Erstellen Sie eine Wissensdatenbank, indem Sie eine Verbindung zu einer Datenquelle in Amazon Bedrock Knowledge Bases herstellen

Wenn Sie eine Wissensdatenbank erstellen, indem Sie eine Verbindung zu einer Datenquelle herstellen, richten Sie Folgendes ein oder geben Sie Folgendes an:

Allgemeine Informationen, die die Wissensdatenbank definieren und identifizieren
Die Servicerolle mit Berechtigungen für die Wissensdatenbank.
Konfigurationen für die Wissensdatenbank, einschließlich des Einbettungsmodells, das bei der Konvertierung von Daten aus der Datenquelle verwendet werden soll, Speicherkonfigurationen für den Dienst, in dem die Einbettungen gespeichert werden sollen, und optional eines S3-Speicherorts zum Speichern multimodaler Daten.

Anmerkung

Sie können keine Wissensdatenbank mit einem Root-Benutzer erstellen. Melden Sie sich mit einem IAM-Benutzer an, bevor Sie mit diesen Schritten beginnen.

Erweitern Sie den Abschnitt, der Ihrem Anwendungsfall entspricht:

Um eine Wissensdatenbank einzurichten

Melden Sie sich bei der AWS Management Console mit einer IAM-Identität an, die berechtigt ist, die Amazon Bedrock-Konsole zu verwenden. Öffnen Sie dann die Amazon Bedrock-Konsole unter https://console.aws.amazon.com/bedrock/.
Wählen Sie im linken Navigationsbereich Knowledge Bases aus.
Klicken Sie im Abschnitt Wissensdatenbanken auf die Schaltfläche „Erstellen“ und wählen Sie aus, ob Sie eine Wissensdatenbank mit einem Vektorspeicher erstellen möchten.
(Optional) Ändern Sie den Standardnamen und geben Sie eine Beschreibung für Ihre Wissensdatenbank ein.
Wählen Sie eine AWS Identity and Access Management (IAM-) Rolle, die Amazon Bedrock die Erlaubnis erteilt, auf andere erforderliche AWS Dienste zuzugreifen. Sie können Amazon Bedrock die Service-Rolle erstellen lassen oder Ihre eigene benutzerdefinierte Rolle verwenden, die Sie für Neptune Analytics erstellt haben.
Wählen Sie eine Datenquelle aus, mit der Sie Ihre Wissensdatenbank verbinden möchten.
(Optional) Fügen Sie Ihrer Wissensdatenbank Tags hinzu. Weitere Informationen finden Sie unter Verschlagwortung von Amazon Bedrock-Ressourcen.
(Optional) Konfigurieren Sie Dienste, für die Aktivitätsprotokolle für Ihre Wissensdatenbank bereitgestellt werden sollen.
Gehen Sie zum nächsten Abschnitt und folgen Sie den Schritten unterConnect eine Datenquelle mit Ihrer Wissensdatenbank, um eine Datenquelle zu konfigurieren.
Gehen Sie im Abschnitt Einbettungsmodell wie folgt vor:
1. Wählen Sie ein Einbettungsmodell aus, um Ihre Daten in Vektoreinbettungen zu konvertieren.
2. (Optional) Erweitern Sie den Abschnitt Zusätzliche Konfigurationen, um die folgenden Konfigurationsoptionen anzuzeigen (nicht alle Modelle unterstützen alle Konfigurationen):
  - Einbettungstyp — Gibt an, ob die Daten in Gleitkomma-Vektor-Einbettungen (Float32) (genauer, aber teurer) oder binäre Vektor-Einbettungen (weniger präzise, aber kostengünstiger) konvertiert werden sollen. Informationen darüber, welche Einbettungsmodelle binäre Vektoren unterstützen, finden Sie unter Unterstützte Einbettungsmodelle.
  - Vektorabmessungen — Höhere Werte verbessern die Genauigkeit, erhöhen jedoch die Kosten und die Latenz.
Gehen Sie im Bereich Vektordatenbank wie folgt vor:
1. Wählen Sie einen Vektorspeicher aus, um die Vektoreinbettungen zu speichern, die für die Abfrage verwendet werden. Ihnen stehen folgende Optionen zur Verfügung:
  - Erstellen Sie schnell einen neuen Vektorspeicher — wählen Sie einen der verfügbaren Vektorspeicher aus, den Amazon Bedrock erstellen soll. Sie können optional auch die AWS KMS Schlüsselverschlüsselung für Ihren Vector Store konfigurieren.
    
    Anmerkung
    Wenn Sie diese Option verwenden, übernimmt Amazon Bedrock automatisch die Platzierung der Metadaten für jeden Vektorspeicher.
    Amazon OpenSearch Serverless — Amazon Bedrock Knowledge Bases erstellt eine Amazon OpenSearch Serverless-Vektorsuchsammlung und einen Index und konfiguriert sie mit den erforderlichen Feldern für Sie.
    
