Esegui esempi di API richieste Amazon Bedrock utilizzando un notebook Amazon SageMaker - Amazon Bedrock
Elenca i modelli base che Amazon Bedrock ha da offrireInvia un messaggio di testo a un modello e genera una risposta

Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

Esegui esempi di API richieste Amazon Bedrock utilizzando un notebook Amazon SageMaker

Questa sezione ti guida a provare alcune operazioni comuni in Amazon Bedrock con un SageMaker notebook Amazon per verificare che le autorizzazioni dei ruoli Amazon Bedrock siano configurate correttamente. Prima di eseguire i seguenti esempi, è necessario verificare di aver soddisfatto i seguenti prerequisiti:

Prerequisiti

  • Si dispone di un Account AWS e disponi delle autorizzazioni per accedere a un ruolo con le autorizzazioni necessarie per Amazon Bedrock. Altrimenti, segui i passaggi indicati in. Ho già un Account AWS

  • Hai richiesto l'accesso al Amazon Titan Text G1 - Express modello. Altrimenti, segui i passaggi indicati inRichiedi l'accesso a un modello di base Amazon Bedrock.

  • Esegui i passaggi seguenti per configurare IAM le autorizzazioni SageMaker e creare un notebook:

    1. Modifica la politica di attendibilità del ruolo Amazon Bedrock configurato Ho già un Account AWS tramite la console CLI, oppure API. Allega la seguente politica di fiducia al ruolo per consentire sia ad Amazon Bedrock che ai SageMaker servizi di assumere il ruolo di Amazon Bedrock:

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

    2. Accedi al ruolo di Amazon Bedrock di cui hai appena modificato la politica di fiducia.

    3. Segui i passaggi in Crea un'istanza Amazon SageMaker Notebook per il tutorial e specifica il ARN ruolo Amazon Bedrock che hai creato per creare un'istanza SageMaker notebook.

    4. Quando lo stato dell'istanza del notebook è impostato su InService, scegli l'istanza e quindi scegli Apri JupyterLab.

Dopo aver aperto il SageMaker notebook, puoi provare i seguenti esempi:

Elenca i modelli base che Amazon Bedrock ha da offrire

L'esempio seguente esegue l'ListFoundationModelsoperazione utilizzando un client Amazon Bedrock. ListFoundationModelselenca i modelli base (FMs) disponibili in Amazon Bedrock nella tua regione. Esegui lo script seguente SDK per Python per creare un client Amazon Bedrock e testare il funzionamento: ListFoundationModels

# Use the ListFoundationModels API to show the models that are available in your region.
import boto3
             
# Create an &BR; client in the &region-us-east-1; Region.
bedrock = boto3.client(
    service_name="bedrock"
)

bedrock.list_foundation_models()

Se lo script ha esito positivo, la risposta restituisce un elenco di modelli base disponibili in Amazon Bedrock.

Invia un messaggio di testo a un modello e genera una risposta

L'esempio seguente esegue l'operazione Converse utilizzando un client Amazon Bedrock. Converseconsente di inviare un prompt per generare una risposta modello. Esegui lo script seguente SDK per Python per creare un client di runtime Amazon Bedrock e testare il funzionamento di Converse:

# Use the Conversation API to send a text message to Amazon Titan Text G1 - Express.

import boto3
from botocore.exceptions import ClientError

# Create an Amazon Bedrock Runtime client.
brt = boto3.client("bedrock-runtime")

# Set the model ID, e.g., Amazon Titan Text G1 - Express.
model_id = "amazon.titan-text-express-v1"

# Start a conversation with the user message.
user_message = "Describe the purpose of a 'hello world' program in one line."
conversation = [
    {
        "role": "user",
        "content": [{"text": user_message}],
    }
]

try:
    # Send the message to the model, using a basic inference configuration.
    response = brt.converse(
        modelId=model_id,
        messages=conversation,
        inferenceConfig={"maxTokens": 512, "temperature": 0.5, "topP": 0.9},
    )

    # Extract and print the response text.
    response_text = response["output"]["message"]["content"][0]["text"]
    print(response_text)

except (ClientError, Exception) as e:
    print(f"ERROR: Can't invoke '{model_id}'. Reason: {e}")
    exit(1)

Se il comando ha esito positivo, la risposta restituisce il testo generato dal modello in risposta al prompt.