Amazon Kendra n'est plus ouvert aux nouveaux clients. Pour des fonctionnalités similaires à Amazon Kendra, explorez les bases de connaissances Amazon Bedrock. En savoir plus.

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Amazon Kendra changement de disponibilité

Présentation de

Après mûre réflexion, nous avons pris la décision de passer Amazon Kendra en mode maintenance, à compter du 30 juin 2026. À cette date, il n'y a aucune nouvelle fonctionnalité ou développement de capacité pour le service et, à compter du 30 juillet 2026, le service n'est plus ouvert aux nouveaux clients.

Pendant le mode maintenance, le service reste entièrement pris en charge et AWS continuera à fournir des corrections de bogues et des mises à jour de sécurité pour les clients existants, mais les demandes de nouvelles fonctionnalités ne seront plus prises en compte.

Nous recommandons aux clients de migrer leurs applications Kendra et d'implémenter toute nouvelle application de recherche sur la base de connaissances gérée Amazon Bedrock (BMKB) pour bénéficier de fonctionnalités similaires à celles de Kendra et de fonctionnalités plus avancées pour les cas d'utilisation de l'IA générative et de l'IA agentique. Bedrock Managed Knowledge Base est une solution RAG entièrement gérée, dotée de connecteurs intégrés, d'une analyse intelligente, d'un magasin vectoriel géré avec recherche hybride, ainsi que de la possibilité de générer des réponses (avec une API Retrieve and Generate) et d'effectuer un raisonnement en plusieurs étapes dans plusieurs bases de connaissances (avec une API Agentic Retrieval). Le BMKB vous permet également d'ajuster les stratégies de segmentation et les modèles d'intégration pour les optimiser en fonction de votre application spécifique, ainsi que de choisir le modèle de base pour la génération de réponses. Ce nouveau niveau de fonctionnalités et de flexibilité s'accompagne de coûts prévisibles en fonction de la taille de la base de connaissances ingérée, du nombre de requêtes effectuées et de l'utilisation du LLM.

Conseils en matière de migration

La migration depuis la base Amazon Kendra de connaissances gérée Amazon Bedrock (BMKB) est réalisable pour la plupart des charges de travail RAG et de recherche d'entreprise, moyennant une planification minutieuse. Les fonctionnalités de Kendra ne sont pas toutes directement disponibles dans la base de connaissances gérée de Bedrock, mais nombre d'entre elles peuvent être mises en œuvre via des solutions de contournement. Ce guide fournit un chemin de migration complet, étape par étape, aux clients existants de Kendra pour la transition de leurs applications vers BMKB, y compris le mappage de l'architecture, la traduction des API, des exemples de code, une analyse des lacunes en matière de fonctionnalités et des solutions de contournement recommandées.

Fonctionnalités de la base de connaissances gérée Amazon Bedrock

La BMKB gère l'ensemble du pipeline RAG de bout en bout. Il prend en charge des modèles d'intégration tels qu'Amazon Titan Text Embeddings V2, Cohere Embed English v3, Cohere Embed Multilingual v3, Cohere Embed v4 et Amazon Nova Multimodal Embeddings, tous fixés à 1024 dimensions avec des vecteurs float32. Le magasin vectoriel géré est entièrement géré par Bedrock, ce qui élimine le besoin de provisionner ou de gérer OpenSearch Aurora ou d'autres bases de données vectorielles. Les stratégies de découpage incluent Default (taille fixe à environ 300 jetons), Fixed-size (maxTokens et overlapPercentage configurables), Hierarchical (configurations parent-enfant avec niveaux) et No Chunking ; le découpage sémantique n'est pas pris en charge pour les bases de connaissances gérées.

BMKB prend actuellement en charge sept connecteurs de sources de données : Amazon S3, Confluence, Microsoft SharePoint, Web Crawler, Google Drive OneDrive, Microsoft et un connecteur personnalisé. Le service effectue toujours une recherche hybride (mot clé et sémantique) et ne propose pas de mode de recherche uniquement sémantique.

Etapes de la migration

Configuration de la base de connaissances gérée Amazon Bedrock

Étape 1 : Configuration des rôles IAM

Créez un rôle IAM qui autorise Bedrock à accéder à vos sources de données et à invoquer des modèles d'intégration. La politique de confiance doit permettre à bedrock.amazonaws.com d'assumer ce rôle, et la politique d'autorisations doit inclure l'accès à vos compartiments S3 et au modèle d'intégration sélectionné.