    Amazon Aurora PostgreSQL Serverless — Amazon Bedrock richtet einen Amazon Aurora PostgreSQL Serverless Vector Store ein. Dieser Prozess nimmt unstrukturierte Textdaten aus einem Amazon S3 S3-Bucket, wandelt sie in Textblöcke und Vektoren um und speichert sie dann in einer PostgreSQL-Datenbank. Weitere Informationen finden Sie unter Schnelles Erstellen einer Aurora PostgreSQL-Wissensdatenbank für Amazon Bedrock.
    
    Amazon Neptune Analytics — Amazon Bedrock verwendet RAG-Techniken (Retrieval Augmented Generation) in Kombination mit Grafiken, um generative KI-Anwendungen zu verbessern, sodass Endbenutzer genauere und umfassendere Antworten erhalten können.
    
    Amazon S3 Vectors — Amazon Bedrock Knowledge Bases erstellt einen S3-Vektor-Bucket und einen Vektorindex, in dem die aus Ihren Datenquellen generierten Einbettungen gespeichert werden.
    
    Wichtig
    Die Amazon S3 Vectors-Integration mit Amazon Bedrock Knowledge Bases befindet sich in der Vorschauversion und kann sich ändern.
    
    Sie können eine Wissensdatenbank für Amazon S3 Vectors in allen AWS-Region Umgebungen erstellen, in denen sowohl Amazon Bedrock als auch Amazon S3 Vectors verfügbar sind. Informationen zur regionalen Verfügbarkeit finden Sie unter Amazon S3 Vectors im Amazon S3 S3-Benutzerhandbuch.
    
    Anmerkung
    Wenn Amazon Bedrock Knowledge Bases einen Vektorindex für Sie erstellt, können bis zu 40 KB an Metadaten für jeden Vektor angehängt werden. Innerhalb dieser 40 KB können bis zu 2 KB als filterbare Metadaten verwendet werden.
    Amazon Bedrock speichert den Text im nicht filterbaren Bereich als Schlüssel. AMAZON_BEDROCK_TEXT Die von Amazon Bedrock hinzugefügten Metadaten werden im filterbaren Metadatenbereich gespeichert. Weitere Informationen zu den Einschränkungen von S3-Vektor-Bucket-Metadaten finden Sie unter Voraussetzungen für die Verwendung von Amazon S3 Vectors mit Amazon Bedrock Knowledge Bases.
  - Wählen Sie einen von Ihnen erstellten Vektorspeicher aus — Wählen Sie einen unterstützten Vektorspeicher aus und identifizieren Sie die Vektorfeld- und Metadatenfeldnamen im Vektorindex. Weitere Informationen finden Sie unter Voraussetzungen für die Verwendung eines Vektorspeichers, den Sie für eine Wissensdatenbank erstellt haben.
    
    Anmerkung
    Wenn Ihre Datenquelle eine Confluence- SharePoint, Microsoft- oder Salesforce-Instance ist Amazon OpenSearch Serverless der einzige unterstützte Vector Store-Service.
2. (Optional) Erweitern Sie den Abschnitt Zusätzliche Konfigurationen und ändern Sie alle relevanten Konfigurationen.
Wenn Ihre Datenquelle Bilder enthält, geben Sie eine Amazon S3 S3-URI an, in der die Bilder gespeichert werden sollen, die der Parser aus den Daten im multimodalen Speicherziel extrahiert. Die Bilder können während der Abfrage zurückgegeben werden. Sie können auch optional einen vom Kunden verwalteten Schlüssel anstelle des Standardschlüssels Von AWS verwalteter Schlüssel zur Verschlüsselung Ihrer Daten wählen.

Anmerkung
Multimodale Daten werden nur mit Amazon S3 und benutzerdefinierten Datenquellen unterstützt.
Wählen Sie Weiter und überprüfen Sie die Details Ihrer Wissensdatenbank. Sie können jeden Abschnitt bearbeiten, bevor Sie mit der Erstellung Ihrer Wissensdatenbank fortfahren.

Anmerkung
Die Zeit, die für die Erstellung der Wissensdatenbank benötigt wird, hängt von Ihren spezifischen Konfigurationen ab. Wenn die Erstellung der Wissensdatenbank abgeschlossen ist, ändert sich der Status der Wissensdatenbank entweder in den Status „Bereit“ oder „Verfügbar“.
Sobald Ihre Wissensdatenbank fertig und verfügbar ist, synchronisieren Sie Ihre Datenquelle zum ersten Mal und wann immer Sie Ihre Inhalte auf dem neuesten Stand halten möchten. Wählen Sie Ihre Wissensdatenbank in der Konsole aus und klicken Sie im Bereich Datenquellenübersicht auf Synchronisieren.

Um eine Wissensdatenbank zu erstellen, senden Sie eine CreateKnowledgeBaseAnfrage mit einem Build-Time-Endpunkt von Agents for Amazon Bedrock.

Anmerkung

Wenn Sie es vorziehen, Amazon Bedrock einen Vector Store für Sie erstellen und verwalten zu lassen, verwenden Sie die Konsole. Für weitere Informationen erweitern Sie den Abschnitt Konsole verwenden in diesem Thema.

