修订
AWS 考试指南会定期进行审查与更新，以确保我们的认证考试所涵盖的技能、AWS 服务及功能，均与认证所针对的特定职位角色紧密相关。考试指南更新将提前大约一个月发布，此后这些更新才会体现在考试中。
更改记录
| 版本 | 发布日期 |
|---|---|
| 1.0 | 2026 年 3 月 26 日 |
| 1.1 | 2026 年 4 月 30 日 |
目标变更
| 版本 1.0 | 版本 1.1 |
|---|---|
| 目标 1.1.1： 定义基本的 AI 术语（例如：AI、ML、深度学习、神经网络、计算机视觉、自然语言处理 [NLP]、模型、算法、训练和推理、偏差、公平性、拟合、大型语言模型 [LLM]）。 | 目标 1.1.1： 定义基本的 AI 术语（例如：AI、ML、深度学习、神经网络、计算机视觉、自然语言处理 [NLP]、模型、算法、训练和推理、偏差、公平性、拟合、大型语言模型 [LLM]、生成式人工智能 [GenAI]、智能体 AI）。 |
| 目标 1.1.2： 描述 AI、ML、GenAI 和深度学习之间的异同。 | 目标 1.1.2： 描述 AI、ML、GenAI、深度学习和智能体 AI 之间的异同。 |
| 目标 1.1.3： 描述各种类型的推理（例如：批量推理、实时推理）。 | 目标 1.1.3： 描述各种类型的推理（例如：批量推理、实时推理、异步推理、无服务器推理）。 |
| 目标 1.1.5: 描述有监督学习、无监督学习和强化学习。 | 目标 1.1.5: 描述不同类型的 AI/ML 学习（例如：监督学习、无监督学习、强化学习方法）。 |
| 目标 1.2.4： 列举现实世界中的 AI 应用实例（例如：计算机视觉、自然语言处理、语音识别、推荐系统、欺诈检测、预测）。 | 目标 1.2.4： 列举现实世界中的 AI 应用实例（例如：计算机视觉、自然语言处理、语音识别、推荐系统、欺诈检测、预测分析、知识库、智能体 AI）。 |
| 目标 1.3.1： 描述 ML 管道的组件（例如：数据收集、探索性数据分析 [EDA]、数据预处理、特征工程、模型训练、超参数优化、模型评估、部署及监控）。 | 目标 1.3.1： 描述和区分 AI/ML 管道的组件。 |
| 目标 1.3.4： 针对 ML 管道的各个阶段，识别相应的 AWS 服务与功能（例如：SageMaker AI、SageMaker Data Wrangler、SageMaker Feature Store、SageMaker Model Monitor）。 | 目标 1.3.4： 确定 AI/ML 流水线每个阶段相关的 AWS 服务和功能（例如：Amazon Bedrock、Amazon Q、Amazon Quick、Kiro、SageMaker AI）。 |
| 目标 1.3.6： 描述模型性能指标（例如：准确率、曲线下面积 [AUC]、F1 分数）和业务指标（例如：每用户成本、开发成本、客户反馈、投资回报率 [ROI]），以对 ML 模型进行评估。 | 目标 1.3.6： 描述模型性能指标（例如：准确率、精确率、召回率、F1 分数）以及业务指标（例如：单用户成本、开发成本、客户反馈、投资回报率 [ROI]），以对 ML 模型进行评估。 |
| 目标 2.2.1： 描述 GenAI 的优势（例如：适应性、响应性、简单性）。 | 目标 2.2.1： 描述 GenAI 的优势（例如：适应性、响应能力、对话能力、生成内容的能力）。 |
| 目标 2.2.3： 识别在选择 GenAI 模型时需考量的因素（例如：模型类型、性能要求、能力、限制条件及合规性）。 | 目标 2.2.3： 识别在选择 GenAI 模型时需要考量的因素（例如：模型类型、性能要求、能力、限制、合规性、成本、延迟以及模型复杂度）。 |
| 目标 2.2.4： 确定 GenAI 应用程序的商业价值和关键指标（例如：跨领域性能、效率、转化率、每用户平均收入、准确率、客户生命周期价值）。 | 目标 2.2.4： 确定 GenAI 应用程序的商业价值与关键指标（例如：跨领域性能、投资回报率 [ROI]、效率、转化率、每用户平均收入 [ARPU]、准确率、客户生命周期价值）。 |
| 目标 2.3.1： 确定用于开发 GenAI 应用程序的 AWS 服务和功能（例如：Amazon SageMaker JumpStart、Amazon Bedrock PartyRock、Amazon Q、Amazon Bedrock 数据自动化）。 | 目标 2.3.1： 确定用于开发 GenAI 应用程序的 AWS服务和功能 （例如：Amazon Bedrock、Amazon SageMaker AI、SageMaker JumpStart、Amazon Quick，Kiro、Strands Agents、Amazon Bedrock AgentCore）。 |