Configuration IAM (code 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)
)
                

Étape 2 : Création d'une base de connaissances gérée

Utilisez l' CreateKnowledgeBase API avec le type MANAGED pour créer la base de connaissances :

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}")
                

Étape 3 : Configuration des sources de données

Créez une source de données S3 avec la configuration du connecteur géré :

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}")
                

Étape 4 : Démarrez et surveillez l'ingestion

Déclenchez l'ingestion de documents et un sondage pour finalisation :

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)
                

Mappage de migration d'API et exemples de code

Cartographie des opérations d'API

Migration de l'API Retrieve

Avant (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"])
            

Après (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']}")
            

Les principales différences sont les suivantes : le texte de la requête passe d'un paramètre de niveau supérieur à un Query.text champ de récupération imbriqué, AttributeFilter devient un filtre dans la gestion SearchConfiguration et les résultats incluent un champ de score de pertinence.

Utilisation RetrieveAndGenerate pour RAG

Le BMKB fournit une fonctionnalité RAG native qui élimine le besoin d'appeler séparément un LLM après la récupération :

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']}")
            

Cette API renvoie une réponse en langage naturel générée ainsi que des citations pointant vers les documents sources, fournissant un RAG intégré que Kendra ne propose pas de manière native.

Traduction de la syntaxe des filtres de métadonnées

Lacunes dans les fonctionnalités et solutions de contournement

Les fonctionnalités de Kendra ne sont pas toutes disponibles dans BMKB. Les suggestions de requêtes, la recherche à facettes, les synonymes personnalisés, la vérification orthographique, l'apprentissage incrémentiel et l'enrichissement des documents sont des fonctionnalités qui nécessitent des solutions de contournement dans BMKB. Cette section décrit ces solutions de contournement.

Stratégie de migration des sources de données

Écart de couverture du connecteur

Kendra prend en charge 32 connecteurs natifs tandis que BMKB en prend en charge 7. Pour les sources de données qui ne sont pas directement prises en charge par BMKB, l'approche recommandée consiste à exporter le contenu vers Amazon S3 et à configurer une source de données S3 dans BMKB.

Modèle de migration pour les connecteurs non pris en charge : créez un pipeline automatisé (à l'aide de AWS Lambda, Step Functions ou Amazon EventBridge Scheduler) qui extrait périodiquement le contenu du système source via son API, écrit des documents dans un compartiment S3 contenant des fichiers annexes JSON de métadonnées appropriés et déclenche une tâche d'ingestion BMKB. Cela reproduit le comportement de synchronisation périodique des connecteurs Kendra.

Migration des métadonnées

Les attributs du document Kendra doivent être traduits au format de métadonnées BMKB. Dans Kendra, les attributs sont définis au niveau de l'index et attachés aux documents lors de leur ingestion. Dans BMKB, les métadonnées sont définies via des fichiers annexes .metadata.json stockés avec les documents sources dans S3, avec une taille maximale de 10 Ko par fichier. Chaque attribut doit être saisi sous la forme STRING, NUMBER ou BOOLEAN.

Sélection de la stratégie de découpage

Lorsque vous migrez depuis Kendra (qui gère le découpage en interne), vous devez choisir explicitement une stratégie de découpage pour BMKB. Pour la plupart des scénarios de migration, la Fixed-size stratégie avec 200 jetons et 30 % de chevauchement constitue un bon point de départ. Si la structure hiérarchique de vos documents est claire (chapitres, sections, sous-sections), envisagez le découpage hiérarchique pour une meilleure extraction du contexte général et des détails spécifiques.

Tests et validation

Pour évaluer les performances, exécutez Kendra et BMKB en parallèle. Envoyez des requêtes identiques aux deux services et comparez les résultats à l'aide des dimensions suivantes : qualité de pertinence (mesurée par NDCG ou MRR par rapport à un ensemble de tests dorés), latence (temps de réponse p50, p95, p99), débit (requêtes par seconde en cours de chargement) et exhaustivité (pourcentage des documents attendus récupérés).

Créez un harnais de test qui évalue la qualité de la récupération :

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
        

Avant de transférer le trafic de production vers BMKB, vérifiez les points suivants : toutes les sources de données sont ingérées et à jour, sans aucun document défectueux ; les filtres de métadonnées produisent les résultats escomptés pour tous les modèles de filtres d'application ; les solutions de contournement du contrôle d'accès limitent correctement les accès non autorisés ; les tests de pertinence atteignent ou dépassent la qualité de base de Kendra ; la gestion des erreurs d'application traite correctement les formats de réponse BMKB ; et la surveillance et les alertes sont configurées pour les erreurs et la latence de l'API BMKB.

Résumé

La migration depuis Amazon Kendra Bedrock Managed Knowledge Base nécessite deux efforts principaux : réingérer les sources de données dans BMKB et réécrire le code de l'application pour utiliser les API BMKB. Alors que BMKB introduit de puissantes RAG-native fonctionnalités, notamment RetrieveAndGenerate la recherche agentique, les clients utilisant des fonctionnalités de recherche d'entreprise telles que le facettage, les suggestions de requêtes, les synonymes personnalisés et l'apprentissage incrémentiel devront mettre en œuvre des solutions de contournement décrites dans ce guide.

Veuillez contacter AWS le support pour toute question supplémentaire.