Amazon Bedrock）。
技能 1.1.3： 创建标准化技术组件，确保跨多个部署场景中实现一致的实施（例如，使用 AWS Well-Architected Framework、AWS WA 工具生成式人工智能剖析）。
任务 1.2： 选择并配置基础模型。
技能 1.2.1： 评估和选择基础模型，确保很好地契合特定的业务使用案例和技术要求（例如，使用性能基准、能力分析、限制评估等）。
技能 1.2.2： 创建灵活的架构模式，可以动态选择模型和切换提供商，而且无需修改代码（例如，使用 AWS Lambda、Amazon API Gateway、AWS AppConfig）。
技能 1.2.3： 设计具备韧性的 AI 系统，可确保服务中断期间的持续运行（例如，使用 AWS Step Functions 断路器模式，针对在有限区域提供的模型使用 Amazon Bedrock 跨区域推理，跨区域模型部署，优雅降级策略）。
技能 1.2.4： 实施基础模型自定义部署和生命周期管理（例如，使用 Amazon SageMaker AI，部署特定于领域的经过微调的模型；低秩自适应 [LoRA] 等参数-效率自适应技术和用于模型部署的适配器；用于版本控制和部署自定义模型的 SageMaker 模型注册表；用于更新模型的自动部署管道；失败部署的回滚策略；管理生命周期来停用和替换模型）。
任务 1.3： 实施数据验证和处理管道，用于基础模型的使用。
技能 1.3.1： 创建全面的数据验证工作流，确保数据符合质量标准以便供基础模型使用（例如，使用 AWS Glue 数据质量自动监测功能、SageMaker Data Wrangler、自定义 Lambda 函数、Amazon CloudWatch 指标）。
技能 1.3.2： 创建数据处理工作流来处理复杂的数据类型，包括文本、图像、音频和表格数据等，这些数据在用于基础模型时有专门的处理要求（例如，使用 Amazon Bedrock 多模态模型、SageMaker Processing、AWS Transcribe、高级多模态管道架构）。
技能 1.3.3： 根据特定于模型的要求，为基础模型推理设置输入数据的格式（例如，为 Amazon Bedrock API 请求使用 JSON 格式，适用于 SageMaker AI 终端节点的结构化数据准备，为基于对话的应用程序使用对话格式）。
技能 1.3.4： 改善输入数据质量以提高基础模型回复的质量和一致性（例如，使用 Amazon Bedrock 重新格式化文本，使用 Amazon Comprehend 提取实体，使用 Lambda 函数对数据进行标准化）。
任务 1.4： 设计和实施向量存储解决方案。
技能 1.4.1： 创建专门用于基础模型增强的高级向量数据库架构，实现超越传统搜索功能的高效语义检索（例如，使用 Amazon Bedrock 知识库实现分层组织；使用带 Neural 插件的 Amazon OpenSearch Service 用于 Amazon Bedrock 集成，来进行基于主题的分割；Amazon RDS 与 Amazon S3 文档存储库结合使用；Amazon DynamoDB 与向量数据库结合使用来处理元数据和嵌入）。
技能 1.4.2： 开发全面的元数据框架，提高基础模型交互的搜索查准率和上下文感知能力（例如，使用 S3 对象元数据作为文档时间戳，用于创作者信息的自定义属性，使用标记系统进行领域分类）。
技能 1.4.3： 实施高性能向量数据库架构，来大规模优化语义搜索性能以便用于基础模型检索（例如，使用 OpenSearch 分片策略，针对专用领域的多索引方法，分层索引技术）。
技能 1.4.4： 使用 AWS 服务创建集成组件来连接资源（例如，文档管理系统，知识库，用于生成式人工智能应用程序中全面数据集成的内部 wiki）。
技能 1.4.5： 设计和部署数据维护系统，确保向量存储包含当前的准确信息，以便用于基础模型增强（例如，使用递增更新机制、实时更改检测系统、自动同步工作流、定期刷新管道）。
任务 1.5： 设计用于增强基础模型的检索机制。
技能 1.5.1： 开发高效的文档分割方法来优化检索性能，用于基础模型上下文增强（例如，使用 Amazon Bedrock 分块功能，使用 Lambda 函数实施固定大小分块，根据内容结构采用分层式分块的自定义处理）。
技能 1.5.2： 选择和配置优化的嵌入解决方案，为语义搜索高效地创建向量表示（例如，使用基于维度和领域拟合的 Amazon Titan 嵌入，评估 Amazon Bedrock 嵌入模型的性能特征，使用 Lambda 函数批量生成嵌入）。
技能 1.5.3： 部署和配置向量搜索解决方案，启用语义搜索功能用于增强基础模型（例如，使用具有向量搜索功能的 OpenSearch Service，带有 pgvector 扩展的 Amazon Aurora，具有托管向量存储功能的 Amazon Bedrock 知识库）。
技能 1.5.4： 创建高级搜索架构，提高针对基础模型上下文检索到的信息的相关性和准确率（例如，使用 OpenSearch 进行语义搜索、结合使用关键字和向量的混合搜索，Amazon Bedrock 重排器模型）。
技能 1.5.5： 开发先进的查询处理系统来提高检索有效性和结果质量，以便用于增强基础模型（例如，使用 Amazon Bedrock 进行查询扩展，使用 Lambda 函数进行查询分解，使用 Step Functions 进行查询转换）。
技能 1.5.6： 创建一致的访问机制，实现与基础模型的无缝集成（例如，使用函数调用接口进行向量搜索，使用模型上下文协议 [MCP] 客户端进行向量查询，使用标准化 API 模式进行检索增强）。
任务 1.6： 为基础模型交互实施提示工程策略和监管措施。
技能 1.6.1： 创建高效的模型指令框架来控制基础模型的行为和输出（例如，使用 Amazon Bedrock 提示管理器强制实施角色定义，使用 Amazon Bedrock 防护机制强制实施负责任 AI 指导原则，使用模板配置对回复进行格式化处理）。
技能 1.6.2： 构建交互式 AI 系统用于维护上下文并改善用户与基础模型的互动（例如，Step Functions 可用于澄清工作流，Amazon Comprehend 可用于意图识别，DynamoDB 可用于对话历史记录存储）。
技能 1.6.3： 实施全面的提示管理和监管系统，对基础模型操作进行监督来确保实现操作一致性（例如，使用 Amazon Bedrock 提示管理器创建参数化模板和审批工作流，使用 Amazon S3 存储模板存储库，使用 AWS CloudTrail 跟踪使用情况，使用 Amazon CloudWatch Logs 记录访问活动）。
技能 1.6.4： 开发质量保证系统，确保基础模型的提示有效性和可靠性（例如，使用 Lambda 函数验证预期输出，使用 Step Functions 测试边缘用例，使用 CloudWatch 测试提示回归）。
技能 1.6.5： 增强基础模型性能，以迭代方式完善提示，并运用基本提示技巧之外的技术来提高回复质量（例如，使用结构化输入组件、输出格式规范、思维链指令模式、反馈循环）。
技能 1.6.6： 设计复杂的提示系统，利用基础模型来处理复杂的任务（例如，使用 Amazon Bedrock 提示工作流管理器执行顺序提示链，基于模型回复的有条件分支，可重复使用的提示组件，集成式预处理和后处理步骤）。
