bedrock agent appointment manager dynamodb

為亞馬遜基岩建造代理：使用自然語言與Amazon DynamoDB和Amazon Bedrock的知識庫無縫互動。

亞馬遜基岩的代理商使開發人員能夠創建通過基礎模型（FMS）理解自然語言的對話代理。在這篇博客文章中，我將創建一個亞馬遜基石代理商，該代理商允許用戶使用自然語言與Amazon DynamoDB表和Amazon Bedrock的知識庫進行交互。

我將指導您設置資源，定義代理的行動組，將AWS Lambda函數關聯以執行DynamoDB操作，並將知識庫集成以增強對話體驗，以提供對用戶查詢的更個性化和上下文感知的響應。使用AWS Cloud Development套件（CDK）使用“ CDK部署”命令所有這些。

最後，您將了解如何構建一個智能對話代理，該智能對話代理簡化數據庫交互，提供個性化的響應並提供用戶友好的體驗。

應用程序如何工作

該代理充當用戶輸入信息並提出請求的接口。

用戶的操作觸發了基於操作組定義，代理可以幫助用戶執行三個關鍵操作的操作觸發AWS lambda函數：Spanappointment，Getappointment和AskTodayDate。

？動作組定義在ag_data.json和Amazon Bedrock定義在Agent_data.json中

Spanappointment和GetAppointment功能與Amazon DynamoDB表相互作用。它根據需要存儲並檢索約會數據。

AskTodayDate函數檢索當前日期信息，然後通過Amazon Bedrock的代理將其轉移回用戶。這使用戶可以接收有關其約會計劃操作的實時更新和確認。

利用存儲在知識庫中的信息，代理可以提供針對客戶獨特需求量身定制的個性化按摩建議。它可以建議最合適的按摩類型，持續時間和任何其他服務，以增強其水療經驗並解決其特定問題。

例如，如果客戶提到頸部疼痛和僵硬，則代理可以從知識庫中汲取靈感，並建議針對頸部和肩部區域的深層組織按摩，並結合熱石療法，以增加放鬆和肌肉的緩解。

AWS級別：中級-200

先決條件：

• AWS帳戶
• Python的基礎知識

？完成費用：

• 亞馬遜基岩價格
• 亞馬遜Lambda定價
• Amazon DynamoDB定價

讓我們構建！

步驟1：設置應用程序

✅克隆倉庫

 git clone https://github.com/build-on-aws/bedrock-agent-appointment-manager-dynamodb

✅轉到：

 cd agent-appointment-manage

通過遵循以下步驟並使用此數據來創建AMZON知識庫，然後在KB_DATA.JSON中編輯“ Inswards_base_id”值：

    {
        "description_kb": "Recommend the best massage. Recommend the best massage according to the user's preferences",
        "knowledge_base_id": "XXXXXXXXXX"
    }

步驟2：使用CDK部署體系結構。

✅創建虛擬環境：通過遵循redme中的步驟

 python3 -m venv .venv

 source .venv/bin/activate

對於Windows：

 .venvScriptsactivate.bat

✅安裝要求：

 pip install -r requirements.txt

✅通過以下命令合成雲形式模板：

 cdk synth --all

✅部署：

 cdk deploy --all

享受應用程序！：

在亞馬遜基岩控制台中嘗試代理商，並改進代理商的說明，直到找到最佳結果為止。

安排約會

檢查約會的狀態

您可以為動作組創建新的邏輯，使代理商更加專業化...沒有限制！

下一步

該代碼旨在構建三種類型的代理：

• 會話代理
• 具有知識庫的代理商
• 行動組的代理商
• 具有行動組和知識庫的代理（默認部署）

構建的代理類型在Agent_Appointment_manager_stack.py的第130行中定義。每種類型的代理的構建取決於知識庫和行動組的JSON定義文件的存在。

        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 )

結論

在此博客文章中，您學會瞭如何創建亞馬遜基礎對話代理，該代理允許用戶使用自然語言與Amazon DynamoDB表進行交互。

BedRock，DynamoDB和自然語言處理的代理商的組合Hrough Foundation模型（FMS）為構建用戶友好的應用程序提供了令人興奮的可能性。用戶可以使用普通語言與數據庫進行交互，從而使非技術用戶更容易訪問和操縱數據。

我鼓勵您進一步探索並根據您的特定要求擴展對話代理的功能。有了正確的設計和實施，您可以創建智能代理，以徹底改變用戶與數據交互的方式。

感謝您加入我的旅程，我希望這篇文章啟發您使用Amazon Bedrock的代理商創建自己的創新解決方案。

安全

有關更多信息，請參見貢獻。

執照

該圖書館已獲得MIT-0許可證的許可。請參閱許可證文件。