通过以下方式运行 Amazon Bedrock API 请求示例 AWS SDK适用于 Python (Boto3)

本节将指导您尝试使用 Amazon Bedrock 中的一些常见操作 AWS Python 以测试您的权限和身份验证设置是否正确。在运行以下示例之前，应检查是否满足了以下先决条件：

先决条件

• 你有一个 AWS 账户 并有权访问具有 Amazon Bedrock 必要权限的角色。否则，请按照中的步骤操作我已经有一个 AWS 账户。

• 您已请求访问 Amazon Titan Text G1 - Express 模型。否则，请按照中的步骤操作申请访问 Amazon Bedrock 基础模型。

• 您已收到IAM用户的访问密钥并使用这些密钥配置了个人资料。否则，请按照适用于您的用例的步骤操作获取证书以向用户授予编程访问权限。

使用您创建的 Amazon Bedrock 角色，测试您的权限和访问密钥是否已正确设置 Amazon Bedrock。这些示例假设您已经使用访问密钥配置了环境。请注意以下几点：

• 最低限度，您必须指定您的 AWS 访问密钥 ID 和 AWS 秘密访问密钥。

• 如果您使用的是临时证书，则还必须附上 AWS 会话令牌。

如果您未在环境中指定证书，则可以在为 Amazon Bedrock 操作创建客户端时指定这些证书。为此，请在创建客户端时包含aws_access_key_idaws_secret_access_key、和（如果您使用的是短期证书）aws_session_token参数。

列出 Amazon Bedrock 必须提供的基础模型

以下示例使用 Amazon Bedrock 客户端运行该ListFoundationModels操作。 ListFoundationModels列出了您所在地区的 Amazon Bedrock 中可用的基础模型 (FMs)。SDK为 Python 脚本运行以下命令来创建 Amazon Bedrock 客户端并测试该ListFoundationModels操作：

# Use the ListFoundationModels API to show the models that are available in your region.
import boto3
             
# Create an &BR; client in the &region-us-east-1; Region.
bedrock = boto3.client(
    service_name="bedrock"
)

bedrock.list_foundation_models()

如果脚本成功，响应将返回 Amazon Bedrock 中可用的基础模型列表。

向模型提交文本提示并使用以下命令生成文本回复 InvokeModel

以下示例使用 Amazon Bedrock 客户端运行该InvokeModel操作。 InvokeModel允许您提交提示以生成模型响应。SDK为 Python 脚本运行以下命令以创建 Amazon Bedrock 运行时客户端，并使用该操作生成文本响应：

# Use the native inference API to send a text message to Amazon Titan Text G1 - Express.

import boto3
import json

from botocore.exceptions import ClientError

# Create an Amazon Bedrock Runtime client.
brt = boto3.client("bedrock-runtime")

# Set the model ID, e.g., Amazon Titan Text G1 - Express.
model_id = "amazon.titan-text-express-v1"

# Define the prompt for the model.
prompt = "Describe the purpose of a 'hello world' program in one line."

# Format the request payload using the model's native structure.
native_request = {
    "inputText": prompt,
    "textGenerationConfig": {
        "maxTokenCount": 512,
        "temperature": 0.5,
        "topP": 0.9
    },
}

# Convert the native request to JSON.
request = json.dumps(native_request)

try:
    # Invoke the model with the request.
    response = brt.invoke_model(modelId=model_id, body=request)

except (ClientError, Exception) as e:
    print(f"ERROR: Can't invoke '{model_id}'. Reason: {e}")
    exit(1)

# Decode the response body.
model_response = json.loads(response["body"].read())

# Extract and print the response text.
response_text = model_response["results"][0]["outputText"]
print(response_text)

如果命令成功，响应将返回模型为响应提示而生成的文本。

向模型提交文本提示并使用 Converse 生成文本回复

以下示例使用 Amazon Bedrock 客户端运行 C onverse 操作。我们建议InvokeModel在支持时使用 op Converse eration over，因为它可以统一各个 Amazon Bedrock 模型的推理请求并简化多回合对话的管理。SDK为 Python 脚本运行以下命令以创建 Amazon Bedrock 运行时客户端，并使用该Converse操作生成文本响应：

# Use the Conversation API to send a text message to Amazon Titan Text G1 - Express.

import boto3
from botocore.exceptions import ClientError

# Create an Amazon Bedrock Runtime client.
brt = boto3.client("bedrock-runtime")

# Set the model ID, e.g., Amazon Titan Text G1 - Express.
model_id = "amazon.titan-text-express-v1"

# Start a conversation with the user message.
user_message = "Describe the purpose of a 'hello world' program in one line."
conversation = [
    {
        "role": "user",
        "content": [{"text": user_message}],
    }
]

try:
    # Send the message to the model, using a basic inference configuration.
    response = brt.converse(
        modelId=model_id,
        messages=conversation,
        inferenceConfig={"maxTokens": 512, "temperature": 0.5, "topP": 0.9},
    )

    # Extract and print the response text.
    response_text = response["output"]["message"]["content"][0]["text"]
    print(response_text)

except (ClientError, Exception) as e:
    print(f"ERROR: Can't invoke '{model_id}'. Reason: {e}")
    exit(1)

如果命令成功，响应将返回模型为响应提示而生成的文本。