AWS Bedrock: native RAG-Funktionen

AWS stärkt sein RAG-Enterprise-Angebot

Amazon Web Services kündigt bedeutende Verbesserungen der RAG-Fähigkeiten von Bedrock an. Die Knowledge Bases werden leistungsfähiger, die Agenten ausgefeilter, und die Integration in das AWS-Ökosystem reibungsloser.

„Unternehmen wollen RAG, das production-ready ist, ohne die Komplexität“, erklärt Swami Sivasubramanian, VP Agentic AI bei AWS. „Bedrock Knowledge Bases v2 erfüllt diese Nachfrage.“

Neue Funktionen

Knowledge Bases v2

Die Knowledge Bases entwickeln sich erheblich weiter:

Vereinfachte Konfiguration :

DEVELOPERpython
import boto3

bedrock = boto3.client('bedrock-agent')

# Erstelle eine Knowledge Base
response = bedrock.create_knowledge_base(
    name="company-docs",
    description="Interne Dokumentation",
    roleArn="arn:aws:iam::123456789:role/BedrockKBRole",
    knowledgeBaseConfiguration={
        "type": "VECTOR",
        "vectorKnowledgeBaseConfiguration": {
            "embeddingModelArn": "arn:aws:bedrock:us-east-1::foundation-model/cohere.embed-multilingual-v3"
        }
    },
    storageConfiguration={
        "type": "OPENSEARCH_SERVERLESS",
        "opensearchServerlessConfiguration": {
            "collectionArn": "arn:aws:aoss:us-east-1:123456789:collection/kb-collection"
        }
    }
)

# Füge eine Datenquelle hinzu
bedrock.create_data_source(
    knowledgeBaseId=response['knowledgeBase']['knowledgeBaseId'],
    name="confluence-docs",
    dataSourceConfiguration={
        "type": "CONFLUENCE",
        "confluenceConfiguration": {
            "sourceConfiguration": {
                "hostUrl": "https://company.atlassian.net",
                "hostType": "CLOUD"
            }
        }
    }
)

Die chunking-Strategien sind jetzt direkt konfigurierbar.

Verbesserte RAG-Agenten

Die Bedrock-Agenten unterstützen jetzt komplexe Workflows:

1. Multi-Knowledge Base

DEVELOPERpython
agent = bedrock.create_agent(
    agentName="support-agent",
    foundationModel="anthropic.claude-3-opus-20240229-v1:0",
    instruction="Du bist ein Support-Agent, der mehrere Wissensdatenbanken nutzt.",
    agentResourceRoleArn="...",
    knowledgeBases=[
        {"knowledgeBaseId": "kb-products", "description": "Produktkatalog"},
        {"knowledgeBaseId": "kb-support", "description": "FAQ und Verfahren"},
        {"knowledgeBaseId": "kb-internal", "description": "Interne Dokumentation"}
    ]
)

2. Personalisierte Aktionen

Die Agenten können Lambda-Funktionen aufrufen:

DEVELOPERpython
bedrock.create_agent_action_group(
    agentId=agent_id,
    agentVersion="DRAFT",
    actionGroupName="order-management",
    actionGroupExecutor={
        "lambda": "arn:aws:lambda:us-east-1:123456789:function:OrderManagement"
    },
    apiSchema={
        "s3": {
            "s3BucketName": "api-schemas",
            "s3ObjectKey": "order-api.json"
        }
    }
)

3. Persistenter Speicher

Konversationen werden automatisch persistiert:

DEVELOPERpython
response = bedrock.invoke_agent(
    agentId="agent-123",
    agentAliasId="alias-456",
    sessionId="session-789",  # Persistente Unterhaltung
    inputText="Wie ist der Status meiner Bestellung?"
)

Diese Funktionen stimmen mit unserem Guide zu Agentic-RAG überein.

Verbesserte S3-Integration

Die Synchronisierung mit S3 wird in Echtzeit möglich:

DEVELOPERpython
# Echtzeit-Synchronisierung aktivieren
bedrock.update_data_source(
    knowledgeBaseId="kb-123",
    dataSourceId="ds-456",
    dataSourceConfiguration={
        "type": "S3",
        "s3Configuration": {
            "bucketArn": "arn:aws:s3:::my-bucket",
            "inclusionPrefixes": ["documents/"],
            "syncMode": "REAL_TIME"  # Neu
        }
    }
)

EventBridge löst automatisch die Reindexierung bei Änderungen aus.

