# 内容领域 1： 基础模型集成、数据管理和合规性
<a name="ai-professional-01-domain1"></a>

## 任务 1.1： 分析需求，设计生成式人工智能解决方案。
<a name="ai-professional-01-task-1-1"></a>
+ 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。
<a name="ai-professional-01-task-1-2"></a>
+ 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。
<a name="ai-professional-01-task-1-3"></a>
+ 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。
<a name="ai-professional-01-task-1-4"></a>
+ 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。
<a name="ai-professional-01-task-1-5"></a>
+ 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。
<a name="ai-professional-01-task-1-6"></a>
+ 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）。