国际数据公司（IDC）在2024 年 8 月发布了《 中国大模型平台市场份额， 2023 ：大模型元年——初局 》调研报告 。IDC的数据显示，2023年中国大模型平台及相关应用市场规模达惊人的17.65亿元人民币，且科学计算大模型仍处于蓝海市场，市场中有大量的AI相关的市场和岗位需求。根据麦肯锡报告显示，对该领域的人才需求将从目前的100万增长到2030年的600万，这表明在未来AI就业市场仍有大量机会，提前布局学习AI相关技能将提前享受AI带来的红利。

今天小李哥就带大家学习、深入调研来自目前全球市场规模最大的云计算厂商亚马逊云科技AWS推出的大模型平台Amazon Bedrock，学习国际目前最前沿的AI热门技术和方案，沉浸式体验Bedrock一些列的云开发实用功能，并将其应用到日常工作、项目中，提升实操技能的同时加速职场。

方案所需基础知识

Amazon Bedrock 是一项完全托管的服务，通过统一的 API 提供来自 AI21 Labs、Anthropic、Cohere、Meta、Mistral AI、Stability AI 和 Amazon 等领先 AI 公司的高性能基础模型（FMs），同时提供广泛的功能，让开发者能够在确保安全、隐私和负责任 AI 的前提下构建生成式 AI 应用。

使用 Amazon Bedrock，开发者们可以：

轻松地测试、评估开发者的用例在不同基础模型下的表现；使用微调和检索增强生成（RAG）等技术定制化开发应用程序；构建可以使用开发者的企业系统和数据源自动执行任务的智能 Agents。

由于 Amazon Bedrock 是 Serverless 的服务，开发者无需管理任何基础设施，并且可以使用开发者已经熟悉其它的亚马逊云科技服务安全地集成和部署生成式 AI 功能到开发者的应用中。

成本预估：

在本实践中，我们主要介绍通过 Amazon Bedrock 基础模型及其使用方法、模型评估、安全围栏等功能。 不同功能模块的价格计费方式不同，具体可以参考亚马逊云科技官方计费模型。

如果大家按照我指导的内容完成本动手实践，其消耗的云服务成本应小于 5 美元（约35元人民币）。

本实践包括的内容

1. 使用控制台和API代码调用的方式与AI大模型交互

2. 利用Amazon Bedrock模型评估功能对大模型性能评估

3. 利用Amazon Bedrock Guardrails功能筛选AI大模型输入、输出内容中的有害内容，构建负责任的AI

功能实践具体步骤

使用控制台和API代码调用的方式与AI大模型交互

1. 进入亚马逊云科技Amazon Bedrock服务主页，

2. 在左侧导航栏，在 Playgrounds 中我们可以看到 Chat, Text, Image 三个功能模块，含义分别为：

Chat: 在对话式界面中，轻松尝试各种语言处理任务。您可以体验多种预训练模型。Text: 通过快速迭代，在各种语言处理任务中进行实验，尝试多种预训练模型。Image: 只需向预训练模型提供文字提示，即可轻松生成引人入胜的图像。

3. 我们点击左侧的Chat功能，并点击”Slect Model“选择模型。

4.我们选择Meta最新的AI大模型Llama 3.1 70B，来体验其强大的推理能力和中文处理能力，点击应用（Apply）：

5. 接下来我们利用Llama 3.1大模型的生成能力，帮我们设计一个上海2日游的行程。将该问题输入到聊天窗口中，将响应长度调整到 2048（防止返回结果因为 token 限制被截断；UI 上的限制为 2048 token，此模型 API 支持的最大 token 为 8k），点击运行（Run）：

6. 我们得到大模型给我们回复的行程计划

<code>**Day 1**

**上午**

* 9:00 am: 开始于上海的标志性建筑 - 东方明珠电视塔（ Oriental Pearl Tower），登塔顶俯瞰上海全景。

* 10:30 am: 从东方明珠电视塔步行到浦东陆家嘴金融区，欣赏上海的摩天大楼和繁华都市景象。

**下午**

* 1:00 pm: 去人民广场（People's Square）附近的南京路步行街，感受上海的商业气息和人流。

* 3:00 pm: 访问上海博物馆（Shanghai Museum），了解上海的历史和文化。

**晚上**

* 7:00 pm: 去外滩（The Bund）欣赏黄浦江两岸的美景，观看夜晚的灯光秀。

* 9:00 pm: 在外滩附近的餐厅享用上海特色小吃和美食。

**Day 2**

**上午**

* 9:00 am: 访问豫园（Yu Garden），欣赏中国古典园林的美景。

* 11:30 am: 去城隍庙（City God Temple）附近的老城厢，感受上海的传统文化和生活气息。

**下午**

* 1:30 pm: 去法国梧桐街（French Concession）附近的徐汇区，欣赏上海的法式建筑和浪漫气息。

* 4:00 pm: 访问上海自然博物馆（Shanghai Natural History Museum），了解自然科学和生物多样性。

**晚上**

* 7:00 pm: 去静安寺（Jing'an Temple）附近的宁波路，感受上海的夜生活和娱乐气息。

* 9:00 pm: 结束上海 2 日游的行程，带着美好的回忆离开上海。

7. 同时Llama大模型还可以根据我们的需求生成代码，我们输入框中输入以下问题，生成一个网页爬虫脚本。

Write a short and high-quality python script for the following task, something a very skilled python expert would write. You are writing code for an experienced developer so only add comments for things that are non-obvious. Make sure to include any imports required. NEVER write anything before the ```python``` block. After you are done generating the code and after the ```python``` block, check your work carefully to make sure there are no mistakes, errors, or inconsistencies. If there are errors, list those errors in tags, then generate a new version with those errors fixed. If there are no errors, write "CHECKED: NO ERRORS" in tags. Here is the task: A web scraper that extracts data from multiple pages and stores results in a SQLite database. Double check your work to ensure no errors or inconsistencies.