RAG-Guardrails

Neue, RAG-spezifische Guardrails:

DEVELOPERpython
bedrock.create_guardrail(
    name="rag-guardrails",
    description="Guardrails für RAG-Anwendungen",
    contentPolicyConfig={
        "filtersConfig": [
            {"type": "SEXUAL", "inputStrength": "HIGH", "outputStrength": "HIGH"},
            {"type": "HATE", "inputStrength": "HIGH", "outputStrength": "HIGH"}
        ]
    },
    contextualGroundingPolicyConfig={  # Neu
        "filtersConfig": [
            {"type": "GROUNDING", "threshold": 0.8},
            {"type": "RELEVANCE", "threshold": 0.7}
        ]
    }
)

Siehe unseren Guide zu den RAG-Guardrails.

Architektur und Leistung

Empfohlene Architektur

S3 / Confluence / SharePoint
           ↓
    [Data Sources]
           ↓
    [Knowledge Base]
           ↓
    OpenSearch Serverless
           ↓
    [Bedrock Agent]
           ↓
    Claude / Titan / Llama
           ↓
    [Application]

Benchmarks

AWS veröffentlicht Benchmarks für Standard-RAG-Workloads:

Beschränkungen

Preisgestaltung

Neues Preismodell

Vergleich

*Für 100K Anfragen/Monat, 10GB Daten

Siehe unseren Guide zur Optimierung der RAG-Kosten.

Anwendungsfälle

Wann Bedrock KB verwenden

Ideal für :

• Unternehmen, die bereits auf AWS sind
• Bedarf an nativer Integration (S3, Lambda, etc.)
• Große Datenvolumen
• AWS-Compliance erforderlich

Weniger geeignet für :

• Multi-Cloud-Strategien
• Startups/KMU (Kosten)
• Bedarf an Open-Source-Modellen

Vollständiges Beispiel

DEVELOPERpython
import boto3

# 1. Erstelle die KB
bedrock = boto3.client('bedrock-agent')
kb = bedrock.create_knowledge_base(
    name="support-kb",
    knowledgeBaseConfiguration={...},
    storageConfiguration={...}
)

# 2. Dokumente hinzufügen
bedrock.create_data_source(
    knowledgeBaseId=kb['knowledgeBase']['knowledgeBaseId'],
    name="docs",
    dataSourceConfiguration={
        "type": "S3",
        "s3Configuration": {
            "bucketArn": "arn:aws:s3:::my-docs"
        }
    }
)

# 3. Synchronisieren
bedrock.start_ingestion_job(
    knowledgeBaseId=kb['knowledgeBase']['knowledgeBaseId'],
    dataSourceId=ds['dataSource']['dataSourceId']
)

# 4. Abfragen
runtime = boto3.client('bedrock-agent-runtime')
response = runtime.retrieve_and_generate(
    input={"text": "Wie konfiguriere ich Produkt X?"},
    retrieveAndGenerateConfiguration={
        "type": "KNOWLEDGE_BASE",
        "knowledgeBaseConfiguration": {
            "knowledgeBaseId": kb['knowledgeBase']['knowledgeBaseId'],
            "modelArn": "arn:aws:bedrock:us-east-1::foundation-model/anthropic.claude-3-opus-20240229-v1:0"
        }
    }
)

Unsere Einschätzung

Bedrock KB v2 stellt eine wichtige Weiterentwicklung dar:

Stärken:

• Native AWS-Integration
• Fortschrittliche Guardrails
• Verbesserte Performance
• Mehrere Datenquellen

Zu beachten:

• AWS-Lock‑in
• Hohe Kosten
• Komplexität der Konfiguration
• Begrenzte Regionen

Für AWS‑first-Unternehmen wird Bedrock KB zu einer ernstzunehmenden Option. Für andere gibt es agnostischere Alternativen.

Plattformen wie Ailog bieten eine vom Cloud‑Provider unabhängige Alternative mit französischem Hosting und vereinfachtem Setup.

Siehe unseren Vergleich der besten RAG-Plattformen.