# 内容领域 2： 实施和集成
<a name="ai-professional-01-domain2"></a>

## 任务 2.1： 实施代理式 AI 解决方案和工具集成。
<a name="ai-professional-01-task-2-1"></a>
+ 技能 2.1.1： 开发智能化的自治系统，具备相应的内存和状态管理功能（例如，将 Strands Agents 与 AWS Agent Squad 结合用于多代理系统，使用 MCP 进行代理与工具的交互）。
+ 技能 2.1.2： 创建高级问题解决系统，赋予基础模型按照结构化推理步骤来分析和解决复杂问题的能力（例如，使用 Step Functions 实施 ReAct 模式和思维链推理方法）。
+ 技能 2.1.3： 开发具有保障措施的 AI 工作流，确保实现受控的基础模型行为（例如，使用 Step Functions 实施筛选停用词条件，使用 Lambda 函数实施超时机制，使用 IAM 策略强制实施资源边界，使用断路器来防范故障）。
+ 技能 2.1.4： 创建先进的模型协调系统，用于优化多种功能的性能（例如，使用专用基础模型执行复杂任务，使用自定义聚合逻辑进行模型组合，模型选择框架）。
+ 技能 2.1.5： 开发协作式 AI 系统，利用人员的专业知识增强基础模型能力（例如，使用 Step Functions 协调审核和审批流程，使用 API Gateway 实施反馈收集机制，人工增强模式）。
+ 技能 2.1.6： 实施智能工具集成来扩展基础模型功能，确保可靠的工具运行（例如，使用 Strands API 实施自定义行为，标准化函数定义，使用 Lambda 函数实施错误处理和参数验证方法）。
+ 技能 2.1.7： 开发模型扩展框架来增强基础模型能力（例如，使用 Lambda 函数实施无状态 MCP 服务器，提供轻量级工具访问；使用 Amazon ECS 实施 MCP 服务器，提供复杂的工具，使用 MCP 客户端库来确保一致的访问模式）。

## 任务 2.2： 实施模型部署策略。
<a name="ai-professional-01-task-2-2"></a>
+ 技能 2.2.1： 根据具体的应用程序需求和性能要求部署基础模型（例如，使用 Lambda 函数进行按需调用，Amazon Bedrock 预置吞吐量配置，使用 SageMaker AI 终端节点实施混合解决方案）。
+ 技能 2.2.2： 部署不同于传统 ML 部署的基础模型解决方案，解决大型语言模型 (LLM) 的独特挑战（例如，遵循专门的模型加载策略，实施基于容器的部署模式，针对内存要求、GPU 利用率和词元处理能力进行优化）。
+ 技能 2.2.3： 开发优化的基础模型部署方法，平衡生成式人工智能工作负载的性能和资源需求（例如，选择合适的模型，针对特定任务使用较小的预训练模型，使用基于 API 的模型级联来执行常规查询）。

## 任务 2.3： 设计和实施企业集成架构。
<a name="ai-professional-01-task-2-3"></a>
+ 技能 2.3.1： 创建企业连接解决方案，将基础模型功能无缝融入到现有的企业环境中（例如，对旧式系统使用基于 API 的集成，使用事件驱动型架构实施松耦合，数据同步模式）。
+ 技能 2.3.2： 开发集成式 AI 功能，使用生成式人工智能功能增强现有应用程序（例如，使用 API Gateway 实施微服务集成，将 Lambda 函数用作 Webhook 处理程序，使用 Amazon EventBridge 实施事件驱动型集成）。
+ 技能 2.3.3： 创建安全访问框架，确保实施了适当的安全控制措施（例如，在基础模型服务和企业系统之间使用身份联合验证，为模型和数据访问使用基于角色的访问控制，对基础模型采用最低权限 API 访问）。
+ 技能 2.3.4： 开发跨环境的 AI 解决方案，确保在各司法管辖区中的数据合规性，同时实现基础模型访问控制（例如，使用 AWS Outposts 进行本地数据集成，使用 AWS Wavelength 进行边缘部署，云服务与本地资源之间的安全路由）。
+ 技能 2.3.5： 实施 CI/CD 管道和生成式人工智能网关架构，在企业环境中实施安全且合规的使用模式（例如，使用 AWS CodePipeline、AWS CodeBuild；为持续部署使用自动化测试框架；使用安全扫描和回滚支持来测试生成式人工智能组件；集中式抽象层、可观测性和控制机制）。

## 任务 2.4： 实施基础模型 API 集成。
<a name="ai-professional-01-task-2-4"></a>
+ 技能 2.4.1： 创建灵活的模型交互系统（例如，使用 Amazon Bedrock API 管理来自各种计算环境的同步请求，使用特定于语言的 AWS SDK 和 Amazon SQS 进行异步处理，使用 API Gateway 为自定义 API 客户端提供请求验证）。
+ 技能 2.4.2： 开发实时 AI 交互系统，提供来自基础模型的即时反馈（例如，使用 Amazon Bedrock 流式传输 API 进行递增式回复交付，使用 WebSocket 或服务器发送的事件实时生成文本，使用 API Gateway 实施分块传输编码）。
+ 技能 2.4.3： 创建具有韧性的基础模型系统来确保可靠运行（例如，使用 AWS SDK 进行指数回退，使用 API Gateway 管理速率限制，利用回退机制实现优雅降级，使用 AWS X-Ray 提供跨服务边界的可观测性）。
+ 技能 2.4.4： 开发智能模型路由系统用以优化模型选择（例如，使用应用程序代码实施静态路由配置；使用 Step Functions 基于内容动态路由到专用基础模型；基于指标的智能模型路由；使用 API Gateway 通过请求转换实现路由逻辑）。

## 任务 2.5： 实施应用程序集成模式和开发工具。
<a name="ai-professional-01-task-2-5"></a>
+ 技能 2.5.1： 创建基础模型 API 接口，满足生成式人工智能工作负载的特定要求（例如，使用 API Gateway 处理流式回复，词元限制管理，处理模型超时的重试策略）。
+ 技能 2.5.2： 开发易于访问的 AI 接口来加快基础模型的采用和集成（例如，使用 AWS Amplify 开发声明式 UI 组件，适用于 API 优先开发方法的 OpenAPI 规范，使用 Amazon Bedrock 提示工作流管理器开发无代码工作流构建器）。
+ 技能 2.5.3： 创建业务系统增强功能（例如，使用 Lambda 函数实施客户关系管理 [CRM] 增强功能，使用 Step Functions 编排文档处理系统，使用 Amazon Q 企业版数据来源提供内部知识工具，使用 Amazon Bedrock 数据自动化来管理自动数据处理工作流）。
+ 技能 2.5.4： 提高开发人员工作效率，加快生成式人工智能应用程序开发工作流的速度（例如，使用 Amazon Q Developer 生成和重构代码，API 辅助代码建议，AI 组件测试，性能优化）。
+ 技能 2.5.5： 开发高级生成式人工智能应用程序来实施先进的 AI 功能（例如，使用 Strands Agents 和 AWS Agent Squad 实施 AWS 云原生的编排，使用 Step Functions 编排代理设计模式，使用 Amazon Bedrock 管理提示链模式）。
+ 技能 2.5.6： 提高基础模型应用程序的故障排除效率（例如，使用 CloudWatch Logs Insights 分析提示和回复，使用 X-Ray 跟踪 FM API 调用，使用 Amazon Q Developer 实施特定于生成式人工智能的错误模式识别）。