Amazon Kendra ya no está abierto a nuevos clientes. Para obtener capacidades similares a Amazon Kendra, consulte las bases de conocimiento de Amazon Bedrock. Más información.

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Amazon Kendra Cambio de disponibilidad de de

Descripción general de

Tras considerarlo detenidamente, hemos tomado la decisión de Amazon Kendra ponerlo en modo de mantenimiento a partir del 30 de junio de 2026. A fecha de hoy, no se ha desarrollado ninguna función o capacidad nueva para el servicio y, a partir del 30 de julio de 2026, el servicio ya no estará disponible para nuevos clientes.

Durante el modo de mantenimiento, el servicio seguirá siendo totalmente compatible y AWS seguirá proporcionando correcciones de errores y actualizaciones de seguridad a los clientes actuales; sin embargo, ya no se tendrán en cuenta las solicitudes de nuevas funciones.

Recomendamos a los clientes que migren sus aplicaciones de Kendra e implementen cualquier aplicación de búsqueda nueva en la base de conocimientos gestionados de Amazon Bedrock (BMKB) para obtener capacidades similares a las de Kendra y funciones más avanzadas para los casos de uso de IA generativa y de IA agencial. Bedrock Managed Knowledge Base es una solución RAG totalmente gestionada, con conectores integrados, análisis inteligente, almacenamiento vectorial gestionado con búsqueda híbrida, además de la capacidad de generar respuestas (con una API de recuperación y generación) y realizar un razonamiento de varios pasos en varias bases de conocimiento (con una API de recuperación de agentes). BMKB también le brinda la posibilidad de ajustar las estrategias de fragmentación y los modelos de incrustación para optimizarlos para su aplicación específica, así como elegir el modelo base para la generación de respuestas. Este nuevo nivel de funciones y flexibilidad conlleva costes predecibles en función del tamaño de la base de conocimientos ingerida, el número de consultas realizadas y el uso del LLM.

Guía de migración

La migración de Amazon Bedrock Managed Knowledge Base (BMKB) Amazon Kendra a la base de conocimientos gestionados de Amazon Bedrock es posible con una planificación cuidadosa para la mayoría de las cargas de trabajo de RAG y búsquedas empresariales. No todas las funciones de Kendra están disponibles directamente en Bedrock Managed Knowledge Base, pero muchas se pueden implementar mediante soluciones alternativas. Esta guía proporciona una ruta de migración completa y paso a paso para que los clientes actuales de Kendra puedan realizar la transición de sus aplicaciones a BMKB, e incluye el mapeo de la arquitectura, la traducción de API, los ejemplos de código, el análisis de las brechas de funciones y las soluciones alternativas recomendadas.

Características de la base de conocimientos gestionada por Amazon Bedrock

BMKB administra toda la cartera de RAG de principio a fin. Es compatible con modelos de incrustación como Amazon Titan Text Embeddings V2, Cohere Embed English v3, Cohere Embed Multilingual v3, Cohere Embed v4 y Amazon Nova Multimodal Embeddings, todos ellos fijos en 1024 dimensiones con vectores float32. La tienda vectorial gestionada es gestionada en su totalidad por Bedrock, lo que elimina la necesidad de aprovisionar o gestionar Aurora u otras bases de datos vectoriales. OpenSearch Entre las estrategias de fragmentación se incluyen las siguientes: Default (tamaño fijo de aproximadamente 300 fichas), Fixed-size (maxTokens y OverlapPercentage configurables), jerárquica (padre-hijo con configuraciones de niveles) y sin fragmentación; las bases de conocimiento gestionadas no admiten la fragmentación semántica.

Actualmente, BMKB admite siete conectores de fuentes de datos: Amazon S3, Confluence, Microsoft, Web Crawler, Google Drive, Microsoft y un conector personalizado. SharePoint OneDrive El servicio siempre realiza una búsqueda híbrida (palabra clave más semántica) y no ofrece un modo de búsqueda exclusivamente semántica.

