AWS Certified AI Practitioner (AIF-C01)
AIF-C01 考试备考笔记
基于截至 2026 年 10 月 的官方考试指南的考试范围阅读约 30 分钟
把 AIF-C01 的考试范围整理成考前 30 分钟能读完一遍的篇幅。适合在学习课程中学完 5 个领域、并用练习题找出薄弱点之后，作为最后的复习。评估指标、定制方法以及 SageMaker AI 各工具的区分容易丢分，请重点阅读表格和陷阱。
考试数据与答题思路
- 共 65 道题，考试时间 90 分钟，其中计分的是 50 道，不计分的 15 道无法分辨。
- 成绩以 100 至 1,000 的换算分表示，合格分为 700 分。
- 采用补偿式评分，各领域没有单独的合格线，总分达到 700 分即可。
- 题型有单选题、多选题、排序题 (3 至 5 项) 和匹配题 (3 至 7 组) 4 种，除单选题外都要全部答对才能得分。
- 未作答按错误计，猜答也不扣分，所以每道题都要作答。
- 分值比例为基础模型的应用 28%、GenAI 基础知识 24%、AI 和 ML 基础知识 20%、负责任 AI 准则 14%、AI 解决方案的安全性、合规性和监管 14%。
- 面向使用 AI 的一方，模型编码、超参数调优、管道构建和统计计算不在考试范围内。
- 作为前提，EC2、S3、Lambda、IAM、责任共担模型、定价模式等 AI 以外的基础知识也会考到。
- 剩下 2 个选项时，用“成本最低”“运维工作量最少”“需要解释”这类需求用语来排除。
题干提示与正确方向
| 题干提示 | 正确方向 |
|---|
| 想根据带正确标签的数据进行预测 | 监督学习 |
| 想把无标签的数据按相似程度分组 | 无监督学习 (聚类) |
| 想预测销售额、价格等数值 | 回归 |
| 想预测是否欺诈等类别 | 分类 |
| 必须得到确定的结果，且能用规则写出 | 不使用 AI 或 ML |
| 需要向监管机构解释判断依据 | 易于解释的传统 ML 模型 |
| 想在夜间对大量数据集中推理 | 批量推理 |
| 想对每条请求立即响应 | 实时推理 |
| 输入大、耗时长，但可以等待 | 异步推理 |
| 调用很少，不想为空闲时间付费 | 无服务器推理 |
| 不管理基础设施，通过 API 使用多个基础模型 | Amazon Bedrock |
| 想训练并部署自己的模型 | Amazon SageMaker AI |
| 不重新训练，根据企业内部文档回答 | RAG (Amazon Bedrock Knowledge Bases) |
| 想存储嵌入并进行相似度搜索 | 向量数据库 (OpenSearch Service 等) |
| 想用标准方式把智能体连接到外部工具和数据 | MCP (Model Context Protocol) |
| 想减少回答的波动，每次都保持一致 | 降低 temperature |
| 想在提示中放几个示例来说明格式 | 少样本 (few-shot) |
| 想让模型分步骤思考 | 思维链 (Chain-of-Thought) |
| 想管理提示的版本并重复使用 | Amazon Bedrock Prompt Management |
| 想贴合特定领域的措辞或格式 | 微调 |
| 想用大量无标签的领域数据补充知识 | 持续预训练 |
| 想把大模型的能力转移到更小更便宜的模型 | 模型蒸馏 |
| 想自动衡量摘要的质量 | ROUGE |
| 想自动衡量翻译的质量 | BLEU |
| 想让另一个 LLM 给回答打分 | LLM-as-a-judge |
| 想减少分类模型的漏判 | 重视召回率 |
| 想减少分类模型的误报 | 重视精确率 |
| 想拦截有害言论、禁止话题和个人信息 | Amazon Bedrock Guardrails |
| 想检测并解释数据或模型的偏差 | SageMaker Clarify |
| 想监控生产环境中模型的劣化和数据的变化 | SageMaker Model Monitor |
| 想让人确认置信度低的预测 | 人工审核 (human-in-the-loop) 机制 |
| 想把模型的用途、评估和风险记录成文档 | SageMaker Model Cards |
| 不想让发往 Bedrock 的通信经过互联网 | AWS PrivateLink (VPC 终端节点) |
