Wählen Sie das Graph-Konstruktionsmodell aus und aktualisieren Sie es So synchronisieren Sie Ihre Datenquellen So nehmen Sie Änderungen in Ihrer Wissensdatenbank auf Testen Ihrer Wissensbasis

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

GraphRAG ist vollständig in Wissensdatenbanken für Amazon Bedrock integriert und verwendet Amazon Neptune Analytics für Speicherung von Diagrammen und Vektoren. Sie können mit dem, dem oder dem AWS SDK beginnen AWS-Managementkonsole, GraphRag in Ihren Wissensdatenbanken zu verwenden. AWS CLI

Sie benötigen keine vorhandene Diagramminfrastruktur, um mit GraphRAG zu beginnen. Wissensdatenbanken für Amazon Bedrock verwaltet automatisch die Erstellung und Pflege der Diagramme aus Amazon Neptune. Das System erstellt und aktualisiert automatisch ein Diagramm, indem es Entitäten, Fakten und Beziehungen aus Dokumenten extrahiert, die Sie in Ihren Amazon-S3-Bucket hochladen. So können Sie Ihren Endbenutzern relevante Antworten geben, ohne Vorkenntnisse in der Diagrammmodellierung zu haben. Das Diagramm wird in Amazon Neptune Analytics gespeichert.

Wenn Sie eine Wissensdatenbank erstellen, richten Sie Folgendes ein oder geben 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 Service, in dem die Einbettungen gespeichert werden sollen.

Anmerkung

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

Im Folgenden wird gezeigt, wie Sie eine Wissensdatenbank für die Verwendung von Neptune GraphRAG von der Konsole aus und mithilfe der CLI erstellen.

Console

So erstellen Sie eine Wissensdatenbank für Neptune Analytics von der Konsole aus

Melden Sie sich AWS-Managementkonsole 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 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.

Anmerkung
Die Vektordimensionen des Einbettungsmodells müssen mit den Vektordimensionen übereinstimmen, die Sie bei der Erstellung des Neptune-Analytics-Diagramms angegeben haben.
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:
- Wir empfehlen Ihnen, die Methode Einen neuen Vektorspeicher schnell erstellen für einen schnellen Einstieg zu verwenden. Wählen Sie Amazon Neptune Analytics (GraphRAG) als Ihren Vektorspeicher aus. Für diese Option benötigen Sie keine vorhandenen Neptune-Analytics-Ressourcen. Die Wissensdatenbank generiert und speichert automatisch eingebettete Dokumente in Amazon Neptune sowie eine grafische Darstellung der Entitäten und ihrer Beziehungen, die aus dem Dokumentkorpus abgeleitet wird.
- Wenn Sie Ihr Neptune-Analytics-Diagramm und Ihren Vektorindex bereits erstellt haben, können Sie alternativ die Option Auswählen eines von Ihnen erstellten Vektorspeichers verwenden. Wählen Sie Amazon Neptune Analytics (GraphRAG) als Ihren Vektorspeicher aus und identifizieren Sie den Graph-ARN, die Vektorfeldnamen und die Metadatenfeldnamen im Vektorindex. Weitere Informationen finden Sie unter Voraussetzungen für die Verwendung eines Vektorspeichers, den Sie für eine Wissensdatenbank erstellt haben.
Wählen Sie im Abschnitt Modell für die Diagrammerstellung das Basismodell aus, das für das Extrahieren von Entitäten und Beziehungen aus Ihren Dokumenten während der Aufnahme verwendet werden soll. Die erforderlichen Berechtigungen für das ausgewählte Modell werden automatisch zur Knowledge Base-Servicerolle hinzugefügt.

Anmerkung
Einige Modelle werden nur durch regionsübergreifende Inferenzprofile unterstützt. Wenn Sie ein regionsübergreifendes Inferenzprofil in Amazon Bedrock aufrufen, stammen Ihre Anfrage und die zu erfassenden Daten aus einer Quellregion und werden automatisch an eine der in diesem Profil definierten Zielregionen weitergeleitet, um die Leistung zu optimieren. Die Zielregionen für globale regionenübergreifende Inferenzprofile umfassen alle kommerziellen Regionen. Beispielsweise könnten Sie das modelArn für einen regionsübergreifenden Anruf in den USA aus der Region us-west-2 mithilfe des Formats angeben. arn:aws:bedrock:us-west-2:account-id:inference-profile/us.anthropic.claude-haiku-4-5-20251001-v1:0

Eine Anleitung zur Verwendung von Inferenzprofilen zur Auswahl von Quell- und Zielregionen finden Sie unter Unterstützte Regionen und Modelle für Inferenzprofile. Ihre Daten werden nur in Ihrer Quellregion gespeichert, die der Amazon Bedrock-Wissensdatenbank und der Amazon Neptune Analytics-Instance entspricht. Die Zielregion wird nur für Inferenzzwecke verwendet.
Wählen Sie Weiter und überprüfen Sie die Details Ihrer Wissensdatenbank. Sie können jeden beliebigen Abschnitt bearbeiten, bevor Sie mit der Erstellung Ihrer Wissensdatenbank fortfahren.

