跳到主要内容
本指南将帮助您开始使用 AWS 知识库检索器。 适用于 Amazon Bedrock 的知识库是亚马逊网络服务 (AWS) 提供的一项服务，允许您通过使用私有数据自定义 FM 响应，从而快速构建 RAG 应用程序。 实施 RAG 需要组织执行几个繁琐的步骤，将数据转换为嵌入（向量），将嵌入存储在专门的向量数据库中，并构建自定义集成到数据库中以搜索和检索与用户查询相关的文本。这可能耗时且效率低下。 借助 适用于 Amazon Bedrock 的知识库，只需指向您在 Amazon S3 中的数据位置，适用于 Amazon Bedrock 的知识库就会处理将数据摄取到向量数据库中的整个工作流。如果您没有现有的向量数据库，Amazon Bedrock 会为您创建一个 Amazon OpenSearch Serverless 向量存储。对于检索，通过检索 API 使用 LangChain - Amazon Bedrock 集成，从知识库中检索用户查询的相关结果。

​
集成详情

​
设置

知识库可以通过 AWS 控制台或使用 AWS SDK 进行配置。我们需要 knowledge_base_id 来实例化检索器。 如果您想从单个查询中获取自动化跟踪，您还可以通过取消注释以下内容来设置您的 LangSmith API 密钥：
os.environ["LANGSMITH_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")
os.environ["LANGSMITH_TRACING"] = "true"

​
安装

此检索器位于 langchain-aws 包中 
pip install -qU langchain-aws

​
实例化

现在我们可以实例化我们的检索器 
from langchain_aws.retrievers import AmazonKnowledgeBasesRetriever

retriever = AmazonKnowledgeBasesRetriever(
    knowledge_base_id="PUIJP4EQUA",
    retrieval_config={"vectorSearchConfiguration": {"numberOfResults": 4}},
)

​
用法

query = "What did the president say about Ketanji Brown?"

retriever.invoke(query)

​
在链中使用

from botocore.client import Config
from langchain.chains import RetrievalQA
from langchain_aws import Bedrock

model_kwargs_claude = {"temperature": 0, "top_k": 10, "max_tokens_to_sample": 3000}

llm = Bedrock(model_id="anthropic.claude-v2", model_kwargs=model_kwargs_claude)

qa = RetrievalQA.from_chain_type(
    llm=llm, retriever=retriever, return_source_documents=True
)

qa(query)

​
API 参考

有关所有 AmazonKnowledgeBasesRetriever 功能和配置的详细文档，请参阅API 参考。
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.