| 每次都发送相同的长前缀，想降低费用和延迟 | 提示缓存 |
| 想为稳定的大量使用确保处理能力 | Provisioned Throughput |
错误选项的类型
- 需要回答频繁变化的企业内部信息时选择微调的选项，排除。
- 被问到成本最低的方法时，从零开始预训练模型的选项，排除。
- 称提高 temperature 能提升准确性或一致性的选项，排除。
- 称可以完全消除幻觉的选项，排除。
- 对必须按规则得到相同结果的处理选择生成式 AI 的选项，排除。
- 对需要说明依据的判断直接使用难以解释的大模型的选项，排除。
- 用 BLEU 评估摘要、用 ROUGE 评估翻译的颠倒组合，排除。
- 只用准确率评估严重不平衡数据上的分类模型的选项，排除。
- 托管服务就能解决的场景下，自己开发或调整模型的选项，排除。
- 用 Model Monitor 检测偏差、用 Clarify 监控生产环境的混淆，排除。
- 只靠在提示中提出要求来处理个人信息的选项，排除。
- 称仅靠 IAM 策略就足以防御越狱的选项，排除。
- 称发送到 Bedrock 的提示会被用于训练基础模型的选项，排除。
- 把客户数据和访问权限的管理说成 AWS 责任的选项，排除。
- 为查清谁调用了 Bedrock 而选择 Config 的选项，排除。
- 把 AI Service Cards 当作客户为自己的模型编写的文档的选项，排除。
各领域要点
- AI 中包含 ML，ML 中包含深度学习，生成式 AI 是用基础模型生成内容的领域，智能体式 AI 是朝着目标自主推进规划和工具执行的领域。
- 学习的类型有监督学习 (分类和回归)、无监督学习 (聚类和异常检测)、强化学习 (奖励最大化) 3 种。
- 数据的类型按有无标签、表格、时间序列、图像、文本、结构化与非结构化来区分。
- 推理方式有实时、批量、异步、无服务器 4 种。
- AI 不适用的场景是费用超过效果时，以及需要确定的结果而不是预测时。
- 选择传统 ML 还是基础模型，要看法规、是否需要解释以及运维上的限制。
- ML 的流程是数据收集、预处理与特征构建、训练、评估、部署、监控与重新训练的循环。
- MLOps 涉及实验管理、可复现的流程、规模扩展、技术债务管理以及生产环境中的监控与重新训练。
- 模型指标是准确率、精确率、召回率和 F1 分数，业务指标是每位用户的费用、开发费用、客户反馈和 ROI。
- Transcribe、Translate、Comprehend、Lex、Polly、Rekognition 和 Personalize 是无需训练、可通过 API 直接使用的托管 AI 服务。
- 令牌是模型处理文字的单位，分块是为检索而切分文档，嵌入是用数值向量表示含义。
- 生成式 AI 的模型有使用 Transformer 的 LLM、处理文字和图像等的多模态模型，以及生成图像的扩散模型。
- 基础模型的生命周期是数据选择、模型选择、预训练、微调、评估、部署和反馈。
- 上下文工程是从指令、检索结果、对话历史和工具结果中选择要传给模型的内容并加以组织的思路。
- 智能体的基础是工具的使用、记忆的管理、工作流的控制、多个智能体的协作，以及连接外部系统的 MCP。
- 生成式 AI 的优点是适应性、响应速度、对话和内容生成，缺点是幻觉、难以解释、不准确，以及相同输入也会得到不同结果的非确定性。
- 模型要根据类型、性能要求、功能、限制、合规、费用、延迟和复杂度来选择。
- 业务价值用 ROI、效率、转化率、每位用户的平均收入和客户生命周期价值来衡量。
- 构建生成式 AI 的 AWS 工具有 Bedrock、SageMaker AI、JumpStart、Amazon Quick、Kiro、Strands Agents 和 Bedrock AgentCore。
- 按令牌计费时，输入输出越长，费用和响应时间就越多，费用还取决于是否使用 Provisioned Throughput 或自定义模型。
- 基础模型要根据费用、模态、延迟、多语言、规模、能否定制、输入输出的长度以及是否支持提示缓存来选择。
- 降低 temperature 会让回答趋于一致，提高则会更加多样，输出长度的上限可以控制费用和回答的长度。
- RAG 是把检索到的企业内部信息作为回答依据传给模型的方式，可以用 Bedrock Knowledge Bases 构建。
