bedrock agent appointment manager dynamodb
1.0.0
Mit Agenten für Amazon -Grundgestein können Entwickler Konversationsmittel erstellen, die die natürliche Sprache durch Foundation -Modelle (FMS) verstehen. In diesem Blog -Beitrag werde ich einen Amazon -Bedrock -Agenten erstellen, mit dem Benutzer mit einer Amazon -Dynamodb -Tabelle und einem Wissensbasis für Amazon -Grundgestein mit natürlicher Sprache interagieren können.
Ich werde Sie durch die Einrichtung der Ressourcen, die Definition der Aktionsgruppen des Agenten, die Zusammenarbeit von AWS-Lambda-Funktionen zur Ausführung von DynamoDB-Operationen und die Integration der Wissensbasis für verbesserte Konversationserfahrungen zur Bereitstellung von personalisierteren und kontextbezogenen Antworten für Benutzeranfragen führen. All dies mit einem "CDK -Bereitstellungsbefehl" mit dem AWS Cloud Development Kit (CDK).
Am Ende verstehen Sie, wie Sie einen intelligenten Konversationsagenten erstellen, der Datenbankinteraktionen vereinfacht, personalisierte Antworten liefert und ein benutzerfreundliches Erlebnis bietet.
Dieser Agent fungiert als Schnittstelle für den Benutzer, um Informationen einzugeben und Anfragen zu stellen.
Die Aktionen des Benutzers auslösen AWS -Lambda -Funktionen basierend auf der Aktionsgruppendefinition, Aktionen, die der Agent dem Benutzer helfen kann, drei wichtige Aktionen auszuführen: SpanAppointment, GetAppointment und AsktodayDate.
? Die Action -Gruppendefinition ist in Ag_Data.json und Amazon Bedrock Definition in Agent_data.json
Die SpanAppoint- und GetAppointment -Funktionen interagieren mit einer Amazon -Dynamodb -Tabelle. Es speichert und ruft die Termindaten nach Bedarf ab.
Die AsktodayDate -Funktion ruft die aktuellen Datumsinformationen ab, die dann über den Agenten für Amazon -Grundgestein an den Benutzer weitergeleitet werden. Auf diese Weise kann der Benutzer Echtzeit-Updates und Bestätigungen hinsichtlich seiner Terminplanungsaktionen erhalten.
Durch die Nutzung der in der Wissensbasis gespeicherten Informationen kann der Agent dann personalisierte Massageempfehlungen anbieten, die auf die individuellen Anforderungen des Kunden zugeschnitten sind. Es kann die am besten geeigneten Massagetypen, Dauer und zusätzliche Dienste vorschlagen, die ihre Spa -Erfahrung verbessern und ihre spezifischen Bedenken aussprechen.
Wenn ein Kunde beispielsweise Nackenschmerzen und Steifheit erwähnt, kann das Agent aus der Wissensbasis zeichnen und eine tiefe Gewebemassage empfehlen, die sich auf den Hals- und Schulterbereich konzentriert, kombiniert mit einer heißen Steintherapie für zusätzliche Entspannung und Muskellinderung.
✅ AWS -Ebene : Zwischenprodukt - 200
Voraussetzungen:
? Kosten für die Fertigstellung :
✅ Klonen Sie das Repo
git clone https://github.com/build-on-aws/bedrock-agent-appointment-manager-dynamodb
✅ Gehen Sie zu :
cd agent-appointment-manage
Erstellen Sie die Amzon -Wissensbasis, indem Sie diese Schritte befolgen und diese Daten verwenden, dann in kb_data.json den Wert "Knowledge_base_id" bearbeiten:
{
"description_kb": "Recommend the best massage. Recommend the best massage according to the user's preferences",
"knowledge_base_id": "XXXXXXXXXX"
}
✅ Erstellen Sie die virtuelle Umgebung : Indem Sie die Schritte im ReadMe befolgen
python3 -m venv .venv
source .venv/bin/activate
Für Fenster:
.venvScriptsactivate.bat
✅ Installieren Sie die Anforderungen :
pip install -r requirements.txt
✅ Synthese die CloudFormation -Vorlage mit dem folgenden Befehl :
cdk synth --all
✅ Der Einsatz :
cdk deploy --all
Probieren Sie den Agenten in der Amazon -Grundgesteinskonsole aus und verbessern Sie die Anweisungen des Agenten, bis Sie das beste Ergebnis finden.