 

8. 大模型生成以下回复：

import requests

from bs4 import BeautifulSoup

import sqlite3

from urllib.parse import urljoin, urlparse

from concurrent.futures import ThreadPoolExecutor

# Database connection

conn = sqlite3.connect('data.db')

cursor = conn.cursor()

# Create table if not exists

cursor.execute('''CREATE TABLE IF NOT EXISTS data

(id INTEGER PRIMARY KEY, url TEXT, title TEXT, content TEXT)''')

conn.commit()

# Base URL and pages to scrape

base_url = 'https://example.com'

pages_to_scrape = ['/page1', '/page2', '/page3']

def scrape_page(url):

# Send request and get HTML response

response = requests.get(urljoin(base_url, url))

soup = BeautifulSoup(response.text, 'html.parser')

# Extract title and content

title = soup.find('h1').text.strip()

content = soup.find('div', {'class': 'content'}).text.strip()

# Insert data into database

cursor.execute("INSERT INTO data (url, title, content) VALUES (?, ?, ?)",

(urljoin(base_url, url), title, content))

conn.commit()

print(f"Scraped {url}")

# Scrape pages concurrently

with ThreadPoolExecutor() as executor:

executor.map(scrape_page, pages_to_scrape)

# Close database connection

conn.close()

# CHECKED: NO ERRORS

9. 同时Amazon Bedrock上还支持多种图片生成大模型，我们以Amazon Titan Image Generator G1为例。在左侧导航栏点击图片（Image）链接，进入图片生成的页面。这里我们点击下方的“Generate images from a text prompt” 选择内置的文本生成图片的示例，输入问题”在桌子上放置的蓝色背包“：

10. 点击运行（Run）。默认情况下，模型会为我们生成 3 张图片，示例结果如下：

11. 接下来我们使用API调用的方式，利用Amazon Boto3 Python SDK调用大模型生成回复。此处我们使用了Amazon Bedrock基于多种模型提供的统一API接口，Amazon Bedrock Converse API。在本代码中，我们为大模型回复提供了文档背景信息，并利用针对RAG场景优化的模型Cohere Command R基于文档内容进行聊天(Document chat)。

<code>import logging

import boto3

from botocore.exceptions import ClientError

logger = logging.getLogger(__name__)

logging.basicConfig(level=logging.INFO)

def stream_conversation(bedrock_client,

model_id,

messages,

system_prompts,

inference_config,

additional_model_fields):

"""

Sends messages to a model and streams the response.

Args:

bedrock_client: The Boto3 Bedrock runtime client.

model_id (str): The model ID to use.

messages (JSON) : The messages to send.

system_prompts (JSON) : The system prompts to send.

inference_config (JSON) : The inference configuration to use.

additional_model_fields (JSON) : Additional model fields to use.

Returns:

Nothing.

"""

print("Streaming messages with model %s" % model_id)

bedrock_params = {

"modelId": model_id,

"messages": messages,

"inferenceConfig": inference_config,

"additionalModelRequestFields": additional_model_fields,

}

system = [item for item in system_prompts if item.get('text')]

if system:

bedrock_params['system'] = system

response = bedrock_client.converse_stream( **bedrock_params )

stream = response.get('stream')

resp_text_buf = ''

if stream:

for event in stream:

# print(colored(event, 'red'))

if 'messageStart' in event:

print(f"\nRole: {event['messageStart']['role']}")

if 'contentBlockDelta' in event:

delta_types = event['contentBlockDelta']['delta'].keys()

if 'text' in delta_types:

text_delta = event['contentBlockDelta']['delta']['text']

print(colored(text_delta, 'green'), end="")code>

resp_text_buf += text_delta

def main():

model_id = "cohere.command-r-v1:0"

# Message to send to the model.

input_text = "中国的首都是哪里，今天天气如何?"

print(colored(f"Question: {input_text}", 'red'))

message = {

"role": "user",

"content": [{"text": input_text}]

}

messages = [message]

# System prompts.

system_prompts = []

# inference parameters to use.

temperature = 0.9

top_k = 200

max_tokens = 2000

# Base inference parameters.

inference_config = {

"temperature": temperature,

"maxTokens": max_tokens,

}

# Additional model inference parameters.

additional_model_fields = {

"k": top_k,

"documents": [

{"title": "首都信息", "snippet": "北京是中国的首都，政治文化中心，历史悠久。长城故宫，美食荟萃。"},

{"title": "北京天气", "snippet": "北京今天的天气晴朗，温度26度，微风。"},

{"title": "上海天气", "snippet": "上海今天天气多云，28度。"},

]

}

try:

bedrock_client = boto3.client(service_name='bedrock-runtime')code>

stream_conversation(bedrock_client, model_id, messages,

system_prompts, inference_config, additional_model_fields)

except ClientError as err:

message = err.response['Error']['Message']

logger.error("A client error occurred: %s", message)

else:

print(f"\nFinished streaming messages with model {model_id}.")

main()

模型评估