Pasos para realizar la migración

Configuración de la base de conocimientos gestionada de Amazon Bedrock

Paso 1: configurar las funciones de IAM

Cree un rol de IAM que conceda a Bedrock permiso para acceder a sus fuentes de datos e invocar modelos de incrustación. La política de confianza debe permitir a bedrock.amazonaws.com asumir el rol, y la política de permisos debe incluir el acceso a tus cubos de S3 y al modelo de incrustación seleccionado.

Configuración de IAM (código Python):

import boto3
import json

iam = boto3.client('iam')

trust_policy = {
    "Version": "2012-10-17",
    "Statement": [{
        "Effect": "Allow",
        "Principal": {"Service": "bedrock.amazonaws.com"},
        "Action": "sts:AssumeRole"
    }]
}

iam.create_role(
    RoleName="BedrockKBRole",
    AssumeRolePolicyDocument=json.dumps(trust_policy),
    Description="Role for Bedrock Managed Knowledge Base"
)

permissions_policy = {
    "Version": "2012-10-17",
    "Statement": [
        {
            "Effect": "Allow",
            "Action": ["s3:GetObject", "s3:ListBucket"],
            "Resource": [
                "arn:aws:s3:::your-bucket-name",
                "arn:aws:s3:::your-bucket-name/*"
            ]
        },
        {
            "Effect": "Allow",
            "Action": ["bedrock:InvokeModel"],
            "Resource": ["arn:aws:bedrock:*::foundation-model/amazon.titan-embed-text-v2:0"]
        }
    ]
}

iam.put_role_policy(
    RoleName="BedrockKBRole",
    PolicyName="BedrockKBPermissions",
    PolicyDocument=json.dumps(permissions_policy)
)
                

Paso 2: Crear una base de conocimientos gestionada

Utilice la CreateKnowledgeBase API con el tipo MANAGED para crear la base de conocimientos:

import boto3

bedrock_agent = boto3.client("bedrock-agent", region_name="us-east-1")

response = bedrock_agent.create_knowledge_base(
    name="my-managed-kb",
    description="Migrated from Kendra index",
    roleArn="arn:aws:iam::123456789012:role/BedrockKBRole",
    knowledgeBaseConfiguration={
        "type": "MANAGED",
        "managedKnowledgeBaseConfiguration": {
            "embeddingModelArn": "arn:aws:bedrock:us-east-1::foundation-model/amazon.titan-embed-text-v2:0",
            "embeddingModelConfiguration": {
                "bedrockEmbeddingModelConfiguration": {
                    "embeddingDataType": "FLOAT32"
                }
            }
        }
    }
)

kb_id = response["knowledgeBase"]["knowledgeBaseId"]
print(f"Created knowledge base: {kb_id}")
                

Paso 3: configurar las fuentes de datos

Cree una fuente de datos S3 con la configuración del conector administrado:

response = bedrock_agent.create_data_source(
    knowledgeBaseId=kb_id,
    name="my-s3-data-source",
    description="Product documentation from S3",
    dataSourceConfiguration={
        "type": "MANAGED_KNOWLEDGE_BASE_CONNECTOR",
        "managedKnowledgeBaseConnectorConfiguration": {
            "connectorParameters": {
                "type": "S3",
                "version": "1",
                "connectionConfiguration": {
                    "bucketName": "your-bucket-name",
                    "bucketOwnerAccountId": "123456789012"
                },
                "filterConfiguration": {
                    "inclusionPrefixes": ["documents/"]
                }
            }
        }
    },
    vectorIngestionConfiguration={
        "parsingConfiguration": {
            "parsingStrategy": "SMART_PARSING"
        }
    }
)

data_source_id = response["dataSource"]["dataSourceId"]
print(f"Created data source: {data_source_id}")
                