- 存储嵌入的向量数据库可以使用 OpenSearch Service、Aurora、Neptune 和 RDS for PostgreSQL。
- 定制的费用以提示工程最低，按 RAG、微调、预训练的顺序越来越高，蒸馏则用小模型降低运行费用。
- AI 智能体是朝着目标自主推进多个步骤和工具调用的机制，用于咨询应对和业务自动化。
- 提示由上下文、指令、输入、输出格式以及写明应避免内容的负面提示组成，方法有零样本、单样本、少样本、思维链和模板。
- 提示的风险有泄露、投毒、劫持和越狱，版本管理使用 Bedrock Prompt Management。
- 训练的要素有预训练、微调 (指令微调、领域适配、迁移学习)、持续预训练和蒸馏，数据要兼顾质量、治理、数量、标签和代表性，并用 RLHF 贴合人的偏好。
- 评估使用人工评估、基准测试、Bedrock 的模型评估、ROUGE、BLEU、BERTScore 和 LLM-as-a-judge，业务上看任务完成率、满意度和每次交互的费用。
- 负责任 AI 的特征包括偏差、公平性、包容性、稳健性、安全性和真实性。
- Bedrock Guardrails 在输入和输出两端拦截有害内容、禁止话题和个人信息。
- 选择模型时，除了性能和费用，还要考虑对环境的影响和可持续性。
- 生成式 AI 的法律风险是知识产权侵权的主张、有偏差的输出、客户信任的丧失、对最终用户的危害以及幻觉。
- 数据集应具备包容性、多样性、来源可靠和没有偏向的构成。
- 偏差大会导致欠拟合，方差大会导致过拟合，两者都会造成对特定群体的不准确。
- 偏差可以通过标签质量分析、人工审计、按子群体分析以及 SageMaker Clarify 来发现。
- 透明的模型能看到其工作原理，可解释的模型能说明每个预测的理由，越大的深度学习模型越是以可解释性换取性能。
- 体现透明性的手段有 SageMaker Model Cards、SageMaker Clarify、Bedrock 的模型评估、开源模型、数据和许可证的公开以及 AWS AI Service Cards。
- 以人为中心的设计重视接收用户反馈的机制，以及展示 AI 判断的依据。
- 保护 AI 的工具有 IAM 的角色和策略、加密、Macie、PrivateLink、责任共担模型和 Bedrock Guardrails。
- AgentCore Identity 管理智能体的身份和权限，AgentCore 的 Policy 规定允许智能体执行的操作规则。
- 数据的来源用数据沿袭、数据目录和 Model Cards 记录，回答中要注明出处。
- 安全地处理数据包括质量评估、保护隐私的技术、访问控制以及确保数据完整性。
- AI 特有的威胁有提示注入、数据泄露和有害输出，需要对输出进行过滤和验证，并记录交互。
- 幻觉可以通过 RAG 的事实依据支撑、输出验证和置信度分数来减少。
- 治理使用 Config (配置合规)、Inspector (漏洞)、Artifact (报告)、CloudTrail (API 记录) 和 Trusted Advisor (检查)。
- 数据治理要确定生命周期、记录、存放位置、监控和保留期限并加以运行。
- 治理的流程包括方针、审查周期、Generative AI Security Scoping Matrix 等框架、透明性标准和团队培训。
- Generative AI Security Scoping Matrix 分为从使用面向消费者的应用到训练自有模型的 5 个级别，自己掌控的范围越广，客户的责任就越大。
服务名一句话
| 名称 | 一句话 |
|---|
| Amazon Bedrock | 通过无服务器的 API 使用多个基础模型 |
| Amazon Bedrock Knowledge Bases | 用自有数据构建 RAG |
| Amazon Bedrock Guardrails | 在输入输出中拦截有害内容和个人信息 |
| Amazon Bedrock AgentCore | 在生产环境中运行 AI 智能体的平台 |
| Amazon SageMaker AI | 开发、训练和部署 ML 模型的平台 |
| SageMaker JumpStart | 预训练模型和解决方案模板的目录 |
| SageMaker Clarify | 检测偏差并解释预测 |
| SageMaker Model Monitor | 监控生产环境中模型的质量和数据的变化 |