Dieser Code soll drei Arten von Agenten erstellen:
Die Art des erstellten Agenten ist in Zeile 130 von Agent_Appointment_Manager_Stack.py definiert. Die Konstruktion jedes Agententyps hängt von der Existenz der JSON -Definitionsdateien für die Wissensbasis- und Aktionsgruppen ab.
if kb_data and not ag_data :
agent_name = "spa_agent_withKB"
print ( "KB data" )
agent_knowledge_base_property = create_kb_property ( kb_data )
ag = CreateAgentWithKB ( self , "agentwithkb" , agent_name , agent_data [ "foundation_model" ], agent_data [ "agent_instruction" ], agent_data [ "description" ], agent_knowledge_base_property , agent_resource_role . arn )
elif ag_data and not kb_data :
agent_name = "spa_agent_withag"
print ( "AG data" )
agent_action_group_properties = agent_action_group_property ( ag_data )
ag = CreateAgentWithAG ( self , "agentwithag" , agent_name , agent_data [ "foundation_model" ], agent_data [ "agent_instruction" ], agent_data [ "description" ], agent_action_group_properties , agent_resource_role . arn )
elif ag_data and kb_data :
agent_name = "spa_agent_with_ag_kb"
print ( "AG and KB data" )
agent_action_group_properties = agent_action_group_property ( ag_data )
agent_knowledge_base_property = create_kb_property ( kb_data )
ag = CreateAgentWithKA ( self , "agentwithbooth" , agent_name , agent_data [ "foundation_model" ], agent_data [ "agent_instruction" ], agent_data [ "description" ], agent_knowledge_base_property , agent_action_group_properties , agent_resource_role . arn )
else :
agent_name = "spa_agent"
print ( "No data" )
ag = CreateAgent ( self , "agent" , agent_name , agent_data [ "description" ], agent_resource_role . arn )In diesem Blog -Beitrag haben Sie gelernt, wie man einen Amazon -Grundgestein -Konversationsagenten erstellt, mit dem Benutzer mit einer natürlichen Sprache mit einer Amazon -Dynamodb -Tabelle interagieren können.
Die Kombination von Agenten aus Grundgestein, DynamoDB und Natural Language Processing Hrough Foundation Models (FMS) eröffnet aufregende Möglichkeiten für den Aufbau benutzerfreundlicher Anwendungen. Benutzer können mit Datenbanken mit einer einfachen Sprache interagieren, um nicht-technische Benutzer zugänglich zu machen, auf Daten zuzugreifen und zu manipulieren.
Ich ermutige Sie, die Funktionalität Ihres Konversationsagenten auf der Grundlage Ihrer spezifischen Anforderungen weiter zu untersuchen und zu erweitern. Mit dem richtigen Design und der richtigen Implementierung können Sie intelligente Agenten erstellen, die die Art und Weise revolutionieren, wie Benutzer mit Daten interagieren.
Vielen Dank, dass Sie sich mir auf dieser Reise angeschlossen haben, und ich hoffe, dieser Beitrag hat Sie dazu inspiriert, Ihre eigenen innovativen Lösungen mit Agenten für Amazon -Grundgestein zu erstellen.
Weitere Informationen finden Sie unter Beitrag.
Diese Bibliothek ist im Rahmen der MIT-0-Lizenz lizenziert. Siehe die Lizenzdatei.
