So erstellen Sie eine Amazon-Bedrock-Wissensdatenbank mit Diagrammen aus Amazon Neptune Analytics

Melden Sie sich bei der AWS-Managementkonsole mit einer IAM-Identität an, die zur Verwendung der Amazon-Bedrock-Konsole berechtigt ist. Öffnen Sie dann die Amazon-Bedrock-Konsole unter https://console.aws.amazon.com/bedrock.

Wählen Sie im linken Navigationsbereich Wissensdatenbank aus.

Wählen Sie im Abschnitt Wissensdatenbanken die Option Erstellen und dann Wissensdatenbank mit Vektorspeicher aus.

(Optional) Ändern Sie unter Details zur Wissensdatenbank den Standardnamen und geben Sie eine Beschreibung für Ihre Wissensdatenbank ein.

Wählen Sie im Abschnitt IAM-Berechtigungen eine IAM-Rolle aus, die Amazon Bedrock Berechtigungen zum Zugriff auf andere erforderliche AWS-Services gewährt. Sie können Amazon Bedrock die Servicerolle erstellen lassen oder Ihre eigene benutzerdefinierte Rolle verwenden, die Sie für Neptune Analytics erstellt haben. Ein Beispiel finden Sie unter Berechtigungen für den Zugriff auf Ihre Vektordatenbank in Amazon Neptune Analytics.

Stellen Sie sicher, dass Sie Amazon S3 als Datenquelle auswählen und klicken Sie dann auf Weiter, um Ihre Datenquelle zu konfigurieren.

Geben Sie die S3-URI der Datei an, die als Datenquelle für die Verbindung Ihrer Wissensdatenbank mit Amazon Neptune Analytics und für die Integration mit Amazon Neptune Analytics verwendet wird. Weitere Schritte und optionale Informationen, die Sie angeben können, finden Sie unter Verbinden einer Datenquelle mit der Wissensdatenbank.

Wählen Sie im Abschnitt Einbettungsmodell ein Einbettungsmodell aus, um Ihre Daten in Vektoreinbettungen umzuwandeln. Optional können Sie den Abschnitt Zusätzliche Konfigurationen verwenden, um die Vektordimensionen anzugeben. Als Einbettungstyp empfehlen wir die Verwendung von Gleitkomma-Vektoreinbettungen.

Wählen Sie im Abschnitt Vektordatenbank die Methode zum Erstellen des Vektorspeichers aus und wählen Sie dann Amazon Neptune Analytics (GraphRAG) als Ihren Vektorspeicher aus, um die Einbettungen zu speichern, die für die Abfrage verwendet werden. Sie erstellen Sie Ihren Vektorspeicher, indem Sie eine der folgenden Methoden verwenden:

Wählen Sie Weiter und überprüfen Sie die Details Ihrer Wissensdatenbank. Sie können jeden beliebigen Abschnitt bearbeiten, bevor Sie mit der Erstellung Ihrer Wissensdatenbank fortfahren.

Wählen Sie Wissensdatenbank erstellen aus. Während Amazon Bedrock die Wissensdatenbank erstellt, sollte Ihnen der Status In Bearbeitung angezeigt werden. Sie müssen warten, bis der Erstellungsvorgang abgeschlossen ist, bevor Sie eine Datenquelle synchronisieren können.

Nachdem Amazon Bedrock die Wissensdatenbank erstellt hat, folgen Sie den Anweisungen unter Verbinden einer Datenquelle mit der Wissensdatenbank, um Ihre Datenquelle zu konfigurieren.

Erstellen Sie zunächst eine Datenquelle mithilfe der Konfiguration zur Kontextanreicherung. Senden Sie eine CreateDataSource-Anfrage mit einem Build-Time-Endpunkt für Agenten für Amazon Bedrock. Im Folgenden wird ein Beispiel für einen CLI-Befehl gezeigt.

aws bedrock-agent create-data-source \
    --name graph_rag_source \
    --description data_source_for_graph_rag \
    --knowledge-base-id LDBBY2K5AG \
    --cli-input-json "file://input.json"

Im folgenden Code sehen Sie die Inhalte der input.json-Datei.

{
    "dataSourceConfiguration": { 
        "s3Configuration": { 
            "bucketArn": "arn:aws:s3:::<example-graphrag-datasets>",
            "bucketOwnerAccountId": "<ABCDEFGHIJ>",
            "inclusionPrefixes": [ <"example-dataset"> ]
        },
        "type": "S3",
    },
    "VectorIngestionConfiguration": {
        "contextEnrichmentConfiguration":
            "type": "BEDROCK_FOUNDATION_MODEL",
            "bedrockFoundationModelConfiguration": {
                "modelArn": "arn:aws:bedrock:<region>::foundation-model/anthropic.claude-3-haiku-20240307-v1:0",
                "enrichmentStrategyConfiguration": {
                    "method": "CHUNK_ENTITY_EXTRACTION"
            }
        }
    }
}

Um eine Wissensdatenbank zu erstellen, senden Sie eine CreateKnowledgeBase-Anfrage mit einem Build-Time-Endpunkt für Agenten für Amazon Bedrock. Im Folgenden wird ein Beispiel für einen CLI-Befehl gezeigt.

aws bi create-knowledge-base \
--name <"knowledge-base-graphrag"> \
--role-arn arn:aws:iam::<accountId>:role/<BedrockExecutionRoleForKnowledgeBase> \
--cli-input-json "file://input.json"

Im Folgenden werden die Inhalte der input.json-Datei angezeigt.

{
    "storageConfiguration": {
        "type": "NEPTUNE_ANALYTICS"
        "neptuneAnalyticsConfiguration": {
            "graphArn": "arn:aws:neptune-graph:<region>:<>:graph/<graphID>",
            "fieldMapping": {
                "metadataField": "metadata",
                "textField": "text"
            },
        }
    },
    "knowledgeBaseConfiguration": {
        "type": "VECTOR",
        "vectorKnowledgeBaseConfiguration": {
            "embeddingModelArn": "arn:aws:bedrock:<region>::foundation-model/cohere.embed-english-v3"
        }
    }
}

Wenn Ihre GraphRAG-basierte Anwendung läuft, können Sie die API-Operationen in Knowledge Bases weiterhin verwenden, um Endbenutzern umfassendere, relevantere und erklärbarere Antworten zu bieten. In den folgenden Abschnitten wird gezeigt, wie Sie die Aufnahme mit CLI-Befehlen starten und Abrufabfragen ausführen.