| SageMaker Model Cards | 记录模型的用途、评估和风险 |
| Amazon Comprehend | 从文本中提取情感和实体 |
| Amazon Textract | 从文档中读取文字和表格 |
| Amazon Rekognition | 图像和视频的分析 |
| Amazon Nova | AWS 提供的基础模型系列 |
| Amazon Quick | 面向业务用户的 AI 助手和 BI (含 Quick Sight) |
| Amazon Q | Q Business 用企业内部数据回答，Q Developer 支持开发 |
| Strands Agents | 构建 AI 智能体的开源 SDK |
| AWS Transform | 用 AI 智能体推进旧应用和基础设施的迁移与现代化 |
| Kiro | 根据规格生成代码的 AI 开发环境 |
陷阱前 15 名
- RAG 不是重新训练，只是传入检索到的信息，不会改变模型的权重。
- MCP 不是训练模型的方法，而是把智能体连接到外部工具和数据的标准协议。
- 降低 temperature 也无法消除幻觉。
- ROUGE 和 BLEU 是评估生成文本的指标，不用于评估分类模型。
- 在不平衡的数据上，即使准确率高，漏判也可能很多，所以要看召回率。
- AgentCore Identity 不是检查输出的功能，而是管理智能体的身份和工具访问权限的功能。
- 提示缓存不是重复使用回答的机制，而是省去重复发送的前缀的处理，从而降低费用和延迟的机制。
- 人工审核 (human-in-the-loop) 是由人复核预测的机制，训练数据的标注则是 SageMaker Ground Truth。
- 提示注入是从外部混入指令的攻击，越狱是让模型解除安全限制的攻击。
- Macie 是发现 S3 中敏感数据的服务，拦截生成式 AI 输出中个人信息的是 Guardrails。
- PrivateLink 是封闭通信路径的机制，与数据加密 (AWS KMS) 是两回事。
- 持续预训练用无标签的领域数据补充知识，微调用带标签的示例调整行为。
- 蒸馏不是构建大模型的方法，而是把大模型的能力转移到小模型的方法。
- 按令牌计费是按使用量付费，要确保稳定的大量处理能力则用 Provisioned Throughput。
- Bedrock 基础设施的运维是 AWS 的责任，提示、数据和访问权限的管理是客户的责任。
考前检查
- 能说出题目数量、考试时间、计分题数量和合格分。
- 能说出 5 个领域的名称和分值比例。
- 能说出 4 种题型，以及必须全部答对才能得分的题型。
- 能说出 AI、ML、深度学习、生成式 AI 和智能体式 AI 之间的关系。
- 能说出 3 种学习类型及各自的例子。
- 能说出回归、分类和聚类的区分使用。
- 能说出 4 种推理方式及各自适合的场景。
- 能说出 2 个不应使用 AI 的场景。
- 能说出准确率、精确率、召回率和 F1 分数的区别。
- 能说出 3 个业务指标。
- 能说出令牌、分块、嵌入和向量的含义。
- 能说出生成式 AI 的 4 个缺点。
- 能说出提高或降低 temperature 时回答的变化。
- 能说出 RAG 的机制，以及在 AWS 上构建时使用的功能名称。
- 能说出 4 个可用作向量数据库的 AWS 服务。
- 能把定制方法按费用从低到高排列。
- 能说出 4 种提示方法。
- 能说出 4 种针对提示的攻击。
- 能说出 ROUGE、BLEU、BERTScore 和 LLM-as-a-judge 的区别。
- 能说出负责任 AI 的 5 个特征。
- 能说出偏差和方差如何与欠拟合和过拟合相关联。
- 能说出 Clarify、Model Monitor、Model Cards 和人工审核 (human-in-the-loop) 的作用。
- 能说出透明性和可解释性的区别，以及与性能之间的权衡。
- 能说出生成式 AI 的 3 个法律风险。
- 能说出 Generative AI Security Scoping Matrix 5 个级别的两端。
- 能说出 5 个用于治理的 AWS 服务。
- 能说出 3 种减少幻觉的方法。
- 能说出构建 AI 智能体的 4 个要素。
- 能说出在责任共担模型中使用 Bedrock 时客户的 3 项责任。