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

API

Um eine Wissensdatenbank für Neptune Analytics zu erstellen, verwenden Sie die AWS CLI

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"
            }
        }
    }
}
```
Für die, die modelArn verwendet wird, um das Diagramm aus Ihren Dokumenten zu erstellen, können Sie Claude 3 Haiku (wie im vorherigen Beispiel gezeigt), Claude Haiku 4.5 und die Amazon Nova-Familie (einschließlich Nova 2- und Nova-Modelle mit Texteingabemodalität) verwenden. Die in Ihrer Region verfügbaren Foundation-Modelle finden Sie unter Unterstützte Foundation-Modelle in Amazon Bedrock.

Anmerkung
Einige Modelle werden nur durch regionsübergreifende Inferenzprofile unterstützt. Wenn Sie ein regionsübergreifendes Inferenzprofil in Amazon Bedrock aufrufen, stammen Ihre Anfrage und die zu erfassenden Daten aus einer Quellregion und werden automatisch an eine der in diesem Profil definierten Zielregionen weitergeleitet, um die Leistung zu optimieren. Die Zielregionen für globale regionenübergreifende Inferenzprofile umfassen alle kommerziellen Regionen. Beispielsweise könnten Sie das modelArn für einen regionsübergreifenden Anruf in den USA aus der Region us-west-2 mithilfe des Formats angeben. arn:aws:bedrock:us-west-2:account-id:inference-profile/us.anthropic.claude-haiku-4-5-20251001-v1:0

Informationen zu den Richtlinienanforderungen für die Verwendung von Inferenzprofilen in Ihrer Rolle finden Sie unter Voraussetzungen für regionsübergreifende Inferenzprofile. Eine Anleitung zur Verwendung von Inferenzprofilen zur Auswahl von Quell- und Zielregionen finden Sie unter Unterstützte Regionen und Modelle für Inferenzprofile. Ihre Daten werden nur in Ihrer Quellregion gespeichert, die der Amazon Bedrock-Wissensdatenbank und der Amazon Neptune Analytics-Instance entspricht. Die Zielregion wird nur für Inferenzzwecke verwendet.

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-based Anwendung ausgeführt wird, können Sie die API-Operationen der 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.

Wählen Sie das Graph-Konstruktionsmodell aus und aktualisieren Sie es

GraphRag verwendet während der Aufnahme ein Basismodell, um Entitäten und Beziehungen aus Ihren Dokumenten zu extrahieren. Sie wählen dieses Modell, wenn Sie eine Wissensdatenbank erstellen oder wenn Sie eine Datenquelle konfigurieren. Die Auswahl eines Graphkonstruktionsmodells ermöglicht automatisch die kontextuelle Anreicherung.

Wichtig

Fundamentmodelle können das Ende ihrer Lebensdauer erreichen oder veraltet sein. Zum Beispiel ist Claude 3 Haiku in den Legacy-Status übergegangen. Wir empfehlen, dass Sie ein derzeit unterstütztes Modell für die Diagrammerstellung auswählen. Informationen zum Überprüfen des Status verfügbarer Modelle finden Sie unter Modelllebenszyklus.

Wenn Sie ein Graphkonstruktionsmodell auswählen, werden die erforderlichen Berechtigungen automatisch zur Knowledge Base-Servicerolle hinzugefügt.

Einige Modelle sind nur über regionsübergreifende Inferenzprofile verfügbar.

Anmerkung

Bei Verwendung der regionsübergreifenden Inferenz stammen die zu erfassenden Daten aus einer Quellregion und werden zur Inferenz an eine Zielregion weitergeleitet. Daten werden nur in der Quellregion gespeichert, die der Amazon Bedrock-Wissensdatenbank und der Amazon Neptune Analytics-Instance entspricht.

Wählen Sie bei der Erstellung der Wissensdatenbank (Konsole) ein Modell

Wenn Sie in Schritt 3 des Workflows „Wissensdatenbank erstellen“ (Datenspeicherung und -verarbeitung konfigurieren) Amazon Neptune Analytics (GraphRag) als Vektorspeichertyp auswählen, wird der Abschnitt Modell für die Diagrammerstellung angezeigt. Wählen Sie Modell auswählen, um das Modell auszuwählen, das für das Extrahieren von Entitäten und Beziehungen aus Ihren Dokumenten während der Aufnahme verwendet werden soll.

Aktualisieren Sie das Modell auf einer vorhandenen Datenquelle (Konsole)

Navigieren Sie zur Detailseite der Knowledge Base. Wählen Sie im Abschnitt Datenquelle die Datenquelle aus und klicken Sie auf Bearbeiten. Wählen Sie auf der Bearbeitungsseite unter Modell für die Diagrammerstellung ein neues Modell aus. Wählen Sie Absenden aus, um Ihre Änderungen zu speichern.