| 目标 3.1.5： 解释 FM 定制的各种方法的成本权衡（例如：预训练、微调、上下文学习、RAG）。 | 目标 3.1.5： 解释 FM 定制的各种方法的成本权衡（例如：预训练、微调、上下文学习、RAG、模型蒸馏）。 |
| 目标 3.1.6： 描述代理在多步骤任务中的作用（例如：Amazon Bedrock 代理、代理式 AI、模型上下文协议）。 | 目标 3.1.6： 定义 AI 代理的角色，并描述其在商业领域的应用。 |
| 目标 3.4.1： 确定评估 FM 性能的方法（例如：人工评估、基准数据集、Amazon Bedrock 模型评估）。 | 目标 3.4.1： 确定评估 FM 性能的方法（例如：人工参与评估、基准数据集、Amazon Bedrock 模型评估）。 |
| 目标 3.4.2： 确定用于评估 FM 性能的相关指标（例如：面向召回率的要点提取评估指标 [ROUGE]、双语评估替补指标 [BLEU]、以及 BERTScore）。 | 目标 3.4.2： 确定评估 FM 性能的相关指标（例如：面向召回率的要点提取评估指标 [ROUGE]、双语评估替补指标 [BLEU]、BERTScore、 LLM 评审员）。 |
| 目标 4.2.2: 描述用于识别透明且可解释的模型的工具（例如：Amazon SageMaker 模型卡片、开源模型、数据、许可）。 | 目标 4.2.2: 描述用于识别透明且可解释模型的工具（例如：Amazon SageMaker Model Cards、SageMaker Clarify、Amazon Bedrock 模型评估、开源模型、数据、许可）。 |
| 目标 4.2.4： 描述以人为本的可解释 AI 设计原则。 | 目标 4.2.4： 描述以人为本的可解释 AI 设计原则（例如：用户反馈机制、AI 决策透明度）。 |
| 目标 5.1.1: 确定用于保护 AI 系统的 AWS 服务和功能（例如：IAM 角色、策略和权限；加密；Amazon Macie；AWS PrivateLink；AWS 责任共担模式）。 | 目标 5.1.1: 确定保护 AI 系统的AWS服务和功能（例如：IAM 角色、策略和权限；加密；Amazon Macie；AWSPrivateLink；AWS责任共担模型；Amazon Bedrock AgentCore 身份；AgentCore 中的政策；Amazon Bedrock Guardrails）。 |
| 目标 5.1.4： 描述 AI 系统的安全和隐私注意事项（例如：应用程序安全、威胁检测、漏洞管理、基础设施保护、提示注入、静态加密和传输中加密）。 | 目标 5.1.4： 描述 AI 系统的安全和隐私注意事项（例如：应用安全、威胁检测、漏洞管理、基础设施防护、提示注入、静态与传输中加密、数据防泄漏、输出过滤与验证、AI 交互的审计追踪与日志记录要求，以及有害性）。 |
新增目标
目标 1.2.6： 针对特定的用例，明确何时应选用传统 ML 模型，何时应选用基础模型（FM）（例如：基于监管考量、可解释性需求或运营约束等因素）。
目标 2.1.4： 描述基于代币的定价模型，及其对推理成本与性能的影响。
目标 2.1.5： 描述情境工程在 FM 应用程序中的作用。
目标 2.1.6： 定义基础性的智能体 AI 概念（例如：用于复杂 AI 应用的多智能体系统模式、模型上下文协议 [MCP] 及其在连接智能体与外部系统中的作用、多智能体通信模式、内存管理、工具使用以及工作流编排）。
目标 3.2.5： 描述利用 Amazon Bedrock Prompt Management 实现的提示词版本控制与管理策略。
目标 3.4.5： 确定用于衡量 AI 应用与业务目标一致性的指标（例如：任务完成率、用户满意度、单次交互成本）。
目标 5.1.5： 描述用于提升输出准确性的幻觉检测方法与事实依据确立技术（例如：检索增强生成 [RAG] 事实依据确立、输出验证、置信度评分）。
考试范围内和考试范围外服务的变更
添加到考试范围内列表中的服务
Amazon Aurora
Amazon Bedrock AgentCore
Kiro
Strands Agents
Amazon Q
Amazon SageMaker JumpStart
AWS Transform
从考试范围内列表中移除的服务
Amazon MemoryDB
从考试范围外列表中移除的服务
AWS DeepComposer
Amazon FinSpace
Amazon Honeycode
AWS IAM Identity Center
AWS Marketplace
AWS Organizations
Amazon WorkDocs
