bedrock agent appointment manager dynamodb
1.0.0
Les agents du fondement d'Amazon permettent aux développeurs de créer des agents conversationnels qui comprennent le langage naturel à travers les modèles de fondation (FMS). Dans cet article de blog, je vais créer un agent de substratum rocheux d'Amazon qui permet aux utilisateurs d'interagir avec une table Amazon DynamoDB et des bases de connaissances pour le substratum rocheux d'Amazon en utilisant le langage naturel.
Je vous guiderai dans la mise en place des ressources, la définition des groupes d'action de l'agent, l'association des fonctions AWS Lambda pour exécuter les opérations DynamoDB et l'intégration de la base de connaissances pour des expériences conversationnelles améliorées pour fournir des réponses plus personnalisées et compatibles aux requêtes utilisateur. Tout cela avec une commande 'CDK Deploy' en utilisant le kit de développement Cloud AWS (CDK).
À la fin, vous comprendrez comment construire un agent conversationnel intelligent qui simplifie les interactions de la base de données, fournit des réponses personnalisées et offre une expérience conviviale.
Cet agent agit comme l'interface pour l'utilisateur pour saisir des informations et faire des demandes.
Les actions de l'utilisateur déclenchent des fonctions Lambda AWS en fonction de la définition du groupe d'action, des actions que l'agent peut aider l'utilisateur à effectuer trois actions clés: SpanPointment, GetAppnstitution et AskTodayDate.
? La définition du groupe d'action est dans AG_DATA.JSON et Amazon Ledrock La définition est dans Agent_data.json
Les fonctions Spanappoint et GetAppOmingment interagissent avec une table Amazon DynamoDB. Il stocke et récupère les données de rendez-vous au besoin.
La fonction AskTodayDate récupère les informations de date actuelles, qui sont ensuite relais à l'utilisateur via l'agent pour le substratum rocheux d'Amazon. Cela permet à l'utilisateur de recevoir des mises à jour et des confirmations en temps réel concernant ses actions de planification de rendez-vous.
Tirant parti des informations stockées dans la base de connaissances, l'agent peut ensuite proposer des recommandations de massage personnalisées adaptées aux besoins uniques du client. Il peut suggérer les types de massage les plus appropriés, les durées et les services supplémentaires qui peuvent améliorer leur expérience de spa et répondre à leurs préoccupations spécifiques.
Par exemple, si un client mentionne la douleur et la raideur du cou, l'agent peut tirer de la base de connaissances et recommander un massage des tissus profonds axé sur le cou et la zone des épaules, combinée à une thérapie en pierre chaude pour une relaxation supplémentaire et un soulagement musculaire.
✅ Niveau AWS : intermédiaire - 200
Prérequis:
? Coût pour terminer :
✅ cloner le repo
git clone https://github.com/build-on-aws/bedrock-agent-appointment-manager-dynamodb
✅ Allez à :
cd agent-appointment-manage
Créez la base de connaissances Amzon en suivant ces étapes et en utilisant ces données, puis dans KB_DATA.json modifiez la valeur "Knowledge_Base_Id":
{
"description_kb": "Recommend the best massage. Recommend the best massage according to the user's preferences",
"knowledge_base_id": "XXXXXXXXXX"
}
✅ Créez l'environnement virtuel : en suivant les étapes de la lecture
python3 -m venv .venv
source .venv/bin/activate
Pour Windows:
.venvScriptsactivate.bat
✅ Installez les exigences :
pip install -r requirements.txt
✅ Synthétisez le modèle CloudFormation avec la commande suivante :
cdk synth --all
✅ Le déploiement :
cdk deploy --all
Essayez l'agent dans la console du substratum rocheux d'Amazon et améliorez les instructions de l'agent jusqu'à ce que vous trouviez le meilleur résultat.
Ce code est conçu pour créer trois types d'agents:
Le type d'agent en cours de construction est défini à la ligne 130 d'agent_appoint_manager_stack.py. La construction de chaque type d'agent dépend de l'existence des fichiers de définition JSON pour la base de connaissances et les groupes d'action.
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 )Dans ce billet de blog, vous avez appris à créer un agent conversationnel du fondement d'Amazon qui permet aux utilisateurs d'interagir avec un tableau Amazon DynamoDB en utilisant le langage naturel.
La combinaison d'agents des modèles de fond de fondement, de dynamodb et de transformation du langage naturel (FMS) ouvre des possibilités passionnantes pour créer des applications conviviales. Les utilisateurs peuvent interagir avec les bases de données en utilisant un langage clair, ce qui facilite l'accès et la manipulation des données non techniques.
Je vous encourage à explorer davantage et à étendre les fonctionnalités de votre agent conversationnel en fonction de vos exigences spécifiques. Avec la bonne conception et la bonne implémentation, vous pouvez créer des agents intelligents qui révolutionnent la façon dont les utilisateurs interagissent avec les données.
Merci de me rejoindre dans ce voyage, et j'espère que ce post vous a inspiré à créer vos propres solutions innovantes en utilisant des agents pour le fondement d'Amazon.
Voir contribuer pour plus d'informations.
Cette bibliothèque est autorisée sous la licence MIT-0. Voir le fichier de licence.