Paso 4: Iniciar y controlar la ingestión

Activa la ingesta de documentos y realiza una encuesta para completarlos:

import time

ingestion_response = bedrock_agent.start_ingestion_job(
    knowledgeBaseId=kb_id,
    dataSourceId=data_source_id,
    description="Initial ingestion"
)

ingestion_job_id = ingestion_response["ingestionJob"]["ingestionJobId"]
print(f"Started ingestion job: {ingestion_job_id}")

while True:
    job_response = bedrock_agent.get_ingestion_job(
        knowledgeBaseId=kb_id,
        dataSourceId=data_source_id,
        ingestionJobId=ingestion_job_id
    )
    job = job_response["ingestionJob"]
    status = job["status"]
    stats = job.get("statistics", {})

    print(f"Status: {status} | Scanned: {stats.get('numberOfDocumentsScanned', 0)} | "
          f"Indexed: {stats.get('numberOfNewDocumentsIndexed', 0)} | "
          f"Failed: {stats.get('numberOfDocumentsFailed', 0)}")

    if status == "COMPLETE":
        print("Ingestion complete!")
        break
    elif status in ("FAILED", "STOPPED"):
        print(f"Ingestion {status}: {job.get('failureReasons', [])}")
        break

    time.sleep(30)
                

Ejemplos de código y mapeo de migración de API

Mapeo de operaciones de API

Migración de la API Retrieve

Antes (Kendra):

kendra_client = boto3.client("kendra")

response = kendra_client.retrieve(
    IndexId="your-kendra-index-id",
    QueryText="How do I configure VPC endpoints?",
    AttributeFilter={
        "EqualsTo": {
            "Key": "_category",
            "Value": {"StringValue": "networking"}
        }
    },
    PageSize=10
)

for item in response["ResultItems"]:
    print(item["DocumentTitle"])
    print(item["Content"])
            

Después (BMKB):

bedrock_runtime = boto3.client("bedrock-agent-runtime", region_name="us-east-1")

response = bedrock_runtime.retrieve(
    knowledgeBaseId="your-kb-id",
    retrievalQuery={
        "text": "How do I configure VPC endpoints?"
    },
    retrievalConfiguration={
        "managedSearchConfiguration": {
            "numberOfResults": 10,
            "filter": {
                "equals": {
                    "key": "category",
                    "value": "networking"
                }
            }
        }
    }
)

for result in response["retrievalResults"]:
    print(f"Score: {result['score']}")
    print(f"Content: {result['content']['text']}")
    print(f"Source: {result['location']['s3Location']['uri']}")
            

Las principales diferencias son: el texto de la consulta pasa de AttributeFilter ser un parámetro de nivel superior a un campo de recuperación anidado, pasa a ser un filtro dentro del Query.text campo gestionado SearchConfiguration y los resultados incluyen un campo de puntuación de relevancia.

Utilización para RAG RetrieveAndGenerate

BMKB proporciona una capacidad RAG nativa que elimina la necesidad de llamar por separado a un LLM después de la recuperación:

response = bedrock_runtime.retrieve_and_generate(
    input={
        "text": "Explain how to configure VPC endpoints for S3 access"
    },
    retrieveAndGenerateConfiguration={
        "type": "KNOWLEDGE_BASE",
        "knowledgeBaseConfiguration": {
            "knowledgeBaseId": "your-kb-id",
            "modelArn": "arn:aws:bedrock:us-east-1::foundation-model/anthropic.claude-3-sonnet-20240229-v1:0",
            "retrievalConfiguration": {
                "managedSearchConfiguration": {
                    "numberOfResults": 5
                }
            }
        }
    }
)

# Generated answer with citations
print(response["output"]["text"])

# Source citations
for citation in response.get("citations", []):
    for ref in citation.get("retrievedReferences", []):
        print(f"Source: {ref['location']['s3Location']['uri']}")
            

Esta API devuelve una respuesta generada en lenguaje natural junto con citas que remiten a los documentos de origen, lo que proporciona un RAG integrado que Kendra no ofrece de forma nativa.

Filtro de metadatos y traducción de sintaxis

Brechas en las funciones y soluciones

No todas las funciones de Kendra están disponibles en BMKB. Las sugerencias de consultas, la búsqueda por facetas, los sinónimos personalizados, la revisión ortográfica, el aprendizaje incremental y el enriquecimiento de documentos son funciones que requieren soluciones en BMKB. En esta sección se describen estas soluciones.

Estrategia de migración de fuentes de datos

Brecha de cobertura del conector

Kendra admite 32 conectores nativos, mientras que BMKB admite 7. Para las fuentes de datos que BMKB no admite directamente, el enfoque recomendado es exportar el contenido a Amazon S3 y configurar una fuente de datos de S3 en BMKB.

