AWS 入门
语言中文
机器学习

使用 Amazon Bedrock Knowledge Bases 构建 RAG 应用 - 检索增强生成的实现

自动索引 S3 上的文档，通过 RetrieveAndGenerate API 整合检索与生成。介绍分块策略的选择以及通过 Guardrails 确保安全性的方法。

阅读约需 2 分钟

RAG 模式与 Knowledge Bases 概述

RAG（Retrieval-Augmented Generation）是用外部知识增强大语言模型（LLM）回答的模式。LLM 单独无法回答训练数据中不包含的最新信息或企业内部特有信息，而 RAG 通过检索与问题相关的文档，将其内容作为上下文传递给 LLM，从而生成准确且有依据的回答。Bedrock Knowledge Bases 以托管方式提供这种 RAG 模式，整合了文档索引化、向量检索和 LLM 回答生成。

数据源与分块策略

指定 S3 存储桶作为数据源，自动索引 PDF、HTML、Markdown、Word、CSV 等文档。文档被分割为块（片段），每个块被向量化后存储到向量存储中。分块策略是直接影响检索精度的重要设计决策。固定大小分块按指定字符数均匀分割，简单但可能切断上下文。语义分块基于句子的语义关联进行分割，在保持上下文方面表现优异。层次化分块采用父块（大范围上下文）和子块（详细信息）的两层结构，检索时通过子块匹配，向 LLM 传递父块的广泛上下文以提高精度。

API 使用方法与 Guardrails 集成

RetrieveAndGenerate API 接收问题文本，在一次 API 调用中完成相关文档检索和 LLM 回答生成。响应中包含生成的回答以及作为回答依据的源文档引用信息（S3 URI、相关段落）。Retrieve API 仅执行检索，用于在应用端加工获取的块后再传递给 LLM 的自定义流程。将 Guardrails 应用于 Knowledge Bases 后，在回答生成时会自动应用内容过滤（阻止不当内容）、PII 脱敏（自动去除个人信息）和拒绝话题（定义拒绝回答的话题）。

Knowledge Bases 的费用

Knowledge Bases 的费用由文档索引化（向量化）和查询两部分构成。向量化按所使用的嵌入模型（Titan Embeddings V2 每 1,000 token 约 0.00002 美元）计费（截至 2026 年 8 月）。查询时除嵌入模型费用外，还产生回答生成所用 LLM（Claude 3 Haiku 每 1,000 输入 token 约 0.00025 美元）的费用。使用 OpenSearch Serverless 作为向量存储时，OCU（OpenSearch Compute Unit）的按时计费（每 OCU 约 0.24 美元/小时）是主要成本因素。可选择 Pinecone 或 Aurora PostgreSQL pgvector 作为替代向量存储来优化成本。

向量存储的选择

RAG 的检索性能和成本取决于如何选择保存向量的存储。使用托管的检索基础设施，构建的工作量少，可以立即开始，但会按运行时间产生费用。如果采用在现有关系型数据库中加入向量扩展的方式，就可以把运维集中到现有基础设施上，数据量为小到中等规模时，更容易控制成本。还有选择外部专用向量数据库这一选项。根据数据量、检索频率和可接受的运维负担，选择符合需求的存储，是构建高性价比 RAG 的起点。

检索精度的改善

RAG 的回答质量取决于能否准确取出相关的块。为块添加元数据，使其可以按文档类型或日期进行筛选，就能防止无关信息混入。将基于语义相近度的向量检索与查看关键词是否一致的检索结合起来，对专有名词和型号这类严格的词语也能很好地应对。如果插入重新排序，按相关度调整获取的候选的先后，就能把真正相关的内容集中到前面。提高检索阶段的精度，直接关系到最终回答的准确性。

回答质量与引用的运用

RAG 的一大优势是能够展示作为回答依据的出处。在生成的回答中附上所参考文档的位置和相关段落，用户就能自己确认内容的真伪。这是针对幻觉（说出看似合理却错误的内容）的有效对策。检索未能得到充分依据时，不勉强回答、而是返回“不知道”的设计也是重要的。定期评估回答的准确性，并建立发现和改进错误多的模式的机制，就能将其培养成值得信赖的 RAG 应用。

数据的更新与运维

知识库只有跟随源数据的变化，才能保持其价值。S3 中的文档更新后，同步索引以反映最新状态。如果不是全部重建，而是只导入变更部分，就能抑制更新的成本和时间。对于包含敏感信息的文档，结合限制可参阅用户的访问控制，防止内容泄露给没有权限的人。将哪些数据、在何时、向哪个范围的用户公开定为运维规则，就能维持安全且始终新鲜的知识库。

总结

Bedrock Knowledge Bases 是以托管方式实现 RAG 模式的服务。自动索引 S3 上的文档，通过 RetrieveAndGenerate API 整合检索与生成。通过优化分块策略和应用 Guardrails，可构建准确且安全的 RAG 应用。