Die folgenden Felder sind erforderlich:

Feld	Grundlegende Beschreibung
Name	Ein Name für die Wissensdatenbank
roleArn	Der ARN einer Amazon Bedrock Knowledge Bases-Servicerolle.
knowledgeBaseConfiguration	Enthält Konfigurationen für die Wissensdatenbank. Einzelheiten finden Sie weiter unten.
Konfiguration des Speichers	(Nur erforderlich, wenn Sie eine Verbindung zu einer unstrukturierten Datenquelle herstellen).Enthält Konfigurationen für den Datenquellendienst, den Sie auswählen.

Die folgenden Felder sind optional:

Feld	Anwendungsfall
description	Eine Beschreibung für die Wissensdatenbank.
clientToken	Um sicherzustellen, dass die API-Anfrage nur einmal abgeschlossen wird. Weitere Informationen finden Sie unter Sicherstellung der Idempotenz.
tags	Um dem Flow Tags zuzuordnen. Weitere Informationen finden Sie unter Verschlagwortung von Amazon Bedrock-Ressourcen.

Geben Sie in dem knowledgeBaseConfiguration Feld, das einem KnowledgeBaseConfigurationObjekt zugeordnet ist, ein VectorKnowledgeBaseConfigurationObjekt VECTOR an und schließen Sie es ein. type Fügen Sie in das Objekt die folgenden Felder ein:

embeddingModelArn— Der ARN des zu verwendenden Einbettungsmodells.
embeddingModelConfiguration— Konfigurationen für das Einbettungsmodell. Informationen zu den möglichen Werten, die Sie für jedes unterstützte Modell angeben können, finden Sie unterUnterstützte Modelle und Regionen für Amazon Bedrock-Wissensdatenbanken.
(Wenn Sie beabsichtigen, multimodale Daten, zu denen Bilder, Abbildungen, Diagramme oder Tabellen gehören, in Ihre Wissensdatenbank aufzunehmen) supplementalDataStorageConfiguration — Ordnet einem SupplementalDataStorageLocationObjekt zu, in dem Sie den S3-Speicherort angeben, an dem die extrahierten Daten gespeichert werden sollen. Weitere Informationen finden Sie unter Parsing-Optionen für Ihre Datenquelle.

Geben Sie in dem storageConfiguration Feld, das einem StorageConfigurationObjekt zugeordnet ist, den Vektorspeicher an, mit dem Sie eine Verbindung herstellen möchten, und fügen Sie das Feld hinzu, das diesem Vektorspeicher entspricht. type Einzelheiten zu den Informationen, die Sie angeben müssen, finden Sie unter StorageConfigurationden einzelnen Vektorspeicher-Konfigurationstypen.

Im Folgenden sehen Sie eine Beispielanforderung zum Erstellen einer Wissensdatenbank, die mit einer Amazon OpenSearch Serverless-Sammlung verbunden ist. Die Daten aus verbundenen Datenquellen werden mit Amazon in binäre Vektoreinbettungen umgewandelt, Titan Text Embeddings V2 und die vom Parser extrahierten multimodalen Daten werden so eingerichtet, dass sie in einem Bucket namens gespeichert werden. MyBucket


PUT /knowledgebases/ HTTP/1.1
Content-type: application/json

{
   "name": "MyKB",
   "description": "My knowledge base",
   "roleArn": "arn:aws:iam::111122223333:role/service-role/AmazonBedrockExecutionRoleForKnowledgeBase_123",
   "knowledgeBaseConfiguration": {
      "type": "VECTOR",
      "vectorKnowledgeBaseConfiguration": { 
         "embeddingModelArn": "arn:aws:bedrock:us-east-1::foundation-model/amazon.titan-embed-text-v2:0",
         "embeddingModelConfiguration": { 
            "bedrockEmbeddingModelConfiguration": { 
               "dimensions": 1024,
               "embeddingDataType": "BINARY"
            }
         },
         "supplementalDataStorageConfiguration": { 
            "storageLocations": [ 
               { 
                  "s3Location": { 
                     "uri": "arn:aws:s3:::MyBucket"
                  },
                  "type": "S3"
               }
            ]
         }
      }
   },
   "storageConfiguration": { 
      "opensearchServerlessConfiguration": { 
         "collectionArn": "arn:aws:aoss:us-east-1:111122223333:collection/abcdefghij1234567890",
         "fieldMapping": { 
            "metadataField": "metadata",
            "textField": "text",
            "vectorField": "vector"
         },
         "vectorIndexName": "MyVectorIndex"
      }
   }
}

Themen

Warnung JavaScript ist in Ihrem Browser nicht verfügbar oder deaktiviert.

Zur Nutzung der AWS-Dokumentation muss JavaScript aktiviert sein. Weitere Informationen finden auf den Hilfe-Seiten Ihres Browsers.

Dokumentkonventionen

Konfiguration von OpenSearch Berechtigungen mit detaillierter Zugriffskontrolle

Eine Datenquelle Connect

Erstellen Sie eine Wissensdatenbank, indem Sie eine Verbindung zu einer Datenquelle in Amazon Bedrock Knowledge Bases herstellen

Anmerkung

Um eine Wissensdatenbank einzurichten

Anmerkung

Wichtig

Anmerkung

Anmerkung

Anmerkung

Anmerkung

Anmerkung

Themen