Building cost-effective RAG applications with Amazon Bedrock Knowledge Bases and Amazon S3 Vectors
在这篇文章中，我们演示了如何将Amazon S3向量与Amazon BedRock知识库集成为RAG应用程序。您将学习一种实用方法来扩展知识库，以处理数百万个文档，同时保持检索质量并使用S3矢量的成本效益存储。
亚马逊基岩知识库通过支持亚马逊OpenSearch服务托管群集的支持，扩大了其矢量商店的选项，从而进一步增强了其作为完全管理的检索增强发电（RAG）解决方案的能力。这种增强基于亚马逊基础知识库的核心功能，该功能旨在将基础模型（FMS）与内部数据源连接起来。这篇文章提供了一个全面的，分步的指南，以将亚马逊基础知识基础与OpenSearch服务托管群集作为其矢量商店。
Query Amazon Aurora PostgreSQL using Amazon Bedrock Knowledge Bases structured data
在这篇文章中，我们讨论了如何使您的Amazon Aurora PostgreSQL兼容版数据可通过Amazon Bedrock知识库进行自然语言查询，同时保持数据新鲜度。
Combat financial fraud with GraphRAG on Amazon Bedrock Knowledge Bases
在这篇文章中，我们展示了如何使用Amazon Neptune Analytics使用Amazon Bedrock知识库来构建财务欺诈检测解决方案。
Build conversational interfaces for structured data using Amazon Bedrock Knowledge Bases
本文提供了使用实用的代码示例和模板配置结构化数据检索解决方案的说明。它涵盖了实施样本和其他注意事项，使您能够快速构建和扩展对话数据界面。
Adobe enhances developer productivity using Amazon Bedrock Knowledge Bases
Adobe使用Amazon Bedrock知识库和Amazon OpenSearch无服务器的Amazon Bedrock知识库和矢量引擎合作。该解决方案极大地改善了他们的开发人员支持系统，从而提高了检索准确性20％。在这篇文章中，我们讨论了该解决方案的细节以及Adobe如何提高其开发人员的生产率。
Contextual retrieval in Anthropic using Amazon Bedrock Knowledge Bases
上下文检索通过在生成嵌入之前向每个块添加块的解释性上下文来增强传统抹布。这种方法通过相关的上下文信息丰富了向量表示，在响应用户查询时，可以更准确地检索语义相关的内容。在这篇文章中，我们演示了如何使用人类和亚马逊基石知识库使用上下文检索。
Build GraphRAG applications using Amazon Bedrock Knowledge Bases
在这篇文章中，我们探讨了如何在亚马逊基岩知识库中使用基于图的检索型生成（GraphRag）来构建智能应用程序。与传统矢量搜索（根据相似性分数检索文档）不同，知识图编码实体之间的关系，允许大型语言模型（LLMS）通过上下文感知的推理检索信息。
在这篇文章中，我们将浏览一个完整的应用程序，该应用程序使用Amazon Bedrock数据自动化处理多模式内容，将提取的信息存储在Anamazon BedRock知识库中，并通过基于RAG的Q＆A接口进行自然语言查询。
DeepWiki omvandlar ditt GitHub-repo till en interaktiv kunskapsbas
DeepWiki是一个创新的平台，将公共GitHub存储库转换为类似于Wiki的交互式知识基础。通过认知AI开发的工具使初学者和经验丰富的开发人员都可以轻松地通过自动生成详细的文档，交互式图表和转换AI助手来快速地了解复杂的代码库。 […]帖子deepwiki的使用将您的github存储库转换为交互式知识库，首先出现在AI新闻中。
Stream ingest data from Kafka to Amazon Bedrock Knowledge Bases using custom connectors
在这篇文章中，我们使用Amazon Managed Streaming为Apache Kafka（Amazon MSK）构建的自定义连接器和主题实现了一个带有亚马逊基岩知识库的RAG架构，该架构可能有兴趣了解股票价格趋势。
Multi-tenancy in RAG applications in a single Amazon Bedrock knowledge base with metadata filtering
这篇文章演示了亚马逊基石知识库如何帮助您有效地扩展数据管理，同时维护不同管理级别的适当访问控制。
Evaluate and improve performance of Amazon Bedrock Knowledge Bases
在这篇文章中，我们讨论了如何评估您的知识库的绩效，包括用于评估的指标和数据。我们还解决了可以改善特定指标的一些策略和配置更改。
Evaluating RAG applications with Amazon Bedrock knowledge base evaluation
这篇文章着重于使用亚马逊基础知识库的抹布评估，提供了一个指南来设置该功能，讨论在评估提示和响应时考虑的细微差别，并最终讨论了最佳实践。到这篇文章结束时，您将了解最新的亚马逊基础评估功能如何简化您的AI质量保证方法，从而更加有效，自信地开发RAG应用程序。
今天，亚马逊Web服务（AWS）宣布了亚马逊基岩知识库（GraphRag）的一般可用性，这是亚马逊基岩知识库中的能力，可增强Amazon Neptune Analytics中的图形数据，增强了检索效果的生成（RAG）。在这篇文章中，我们讨论了GraphRag的好处以及如何在Amazon Bedrock知识库中开始。
Dynamic metadata filtering for Amazon Bedrock Knowledge Bases with LangChain
Amazon Bedrock知识库具有元数据过滤能力，可让您根据文档的特定属性来完善搜索结果，从而提高检索准确性和响应的相关性。这些元数据过滤器可与典型的语义（或混合）相似性搜索结合使用。在这篇文章中，我们讨论了使用亚马逊基岩知识库的元数据过滤器。
这篇文章通过使用Amazon Bedrock知识库实施经过验证的语义缓存来介绍一个解决方案，以减少大语言模型（LLMS）的幻觉，该方法在生成新的答案之前检查了用户问题是否匹配策划和验证的答案。该解决方案将LLM的灵活性与可靠，验证的答案相结合，以提高响应准确性，降低潜伏期和降低成本，同时防止医疗保健，财务和法律服务等关键领域的潜在错误信息。
Amazon Q Business simplifies integration of enterprise knowledge bases at scale
在本文中，我们将演示如何使用 Amazon S3 将企业数据与 Amazon Q Business 集成来构建知识库解决方案。这种方法可帮助组织提高运营效率、缩短响应时间并从历史数据中获得有价值的见解。该解决方案使用 AWS 安全最佳实践来促进数据保护，同时使团队能够从各种数据源创建全面的知识库。