参考资料（AWS 官方）

本页的第一手信息来源是 AWS 官方网站及官方文档。最新的规格与价格请以下列官方页面为准。

如本页内容与官方文档不一致，请以官方文档为准。

分享

相关服务

Amazon Bedrock 热门通过 API 使用主流基础模型的全托管生成式 AI 服务Amazon S3 经典具有高耐久性和可扩展性的对象存储服务Amazon OpenSearch Service 热门轻松实现日志分析和全文搜索的托管搜索与分析服务

相关文章

使用 Amazon Q Business 构建企业级 AI 助手 - 企业内部知识搜索与业务自动化连接企业内部文档、Confluence、SharePoint 等数据源，实现基于 RAG 的企业内部搜索与问答。本文讲解如何通过护栏和访问控制构建用于安全利用生成式 AI 的基础。用 Amazon SageMaker 构建 ML 平台 - 从模型构建到部署介绍从 Studio 开发到托管 Spot 训练、Pipelines 实现 MLOps、Model Monitor 数据漂移检测，整合 ML 全生命周期的方法。数据搜索与分析实践 - 通过 OpenSearch 构建全文搜索与可视化基础设施解说利用 Amazon OpenSearch Service 的数据搜索与分析设计方法，介绍通过全文搜索、日志分析和仪表板可视化构建分析基础设施的方法。

本主题的更多内容

使用 AWS Batch 执行基于 GPU 的机器学习训练 - 高性价比的大规模训练方案利用现有 Docker 容器执行 GPU 训练，通过 Spot 实例与检查点机制将成本最高降低 90%。同时介绍与 SageMaker 的使用场景区分。在 Amazon Bedrock 中使用 Claude - 从模型选择到提示词设计与成本优化介绍 Amazon Bedrock 中可用的 Anthropic Claude 模型特性对比、按使用场景的模型选择指南、提示词设计最佳实践以及成本优化方法。使用 Amazon Braket 入门量子计算 - 量子电路的设计与模拟用本地模拟器免费进行原型开发，并在 IonQ、Rigetti 的真机上运行量子电路。介绍用混合作业实现 VQE 和 QAOA 的方法。AWS Clean Rooms ML 隐私保护型机器学习 - 无需共享数据即可构建模型详细介绍通过 Clean Rooms ML 构建相似人群模型、应用差分隐私以及在广告定向投放中的实际应用。使用 Amazon Comprehend 实现自然语言处理 - 情感分析与实体提取的活用详解 Comprehend 的情感分析、实体提取以及自定义分类模型的构建。对话式机器人构建 - 使用 Amazon Lex 和 Polly 实现自然的会话界面讲解利用 Amazon Lex 和 Amazon Polly 构建对话式机器人的方法。文档文本提取 - 通过 Amazon Textract 和 Comprehend 实现智能文档处理解说通过 Amazon Textract 从文档中自动提取文本、表格和表单数据，以及与 Comprehend 联动实现的自然语言处理集成。介绍从发票处理到合同分析的实践用例。边缘计算机视觉 - AWS Panorama（已终止提供）与现场 AI 分析的替代配置AWS Panorama 已于 2026 年 5 月 31 日终止提供。解说在现场用 AI 分析现有 IP 摄像头的配置的替代方案（SageMaker + NVIDIA Jetson 系列设备 + IoT Greengrass），以及提供期间的机制。

相似的文章与服务

GenAI 基础知识 (AWS Certified AI Practitioner)在本领域中，你将学习生成式 AI 的基础模型（Foundation Model）概念，Transformer 与 LLM 的特点，提示工程的基础，Retrieval-Augmented Generation（RAG）、微调等核心技术，以及令牌、上下文窗口、推理参数、嵌入等使用 LLM 时的基本概念。这是占 AIF-C01 出题比例 24% 的高频领域，也是当代 AI 应用的核心主题。生成式 AI 平台 - 通过 Amazon Bedrock 构建企业级 AI 基础设施讲解使用 Amazon Bedrock 构建生成式 AI 应用程序的方法。介绍基础模型的选择、RAG 模式的实现、通过护栏确保安全性、与 SageMaker 的协作等企业级 AI 基础设施的设计。通过 Amazon Kendra 构建企业搜索 - 自然语言查询与 FAQ 自动提取构建可用自然语言搜索内部文档的企业搜索平台。介绍数据源连接器配置、搜索精度调优和 RAG 集成。Amazon Bedrock通过 API 使用多个大语言模型的全托管服务，支持基于自有数据的定制和护栏配置基础模型的应用 (AWS Certified AI Practitioner)在本领域中，你将学习 AWS 提供的主要 AI / ML 服务。核心主题是区分与选用基础模型 API 的 Amazon Bedrock、机器学习平台的 Amazon SageMaker、面向业务的助手 Amazon Q，以及特定用途的 AI 服务（Comprehend、Rekognition、Transcribe 等）。这是占 AIF-C01 出题比例 28% 的最大领域。