RAG-Systeme mit Amazon Nova aufbauen

Retrieval Augmented Generation (RAG) optimiert die Ausgabe eines großen Sprachmodells (LLM), indem es vor der Generierung einer Antwort auf eine maßgebliche Wissensdatenbank außerhalb seiner Trainingsdatenquellen zurückgreift. Dieser Ansatz trägt dazu bei, das Modell mit aktuellen Informationen zu versorgen und es auf domainspezifische oder geschützte Daten zu gründen. Es bietet auch eine kontrollierbare Informationsquelle, mit der Sie Zugriffskontrollen für bestimmte Inhalte einrichten und Probleme in den Antworten beheben können.

RAG verbindet einen Generator (häufig ein LLM) über einen Retriever mit einer Inhaltsdatenbank (z. B. einem Wissensspeicher). Der Retriever ist dafür verantwortlich, relevante Informationen zu finden. In den meisten Unternehmensanwendungen ist die Inhaltsdatenbank ein Vektorspeicher, der Retriever ein Einbettungsmodell und der Generator ein LLM. Weitere Informationen finden Sie unter Retrieval Augmented Generation und Bedrock-Wissensdatenbanken.

Ein RAG-System besteht aus mehreren Komponenten. Dieses Handbuch konzentriert sich auf die Verwendung von Amazon Nova als LLM in einem beliebigen RAG-System.

Sie können Amazon-Nova-Modelle als LLM innerhalb eines Text-RAG-Systems verwenden. Mit Amazon-Nova-Modellen haben Sie die Flexibilität, ein RAG-System mit Amazon Bedrock-Wissensdatenbanken oder Ihr eigenes RAG-System aufzubauen. Sie können Ihre Wissensdatenbank auch mit einem Agenten in Amazon Bedrock-Agenten verknüpfen, um dem Agenten RAG-Funktionen hinzuzufügen. Weitere Informationen finden Sie unter Automatisieren von Aufgaben in Ihrer Anwendung mithilfe von Konversationsagenten.