跳到主要内容
所有与 Amazon AWS 平台集成的 LangChain。

​
聊天模型

​
Bedrock Chat

Amazon Bedrock 是一项完全托管的服务，通过单一 API 提供来自 AI21 Labs、Anthropic、Cohere、Meta、Stability AI 和 Amazon 等领先 AI 公司的高性能基础模型 (FM) 选择，以及构建具有安全性、隐私和负责任 AI 的生成式 AI 应用程序所需的一整套功能。使用 Amazon Bedrock，您可以轻松地为您的用例试验和评估顶级 FM，使用微调和 检索增强生成 (RAG) 等技术通过您的数据私下定制它们，并构建代理以使用您的企业系统和数据源执行任务。由于 Amazon Bedrock 是无服务器的，您无需管理任何基础设施，并且可以使用您已经熟悉的 AWS 服务安全地将生成式 AI 功能集成并部署到您的应用程序中。
查看使用示例。 
from langchain_aws import ChatBedrock

​
Bedrock Converse

AWS Bedrock 维护一个 Converse API，它为 Bedrock 模型提供统一的对话界面。此 API 尚不支持自定义模型。您可以在此处查看所有受支持的模型列表。
我们建议不需要使用自定义模型用户使用 Converse API。可以使用 ChatBedrockConverse 访问它。
查看使用示例。 
from langchain_aws import ChatBedrockConverse

​
LLMs

​
Bedrock

查看使用示例。 
from langchain_aws import BedrockLLM

​
Amazon API Gateway

Amazon API Gateway 是一项完全托管的服务，可让开发人员轻松创建、发布、维护、监控和保护任何规模的 API。API 充当应用程序访问后端服务数据、业务逻辑或功能的“前门”。使用 API Gateway，您可以创建 RESTful API 和 WebSocket API，从而实现实时双向通信应用程序。API Gateway 支持容器化和无服务器工作负载以及 Web 应用程序。 API Gateway 处理接受和处理多达数十万个并发 API 调用所涉及的所有任务，包括流量管理、CORS 支持、授权和访问控制、节流、监控和 API 版本管理。API Gateway 没有最低费用或启动成本。您只需支付收到的 API 调用和传出数据量，并且通过 API Gateway 分层定价模型，您可以随着 API 使用量的增加而降低成本。
查看使用示例。 
from langchain_community.llms import AmazonAPIGateway

​
SageMaker Endpoint

Amazon SageMaker 是一个系统，可以使用完全托管的基础设施、工具和工作流来构建、训练和部署机器学习 (ML) 模型。
我们使用 SageMaker 来托管我们的模型并将其公开为 SageMaker Endpoint。 查看使用示例。
from langchain_aws import SagemakerEndpoint

​
嵌入模型

​
Bedrock

查看使用示例。 
from langchain_aws import BedrockEmbeddings

​
SageMaker Endpoint

查看使用示例。 
from langchain_community.embeddings import SagemakerEndpointEmbeddings
from langchain_community.llms.sagemaker_endpoint import ContentHandlerBase

​
文档加载器

​
AWS S3 目录和文件

Amazon Simple Storage Service (Amazon S3) 是一种对象存储服务。AWS S3 目录 AWS S3 存储桶
查看S3DirectoryLoader 的使用示例。 查看S3FileLoader 的使用示例。
from langchain_community.document_loaders import S3DirectoryLoader, S3FileLoader

​
Amazon Textract

Amazon Textract 是一项机器学习 (ML) 服务，可自动从扫描文档中提取文本、手写内容和数据。
查看使用示例。 
from langchain_community.document_loaders import AmazonTextractPDFLoader

​
Amazon Athena

Amazon Athena 是一种基于开源框架构建的无服务器交互式分析服务，支持开放表和文件格式。
查看使用示例。 
from langchain_community.document_loaders.athena import AthenaLoader

​
AWS Glue

AWS Glue Data Catalog 是一个集中式元数据存储库，允许您管理、访问和共享存储在 AWS 中的数据元数据。它充当数据资产的元数据存储，使各种 AWS 服务和您的应用程序能够高效地查询和连接所需的数据。
查看使用示例。 
from langchain_community.document_loaders.glue_catalog import GlueCatalogLoader

​
向量存储

​
Amazon OpenSearch Service

Amazon OpenSearch Service 执行交互式日志分析、实时应用程序监控、网站搜索等。OpenSearch 是一个开源的分布式搜索和分析套件，源自 Elasticsearch。Amazon OpenSearch Service 提供最新版本的 OpenSearch，支持许多版本的 Elasticsearch，以及由 OpenSearch Dashboards 和 Kibana 提供支持的可视化功能。
我们需要安装几个 python 库。 
pip install boto3 requests requests-aws4auth
查看使用示例。 
from langchain_community.vectorstores import OpenSearchVectorSearch
Amazon DocumentDB (与 MongoDB 兼容) 使在云中设置、操作和扩展 MongoDB 兼容数据库变得容易。使用 Amazon DocumentDB，您可以运行相同的应用程序代码并使用与 MongoDB 相同的驱动程序和工具。Amazon DocumentDB 的向量搜索将基于 JSON 的文档数据库的灵活性和丰富的查询能力与向量搜索的强大功能相结合。

