Beispiele SDK für Amazon Bedrock Agents Runtime mit Python (Boto3) - AWS SDKCode-Beispiele
AktionenSzenarien

Weitere AWS SDK Beispiele sind im Repo AWS Doc SDK Examples GitHub verfügbar.

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Beispiele SDK für Amazon Bedrock Agents Runtime mit Python (Boto3)

Die folgenden Codebeispiele zeigen Ihnen, wie Sie mithilfe der Runtime AWS SDK for Python (Boto3) mit Amazon Bedrock Agents Aktionen ausführen und allgemeine Szenarien implementieren.

Aktionen sind Codeauszüge aus größeren Programmen und müssen im Kontext ausgeführt werden. Aktionen zeigen Ihnen zwar, wie Sie einzelne Servicefunktionen aufrufen, aber Sie können Aktionen im Kontext der zugehörigen Szenarien sehen.

Szenarien sind Codebeispiele, die Ihnen zeigen, wie Sie bestimmte Aufgaben ausführen, indem Sie mehrere Funktionen innerhalb eines Dienstes oder in Kombination mit anderen aufrufen AWS-Services.

Jedes Beispiel enthält einen Link zum vollständigen Quellcode, in dem Sie Anweisungen zum Einrichten und Ausführen des Codes im Kontext finden.

Aktionen

Das folgende Codebeispiel zeigt die VerwendungInvokeAgent.

SDKfür Python (Boto3)
Anmerkung

Es gibt noch mehr dazu. GitHub Sie sehen das vollständige Beispiel und erfahren, wie Sie das AWS -Code-Beispiel-Repository einrichten und ausführen.

Rufen Sie einen Agenten an.

    def invoke_agent(self, agent_id, agent_alias_id, session_id, prompt):
        """
        Sends a prompt for the agent to process and respond to.

        :param agent_id: The unique identifier of the agent to use.
        :param agent_alias_id: The alias of the agent to use.
        :param session_id: The unique identifier of the session. Use the same value across requests
                           to continue the same conversation.
        :param prompt: The prompt that you want Claude to complete.
        :return: Inference response from the model.
        """

        try:
            # Note: The execution time depends on the foundation model, complexity of the agent,
            # and the length of the prompt. In some cases, it can take up to a minute or more to
            # generate a response.
            response = self.agents_runtime_client.invoke_agent(
                agentId=agent_id,
                agentAliasId=agent_alias_id,
                sessionId=session_id,
                inputText=prompt,
            )

            completion = ""

            for event in response.get("completion"):
                chunk = event["chunk"]
                completion = completion + chunk["bytes"].decode()

        except ClientError as e:
            logger.error(f"Couldn't invoke agent. {e}")
            raise

        return completion

  • APIEinzelheiten finden Sie unter InvokeAgentPython (Boto3) API -Referenz.AWS SDK

Szenarien

Das folgende Codebeispiel zeigt, wie generative KI-Anwendungen mit Amazon Bedrock und Step Functions erstellt und orchestriert werden.

SDKfür Python (Boto3)

Das Szenario Amazon Bedrock Serverless Prompt Chaining zeigt AWS Step Functions, wie Amazon Bedrock verwendet werden https://docs.aws.amazon.com/bedrock/latest/userguide/agents.html kann, um komplexe, serverlose und hoch skalierbare generative KI-Anwendungen zu erstellen und zu orchestrieren. Es enthält die folgenden Arbeitsbeispiele:

  • Schreiben Sie eine Analyse eines bestimmten Romans für einen Literatur-Blog. Dieses Beispiel veranschaulicht eine einfache, sequentielle Kette von Eingabeaufforderungen.

  • Generieren Sie eine Kurzgeschichte zu einem bestimmten Thema. Dieses Beispiel zeigt, wie die KI eine zuvor generierte Liste von Elementen iterativ verarbeiten kann.

  • Erstellen Sie eine Reiseroute für einen Wochenendurlaub zu einem bestimmten Ziel. Dieses Beispiel zeigt, wie mehrere unterschiedliche Eingabeaufforderungen parallelisiert werden.

  • Präsentieren Sie Filmideen einem menschlichen Benutzer, der als Filmproduzent fungiert. Dieses Beispiel zeigt, wie dieselbe Aufforderung mit unterschiedlichen Inferenzparametern parallelisiert wird, wie man zu einem vorherigen Schritt in der Kette zurückkehrt und wie menschliche Eingaben in den Arbeitsablauf einbezogen werden können.

  • Planen Sie eine Mahlzeit auf der Grundlage der Zutaten, die der Benutzer zur Hand hat. Dieses Beispiel zeigt, wie Prompt-Chains zwei unterschiedliche KI-Konversationen beinhalten können, bei denen zwei KI-Personas miteinander debattieren, um das Endergebnis zu verbessern.

  • Finden Sie das Archiv mit den meisten Trends GitHub von heute und fassen Sie es zusammen. Dieses Beispiel veranschaulicht die Verkettung mehrerer KI-Agenten, die mit externen Agenten interagieren. APIs

Den vollständigen Quellcode und Anweisungen zur Einrichtung und Ausführung finden Sie im vollständigen Projekt unter GitHub.

In diesem Beispiel verwendete Dienste

  • Amazon Bedrock

  • Amazon Bedrock Runtime

  • Agenten von Amazon Bedrock

  • Laufzeit von Amazon Bedrock Agents

  • Step Functions