Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich. # Erstellen Sie eine verwaltete Wissensdatenbank Wenn Sie eine verwaltete Wissensdatenbank erstellen, AgentCore verwaltet Amazon Bedrock die Speicher-, Indexierungs- und Abrufinfrastruktur für Sie. Standardmäßig wird ein servicemanagiertes Einbettungsmodell verwendet, und es ist keine Modellauswahl oder Konfiguration erforderlich. Sie können stattdessen optional Ihr eigenes Bedrock-Einbettungsmodell bereitstellen. Sie können optional auch einen KMS-Schlüssel für die Verschlüsselung des verwalteten Vektorspeichers angeben. Nachdem Sie die Wissensdatenbank erstellt haben, verbinden Sie sie mit einer Datenquelle und beginnen Sie mit der Erfassung. Einzelheiten zum Herstellen einer Verbindung mit einer Datenquelle finden [Sie unter Verbinden einer Datenquelle](kb-managed-connect-ds.md). Verwenden Sie die `StartIngestionJob` API, um eine Datenquelle zu synchronisieren. Details hierzu finden Sie unter [Synchronisieren Sie Ihre Datenquelle mit Ihrer Amazon Bedrock-Wissensdatenbank](kb-data-source-sync-ingest.md). Um zu erfahren, wie Sie eine verwaltete Wissensdatenbank erstellen, wählen Sie die Registerkarte für Ihre bevorzugte Methode: ------ #### [ Console ] **Um eine verwaltete Wissensdatenbank zu erstellen** 1. Melden Sie sich bei Amazon Bedrock an AWS-Managementkonsole und navigieren Sie zu Amazon Bedrock AgentCore > **Built-in Tools** > **Knowledge Base**. 1. Wählen Sie „**Verwaltete Wissensdatenbank erstellen**“. 1. (Optional) Erweitern Sie den Abschnitt **Zusätzliche Konfigurationen** der **Knowledge Base-Details**, um Folgendes zu konfigurieren: + Fügen Sie eine Beschreibung hinzu. + Wählen Sie einen Typ für das Einbettungsmodell aus: + **Verwaltet** (Standard): Es wird ein vom Service verwaltetes Einbettungsmodell verwendet. Es ist keine Modellauswahl oder Konfiguration erforderlich. + **Benutzerdefiniert**: Wählen Sie ein Bedrock-Einbettungsmodell aus. Wählen Sie das Modell aus, um die Modellauswahl zu öffnen, in der verfügbare Anbieter (Amazon, Cohere) und Modelle angezeigt werden. + Konfigurieren Sie IAM-Berechtigungen: Wählen Sie **Neue Servicerolle erstellen und verwenden (empfohlen) oder wählen Sie eine vorhandene Rolle** aus. + Konfigurieren Sie die AWS KMS Verschlüsselung für den verwalteten Vektorspeicher (standardmäßig AWS verwalteter Schlüssel oder wählen Sie einen benutzerdefinierten KMS-Schlüssel). 1. Geben Sie unter **Datenquelle** einen Datenquellennamen ein. 1. Wählen Sie Ihren Datenquellentyp aus der Dropdownliste aus: Amazon S3, Confluence, Custom, Google Drive, OneDrive SharePoint, oder Web Crawler. 1. Konfigurieren Sie die Verbindungseinstellungen für die Datenquelle für den ausgewählten Datenquellentyp. 1. (Optional) Erweitern Sie **Inhaltsanalyse und Chunking, um Folgendes** zu konfigurieren: + Die Analysestrategie ist standardmäßig auf **Managed** Parser eingestellt. + Wählen Sie eine Strategie für das Aufteilen von Text aus der Dropdownliste aus: + **Standard-Chunking** (empfohlen): Teilt Text in Blöcke mit fester Größe auf. + **Fixed-size Chunking: Teilt den Text in die von Ihnen festgelegte ungefähre Token-Größe** auf. + **Keine Aufteilung: Für vorverarbeitete oder vorgeteilte** Dokumente. 1. (Optional) Erweitern Sie **Erweiterte Konfigurationen, um die erweiterte Indizierung** zu konfigurieren. Unter **Inhaltsindizierung indexiert** die Standardeinstellung textbasierte Inhalte aus gängigen Dokumenten. Aktivieren Sie die erweiterte Indizierung für zusätzliche Modalitäten: + **Visueller Inhalt in Dokumenten**: Verarbeitet eingebettete Grafiken in PDF-, .docx-, .ppt- und.pptx-Dateien. + **Audiodateien**: Verarbeitet .mp3-, .wav-, .m4a-, .flac-, .ogg-Dateien. + **Videodateien: Verarbeitet MP4-, MOV- und M4V-Dateien**. Legen Sie optional eine maximale Dateigröße (MB) fest und konfigurieren Sie den Schutz vor dem Löschen von Dokumenten. 1. (Optional) Konfigurieren Sie die Protokollzustellung so, dass Wissensdatenbank-Aufnahmeprotokolle an ein Ziel wie CloudWatch Logs, Amazon S3 oder Firehose gesendet werden. 1. Wählen Sie „Wissensdatenbank **erstellen**“. 