Patrón de migración para conectores no compatibles: cree una canalización automatizada (con AWS Lambda, Step Functions o Amazon EventBridge Scheduler) que extraiga periódicamente el contenido del sistema de origen a través de su API, escriba documentos en un bucket de S3 con los archivos JSON sidecar adecuados de metadatos y active un trabajo de ingestión de BMKB. Esto replica el comportamiento de sincronización periódica de los conectores Kendra.

Migración de metadatos

Los atributos del documento de Kendra deben traducirse al formato de metadatos BMKB. En Kendra, los atributos se definen a nivel de índice y se adjuntan a los documentos durante la ingestión. En BMKB, los metadatos se definen mediante archivos sidecar .metadata.json que se almacenan junto con los documentos fuente en S3, con un tamaño máximo de 10 KB por archivo. Cada atributo debe escribirse como STRING, NUMBER o BOOLEAN.

Selección de estrategia de fragmentación

Al migrar desde Kendra (que gestiona la fragmentación internamente), debes elegir explícitamente una estrategia de fragmentación para BMKB. Para la mayoría de los escenarios de migración, la Fixed-size estrategia con 200 fichas y una superposición del 30% proporciona un buen punto de partida. Si sus documentos tienen una estructura jerárquica clara (capítulos, secciones, subsecciones), considere la posibilidad de dividirlos jerárquicamente para recuperar mejor tanto el contexto general como los detalles específicos.

Pruebas y validación

Para evaluar el rendimiento, ejecute Kendra y BMKB en paralelo. Envíe consultas idénticas a ambos servicios y compare los resultados utilizando las siguientes dimensiones: calidad de relevancia (medida por NDCG o MRR comparándola con un conjunto de pruebas de oro), latencia (tiempos de respuesta de 50, 95 y 99), rendimiento (consultas por segundo bajo carga) e integridad (porcentaje de documentos esperados recuperados).

Cree un arnés de prueba que evalúe la calidad de la recuperación:

def compare_retrieval(query, kendra_index_id, bmkb_kb_id):
    # Query Kendra
    kendra_results = kendra_client.retrieve(
        IndexId=kendra_index_id,
        QueryText=query,
        PageSize=10
    )

    # Query BMKB
    bmkb_results = bedrock_runtime.retrieve(
        knowledgeBaseId=bmkb_kb_id,
        retrievalQuery={"text": query},
        retrievalConfiguration={
            "managedSearchConfiguration": {"numberOfResults": 10}
        }
    )

    # Compare overlap in top-10 results
    kendra_docs = {r["DocumentId"] for r in kendra_results["ResultItems"]}
    bmkb_docs = {r["location"]["s3Location"]["uri"] for r in bmkb_results["retrievalResults"]}

    overlap = len(kendra_docs.intersection(bmkb_docs))
    print(f"Query: {query}")
    print(f"Result overlap: {overlap}/10 documents in common")
    return overlap
        

Antes de cambiar el tráfico de producción a BMKB, compruebe lo siguiente: todas las fuentes de datos estén ingeridas y actualizadas sin documentos fallidos; los filtros de metadatos producen los resultados esperados para todos los patrones de filtro de aplicaciones; las soluciones de control de acceso restringen correctamente el acceso no autorizado; los puntos de referencia de relevancia cumplen o superan la calidad básica de Kendra; la gestión de errores de las aplicaciones procesa correctamente los formatos de respuesta de BMKB; y la supervisión y las alertas están configuradas para los errores y la latencia de la API de BMKB.

Resumen

La migración de Amazon Kendra Bedrock Managed Knowledge Base requiere dos esfuerzos principales: volver a introducir las fuentes de datos en BMKB y reescribir el código de la aplicación para usar las API de BMKB. Si bien BMKB incorpora potentes RAG-native funciones, como la recuperación por agencias, los clientes que utilicen funciones de búsqueda empresarial, como la creación de facetas, las sugerencias de consultas, los sinónimos personalizados RetrieveAndGenerate y el aprendizaje gradual, deberán implementar soluciones alternativas, tal y como se describe en esta guía.

Si tiene más preguntas, póngase en contacto con el equipo de soporte. AWS