Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Guida introduttiva
<a name="getting-started"></a>

Inizia a usare Amazon Bedrock in pochi minuti. Per le nuove applicazioni, consigliamo l'`bedrock-runtime`endpoint. I passaggi seguenti ti guidano nell'esecuzione della tua prima richiesta di inferenza utilizzando l'API Anthropic-native [ Messages](inference-messages-api.md), l'API OpenAI-compatible [ Responses ](bedrock-mantle.md) e l'API [ Chat Completions e le API ](inference-chat-completions.md) [ Converse ](conversation-inference.md) e Invoke. [Invia una singola richiesta con InvokeModel (spostato)](inference-invoke.md) Per un elenco completo delle API, consulta. [Creazione](build.md) Dopo aver completato questi passaggi, puoi inviare richieste di inferenza a qualsiasi modello di base supportato.

**Per eseguire la prima richiesta di inferenza**

1. Crea un [AWS account. ](https://portal.aws.amazon.com/billing/signup)

   Se ne hai già uno Account AWS, salta questo passaggio.

1. Genera una chiave API a breve termine per autenticare le tue richieste ad Amazon Bedrock aprendo il ** servizio **[Amazon Bedrock nella Console di gestione. AWS](https://console.aws.amazon.com/bedrock/home#/api-keys/short-term/create)

   Per la procedura completa, consulta la sezione. [Chiavi API](api-keys.md)

   Per le applicazioni di produzione, usa i ruoli [ IAM o le credenziali ](https://docs.aws.amazon.com/IAM/latest/UserGuide/security-creds-programmatic-access.html#security-creds-alternatives-to-long-term-access-keys) temporanee. 

1. Installa l'SDK pertinente per le API che intendi utilizzare. Python deve essere già installato.

------
#### [ Messages API ]

   ```
   pip install boto3 anthropic
   ```

------
#### [ Responses/Chat Completions API ]

   ```
   pip install boto3 openai
   ```

------
#### [ Invoke/Converse API ]

   ```
   pip install boto3
   ```

------

1. Imposta le seguenti variabili di ambiente per utilizzare la chiave API per l'autenticazione.

------
#### [ Messages API ]

   ```
   AWS_BEARER_TOKEN_BEDROCK="<provide your Bedrock API key>"
   ```

------
#### [ Responses/Chat Completions API ]

   ```
   OPENAI_API_KEY="<provide your Bedrock API key>"
   OPENAI_BASE_URL="https://bedrock-runtime.<your-region>.amazonaws.com/openai/v1"
   ```

------
#### [ Invoke/Converse API ]

   ```
   AWS_BEARER_TOKEN_BEDROCK="<provide your Bedrock API key>"
   ```

------

1. Scegli un modello ed esegui la tua prima richiesta di inferenza. 

   1. Scegli un modello. Amazon Bedrock supporta [ oltre 100 modelli base. ](models.md) 

   1. Usa il seguente codice Python per eseguire la tua prima richiesta di inferenza.

------
#### [ Messages API ]

      ```
      from anthropic import AnthropicBedrock
      
      client = AnthropicBedrock(aws_region="us-east-1")
      
      response = client.messages.create(
          model="global.anthropic.claude-opus-5",
          max_tokens=1024,
          messages=[{"role": "user", "content": "Can you explain the features of Amazon Bedrock?"}]
      )
      print(response)
      ```

------
#### [ Responses API ]

      ```
      from openai import OpenAI
      
      client = OpenAI()
      
      response = client.responses.create(
          model="openai.gpt-5.6-sol",
          input="Can you explain the features of Amazon Bedrock?"
          )
      print(response)
      ```

------
#### [ Chat Completions API ]

      ```
      from openai import OpenAI
      
      client = OpenAI()
      
      response = client.chat.completions.create(
          model="openai.gpt-5.6-sol",
          messages=[{"role": "user", "content": "Can you explain the features of Amazon Bedrock?"}]
          )
      print(response)
      ```

------
#### [ Converse API ]

      ```
      import boto3
      
      client = boto3.client('bedrock-runtime', region_name='us-east-1')
      response = client.converse(
          modelId='global.anthropic.claude-opus-5',
          messages=[
              {
                  'role': 'user',
                  'content': [{'text': 'Can you explain the features of Amazon Bedrock?'}]
              }
          ]
      )
      print(response)
      ```

------
#### [ Invoke API ]

      ```
      import json
      import boto3
      
      client = boto3.client('bedrock-runtime', region_name='us-east-1')
      response = client.invoke_model(
          modelId='global.anthropic.claude-opus-5',
          body=json.dumps({
                  'anthropic_version': 'bedrock-2023-05-31',
                  'messages': [{ 'role': 'user', 'content': 'Can you explain the features of Amazon Bedrock?'}],
                  'max_tokens': 1024
          })
       )
       print(json.loads(response['body'].read()))
      ```

------

   1. Salva il file con nome `bedrock-first-request.py`.

   1. Esegui il codice con il seguente comando:

      ```
      python3 bedrock-first-request.py
      ```

      Dovresti vedere l'output della tua richiesta di inferenza.

Per saperne di più sull'utilizzo di altre API ed endpoint, consulta. [Creazione](build.md)

## Fasi successive
<a name="getting-started-next-steps"></a>

Ora che hai eseguito la tua prima richiesta, esplora le seguenti risorse per crearne di più con Amazon Bedrock:
+ [Automazione delle attività nella propria applicazione utilizzando agenti IA](agents.md)— Crea agenti in grado di orchestrare attività in più fasi.
+ [Recupero di dati e generazione di risposte di IA con Knowledge Base per Amazon Bedrock](knowledge-base.md)— Collega i modelli di base alle tue fonti di dati.
+ [Personalizzazione del modello per migliorarne le prestazioni per il proprio caso d’uso](custom-models.md)— Fine-tune modelli adatti al tuo caso d'uso.
+ [Valutare le prestazioni delle risorse Amazon Bedrock](evaluation.md)— Valuta le prestazioni del modello per i tuoi carichi di lavoro.