1. Warten Sie, bis die Wissensdatenbank und die Datenquelle erstellt sind (2—5 Minuten). Wenn Sie eine verwaltete Wissensdatenbank mit einem vom Kunden verwalteten Schlüssel erstellen, kann die Erstellung länger dauern. ------ #### [ API ] Im Folgenden finden Sie ein Beispiel für die Erstellung einer verwalteten Wissensdatenbank und die Konfiguration Ihrer Datenquelle mithilfe der API mit dem AWS CLI oder einem unterstützten SDK wie Python. Nach dem Aufrufen rufen Sie an [CreateKnowledgeBase](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_agent_CreateKnowledgeBase.html), [CreateDataSource](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_agent_CreateDataSource.html)um Ihre Datenquelle mit Ihren Verbindungsinformationen zu erstellen`dataSourceConfiguration`. Weitere Informationen zu Anpassungen, die Sie auf die Erfassung anwenden können, indem Sie das optionale `vectorIngestionConfiguration`-Feld einbeziehen, finden Sie unter [So passen Sie die Aufnahme für eine Datenquelle an](kb-managed-customize-ingestion.md). **AWS Command Line Interface** **Schritt 1: Erstellen Sie die Wissensdatenbank** Mit einem verwalteten Einbettungsmodell (Standard): ``` aws bedrock-agent create-knowledge-base \ --name "{{my-managed-kb}}" \ --role-arn "{{arn:aws:iam::123456789012:role/BedrockKBRole}}" \ --description "{{My managed knowledge base}}" \ --knowledge-base-configuration file://kb-config.json kb-config.json { "type": "MANAGED", "managedKnowledgeBaseConfiguration": { "embeddingModelType": "MANAGED" } } ``` Mit einem benutzerdefinierten Einbettungsmodell (vom Kunden bereitgestelltes Bedrock-Modell): ``` aws bedrock-agent create-knowledge-base \ --name "{{my-custom-embed-kb}}" \ --role-arn "{{arn:aws:iam::123456789012:role/BedrockKBRole}}" \ --description "{{My managed knowledge base with custom embedding}}" \ --knowledge-base-configuration file://kb-config.json kb-config.json { "type": "MANAGED", "managedKnowledgeBaseConfiguration": { "embeddingModelType": "CUSTOM", "embeddingModelArn": "{{arn:aws:bedrock:us-west-2::foundation-model/amazon.titan-embed-text-v2:0}}", "embeddingModelConfiguration": { "bedrockEmbeddingModelConfiguration": { "dimensions": 1024 } } } } ``` **Anmerkung** Wenn es weggelassen `embeddingModelType` wird, ist es standardmäßig. `MANAGED` Bei der Verwendung `MANAGED` dürfen Sie `embeddingModelArn` oder `embeddingModelConfiguration` nicht angeben. Bei der Verwendung `CUSTOM` sind beide Felder erforderlich. **Schritt 2: Erstellen Sie eine Datenquelle** ``` aws bedrock-agent create-data-source \ --name "{{S3-connector}}" \ --description "{{S3 data source connector for Amazon Bedrock to use content in S3}}" \ --knowledge-base-id "{{your-knowledge-base-id}}" \ --data-source-configuration file://bedrock-s3-managed-connector-configuration.json \ --data-deletion-policy "DELETE" \ --vector-ingestion-configuration '{"parsingConfiguration":{"parsingStrategy":"SMART_PARSING"}}' bedrock-s3-managed-connector-configuration.json { "type": "MANAGED_KNOWLEDGE_BASE_CONNECTOR", "managedKnowledgeBaseConnectorConfiguration": { "mediaExtractionConfiguration": { "imageExtractionConfiguration": { "imageExtractionStatus": "ENABLED" } }, "connectorParameters": { "type": "S3", "version": "1", "connectionConfiguration": { "bucketName": "{{your-test-s3-bucket}}", "bucketOwnerAccountId": "{{123456789012}}" }, "deletionProtectionConfiguration": { "enableDeletionProtection": false } } } } ``` ------ ## Modelloptionen einbetten Verwaltete Wissensdatenbanken unterstützen zwei Arten von Einbettungsmodellen: + **Verwaltete Einbettung** (Standard) — Ein vom Service verwaltetes Einbettungsmodell wird automatisch verwendet. Sie müssen kein Modell auswählen, Dimensionen konfigurieren oder Bedrock-Servicebeschränkungen für die Einbettung verwalten. Der Service kümmert sich transparent um die Modellauswahl, das Hosting und die Skalierung. + **Benutzerdefiniertes Einbetten** — Sie stellen Ihr eigenes Bedrock-Einbettungsmodell ARN zur Verfügung. Wenn Sie ein benutzerdefiniertes Einbettungsmodell verwenden, müssen Sie die Modelldimensionen (1024) und den Float32-Einbettungsdatentyp angeben. Die folgenden Bedrock-Einbettungsmodelle werden unterstützt: + Amazon Titan Text Embeddings V2 + Cohere Embed Englisch v3 + Cohere Embed Mehrsprachig v3 + Cohere Embed v4 + Multimodale Einbettungen von Amazon Nova **Anmerkung** Sie können den Typ des Einbettungsmodells nicht ändern, nachdem Sie die Wissensdatenbank erstellt haben. Um zwischen verwalteter und benutzerdefinierter Einbettung zu wechseln, müssen Sie eine neue Wissensdatenbank erstellen. **Wichtig** Wenn Sie eine Wissensdatenbank mit einem benutzerdefinierten Einbettungsmodell erstellen, ist der verwaltete Reranker für diese Wissensdatenbank nicht verfügbar. Um den verwalteten Reranker zu verwenden, erstellen Sie Ihre Wissensdatenbank mit dem standardmäßigen verwalteten Einbettungsmodell. ## Unterstützte Datenquellen-Konnektoren Verwaltete Wissensdatenbanken unterstützen die folgenden Datenquellen-Konnektoren: + Amazon S3 + Konfluenz + Microsoft SharePoint + Google Drive + Microsoft OneDrive + Webcrawler + Benutzerdefinierter Anschluss Informationen zur Konfiguration von Datenquellenconnectors finden Sie unter [Eine Datenquelle Connect](kb-managed-connect-ds.md).