Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
catatan
Mengonfigurasi dan menjalankan fitur agen inline ada dalam rilis pratinjau untuk Amazon Bedrock dan dapat berubah sewaktu-waktu.
Sebelum Anda memanggil agen inline Anda, pastikan Anda telah menyelesaikan Prasyarat.
Untuk memanggil agen inline, kirim permintaan InvokeInlineAgentAPI dengan titik akhir waktu proses Agen untuk Amazon Bedrock dan sertakan bidang berikut secara minimal.
| Bidang | Kasus penggunaan |
|---|---|
| instruksi | Berikan instruksi yang memberi tahu agen inline apa yang harus dilakukan dan bagaimana ia harus berinteraksi dengan pengguna. |
| FoundationModel | Tentukan model dasar yang akan digunakan untuk orkestrasi oleh agen inline yang Anda buat. Misalnya, claude antropik, meta Llama3.1, dll. |
| sessionId | Pengidentifikasi unik sesi. Gunakan nilai yang sama di seluruh permintaan untuk melanjutkan percakapan yang sama. |
Bidang berikut adalah opsional:
| Bidang | Kasus penggunaan |
|---|---|
| ActionGroups | Daftar grup aksi dengan masing-masing kelompok tindakan yang menentukan tindakan yang dapat dilakukan agen inline. |
| Basis pengetahuan | Asosiasi basis pengetahuan dengan agen inline untuk menambah respons yang dihasilkan oleh model. |
| GuardrailConfiguration | Konfigurasi pagar pembatas untuk memblokir topik, mencegah halusinasi, dan menerapkan perlindungan untuk aplikasi Anda. |
| promptOverrideConfiguration | Konfigurasi untuk prompt lanjutan yang digunakan untuk mengganti prompt default. |
| AktifkanTrace | Tentukan whetehr untuk mengaktifkan jejak atau tidak untuk melacak proses penalaran agen inline. |
| Detik IdleSession TTLIn | Tentukan durasi setelah agen inline harus mengakhiri sesi dan menghapus informasi yang tersimpan. |
| customerEncryptionKeyArn | Tentukan ARN kunci KMS untuk mengenkripsi sumber daya agen, |
| EndSession | Tentukan apakah akan mengakhiri sesi dengan agen inline atau tidak. |
| inlineSessionState | Parameter yang menentukan berbagai atribut sesi. |
| InputTeks | Tentukan teks prompt untuk dikirim ke agen. |
| alasan_config | Untuk mengaktifkan penalaran model sehingga model menjelaskan bagaimana ia mencapai kesimpulannya. Gunakan di dalam additionalModelRequestFields bidang. Anda harus menentukan jumlah budget_tokens yang digunakan untuk penalaran model, yang merupakan bagian dari token output. Untuk informasi lebih lanjut, lihat Meningkatkan respons model dengan penalaran model. |
Contoh InvokeInlineAgent API berikut menyediakan konfigurasi agen inline lengkap termasuk model dasar, instruksi, grup tindakan dengan interpreter kode, pagar pembatas, dan basis pengetahuan.
response = bedrock_agent_runtime.invoke_inline_agent(
// Initialization parameters: cannot be changed for a conversation
sessionId='uniqueSessionId',
customerEncryptionKeyArn: String,
// Input
inputText="Hello, can you help me with a task?",
endSession=False,
enableTrace=True,
// Agent configurations
foundationModel='anthropic.claude-3-7-sonnet-20250219-v1:0',
instruction="You are a helpful assistant...",
actionGroups=[
{
'name': 'CodeInterpreterAction',
'parentActionGroupSignature': 'AMAZON.CodeInterpreter'
},
{
'actionGroupName': 'FetchDetails',
'parentActionGroupSignature': '',
"actionGroupExecutor": { ... },
"apiSchema": { ... },
"description": "string",
"functionSchema": { ... }
}
],
knowledgeBases=[
{
knowledgeBaseId: "string",
description: 'Use this KB to get all the info',
retrievalConfiguration: {
vectorSearchConfiguration: {
filter: { ... },
numberOfResults: number,
overrideSearchType: "string"
}
}
}
],
guardrailConfiguration={
guardrailIdentifier: 'BlockEverything',
gurardrailVersion: '1.0'
},
promptOverrideConfiguration: {...}
// session properties: persisted throughout conversation
inlineSessionState = {
sessionAttributes = { 'key': 'value' },
promptSessionAttributes = {k:v},
returnControlInvocationResults = {...},
invocationId = 'abc',
files = {...},
}
}Anda dapat memasukkan parameter penalaran model dalam permintaan. Berikut ini adalah contoh dari satu prompt yang mengaktifkan penalaran model di. additionalModelRequestFields
{
"basePromptTemplate": " ... ",
"inferenceConfiguration": {
"stopSequences": [
"</answer>"
]
},
"parserMode": "DEFAULT",
"promptCreationMode": "DEFAULT",
"promptState": "DISABLED",
"promptType": "ORCHESTRATION",
"additionalModelRequestFields":
"reasoning_config": {
"type": "enabled",
"budget_tokens": 1024
}
}