Wählen Sie bei der Erstellung der Wissensdatenbank (API) ein Modell

Wenn Sie eine Datenquelle über die CreateDataSource API erstellen, geben Sie das modelArn im bedrockFoundationModelConfiguration Inneren ancontextEnrichmentConfiguration. Ein vollständiges Beispiel finden Sie auf der Registerkarte API im Abschnitt zur Erstellung oben.

Aktualisieren Sie das Modell auf einer vorhandenen Datenquelle (API)

Verwenden Sie den update-data-source Befehl, um das Graphkonstruktionsmodell auf einer vorhandenen Datenquelle zu aktualisieren. Das folgende Beispiel zeigt, wie ein neuer Modell-ARN in der angegeben wirdcontextEnrichmentConfiguration.


aws bedrock-agent update-data-source \
    --data-source-id data-source-id \
    --knowledge-base-id knowledge-base-id \
    --name data-source-name \
    --data-source-configuration '{"type":"S3","s3Configuration":{"bucketArn":"arn:aws:s3:::bucket-name"}}' \
    --vector-ingestion-configuration '{"contextEnrichmentConfiguration":{"type":"BEDROCK_FOUNDATION_MODEL","bedrockFoundationModelConfiguration":{"modelArn":"model-arn","enrichmentStrategyConfiguration":{"method":"CHUNK_ENTITY_EXTRACTION"}}}}' \
    --region region

Um beispielsweise Claude Haiku 4.5 über ein US-based regionsübergreifendes Inferenzprofil aus der us-west-2 Region zu verwenden, geben Sie Folgendes modelArn im folgenden Format an:


arn:aws:bedrock:us-west-2:account-id:inference-profile/us.anthropic.claude-haiku-4-5-20251001-v1:0

Informationen zu den Richtlinienanforderungen für die Verwendung von Inferenzprofilen durch Ihre Rolle finden Sie unter Voraussetzungen für regionsübergreifende Inferenzprofile. Eine Anleitung zur Verwendung von Inferenzprofilen zur Auswahl von Quell- und Zielregionen finden Sie unter Unterstützte Regionen und Modelle für Inferenzprofile.

So synchronisieren Sie Ihre Datenquellen

Nachdem Sie Ihre Wissensdatenbank erstellt haben, nehmen Sie Ihre Daten auf oder synchronisieren, damit die Daten abgefragt werden können. Bei der Aufnahme werden die Diagrammstruktur extrahiert und die Rohdaten in Ihrer Datenquelle auf Grundlage des von Ihnen angegebenen Vektoreinbettungsmodells und der von Ihnen angegebenen Konfigurationen in Vektoreinbettungen umgewandelt.

Der folgende Befehl zeigt ein Beispiel für das Starten einer Aufnahmeaufgabe mithilfe der CLI.


aws bedrock-agent start-ingestion-job \
--data-source-id <"ABCDEFGHIJ"> \
--knowledge-base-id <"EFGHIJKLMN">

Weitere Informationen sowie Anleitungen zum Synchronisieren Ihrer Datenquelle über die Konsole und die API finden Sie unter Synchronisieren Sie Ihre Datenquelle mit Ihrer Amazon Bedrock-Wissensdatenbank.

So nehmen Sie Änderungen in Ihrer Wissensdatenbank auf

Wenn Sie Amazon S3 als Ihre Datenquelle verwenden, können Sie Ihre Datenquelle in einem Schritt modifizieren und synchronisieren. Mit der direkten Aufnahme können Sie Dateien in einer Wissensdatenbank direkt mit einer einzigen Aktion hinzufügen, aktualisieren oder löschen, und Ihre Wissensdatenbank kann auf Dokumente zugreifen, ohne dass eine Synchronisierung erforderlich ist. Die direkte Aufnahme verwendet Operationen der KnowledgeBaseDocuments-API, um die Dokumente, die Sie einreichen, direkt in dem für die Wissensdatenbank eingerichteten Vektorspeicher zu indexieren. Sie können die Dokumente in Ihrer Wissensbasis auch direkt mit diesen Vorgängen anzeigen, ohne zur verbundenen Datenquelle navigieren zu müssen. Weitere Informationen finden Sie unter So nehmen Sie Änderungen direkt in eine Wissensdatenbank auf.

Testen Ihrer Wissensbasis

Nachdem Sie nun Ihre Wissensdatenbank eingerichtet haben, können Sie sie testen, indem Sie Anfragen senden und Antworten generieren.

Im Folgenden Code wird ein Beispiel für einen CLI-Befehl gezeigt.


aws bedrock-agent-runtime retrieve \
--knowledge-base-id <"ABCDEFGHIJ"> \
--retrieval-query="{\"text\": \"What are the top three video games available now?\"}"

Weitere Informationen finden Sie unter So fragen Sie eine Wissensdatenbank ab, die mit einem Diagramm aus Amazon Neptune Analytics verbunden ist.

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

So bauen Sie eine Wissensdatenbank mit Diagrammen aus Amazon Neptune Analytics auf

Testen Ihrer Wissensdatenbank mit Abfragen und Antworten