​
安装和设置

查看详细配置说明。 我们需要安装 pymongo python 包。
pip install pymongo

​
在 AWS 上部署 DocumentDB

Amazon DocumentDB (与 MongoDB 兼容) 是一种快速、可靠且完全托管的数据库服务。Amazon DocumentDB 使在云中设置、操作和扩展 MongoDB 兼容数据库变得容易。 AWS 提供用于计算、数据库、存储、分析和其他功能的服服务。有关所有 AWS 服务的概述，请参阅 使用 Amazon Web Services 进行云计算。 查看使用示例。
from langchain_community.vectorstores import DocumentDBVectorSearch

​
Amazon MemoryDB

Amazon MemoryDB 是一种持久的内存数据库服务，可提供超快的性能。MemoryDB 与流行的开源数据存储 Redis OSS 兼容，使您能够使用相同的灵活友好的 Redis OSS API 和命令快速构建应用程序。 InMemoryVectorStore 类提供了一个与 Amazon MemoryDB 连接的向量存储。
from langchain_aws.vectorstores.inmemorydb import InMemoryVectorStore

vds = InMemoryVectorStore.from_documents(
            chunks,
            embeddings,
            redis_url="rediss://cluster_endpoint:6379/ssl=True ssl_cert_reqs=none",
            vector_schema=vector_schema,
            index_name=INDEX_NAME,
        )
查看使用示例。

​
检索器

​
Amazon Kendra

Amazon Kendra 是 Amazon Web Services (AWS) 提供的一项智能搜索服务。它利用先进的自然语言处理 (NLP) 和机器学习算法，在组织内的各种数据源上实现强大的搜索功能。Kendra 旨在帮助用户快速准确地找到所需信息，从而提高生产力和决策效率。
通过 Kendra，我们可以在各种内容类型中进行搜索，包括文档、常见问题解答、知识库、手册和网站。它支持多种语言，可以理解复杂的查询、同义词和上下文含义，以提供高度相关的搜索结果。
我们需要安装 langchain-aws 库。 
pip install langchain-aws
查看使用示例。 
from langchain_aws import AmazonKendraRetriever

​
Amazon Bedrock (知识库)

Amazon Bedrock 知识库 是 Amazon Web Services (AWS) 提供的一项服务，它允许您通过使用您的私有数据自定义基础模型响应来快速构建 RAG 应用程序。
我们需要安装 langchain-aws 库。 
pip install langchain-aws
查看使用示例。 
from langchain_aws import AmazonKnowledgeBasesRetriever

​
工具

​
AWS Lambda

Amazon AWS Lambda 是 Amazon Web Services (AWS) 提供的一项无服务器计算服务。它帮助开发人员构建和运行应用程序和服务，而无需预置或管理服务器。这种无服务器架构使您能够专注于编写和部署代码，而 AWS 会自动处理扩展、修补和管理运行应用程序所需的基础设施。
我们需要安装 boto3 python 库。 
pip install boto3
查看使用示例。 
from langchain_community.chat_message_histories import DynamoDBChatMessageHistory

​
图

​
Amazon Neptune

Amazon Neptune 是一种高性能图分析和无服务器数据库，具有卓越的可扩展性和可用性。
对于下面的 Cypher 和 SPARQL 集成，我们需要安装 langchain-aws 库。 
pip install langchain-aws

​
带 Cypher 的 Amazon Neptune

查看使用示例。 
from langchain_aws.graphs import NeptuneGraph
from langchain_aws.graphs import NeptuneAnalyticsGraph
from langchain_aws.chains import create_neptune_opencypher_qa_chain

​
带 SPARQL 的 Amazon Neptune

from langchain_aws.graphs import NeptuneRdfGraph
from langchain_aws.chains import create_neptune_sparql_qa_chain

​
回调

​
Bedrock 令牌使用情况

from langchain_community.callbacks.bedrock_anthropic_callback import BedrockAnthropicTokenUsageCallbackHandler

​
SageMaker 跟踪

Amazon SageMaker 是一种完全托管的服务，用于快速轻松地构建、训练和部署机器学习 (ML) 模型。
Amazon SageMaker Experiments 是 Amazon SageMaker 的一项功能，可让您组织、跟踪、比较和评估 ML 实验和模型版本。
我们需要安装几个 python 库。 
pip install google-search-results sagemaker
查看使用示例。 
from langchain_community.callbacks import SageMakerCallbackHandler

​
链

​
Amazon Comprehend Moderation Chain

Amazon Comprehend 是一种自然语言处理 (NLP) 服务，它使用机器学习来发现文本中有价值的见解和联系。
我们需要安装 boto3 和 nltk 库。 
pip install boto3 nltk
查看使用示例。 
from langchain_experimental.comprehend_moderation import AmazonComprehendModerationChain
在 GitHub 上编辑此页面源文件。
以编程方式连接这些文档到 Claude、VSCode 等，通过 MCP 获取实时答案。
© . This site is unofficial and not affiliated with LangChain, Inc.