AWS Certified Generative AI Developer - Professional
315 Übungsfragen
Zuletzt überprüft: April 2026
Persönliche Notizen und Ressourcenlinks für Ihre Lernreise
Nach Zertifizierung Filtern
Das AWS Certified Generative AI Developer Professional (AIP-C01) ist eine berufsbezogene Zertifizierung, die sich auf das Erstellen, Integrieren und Betreiben produktionsreifer generativer KI-Anwendungen auf AWS konzentriert – hauptsächlich auf Amazon Bedrock, mit SageMaker, Lambda, OpenSearch und Knowledge Bases als unterstützende Dienste. Es richtet sich an erfahrene Entwickler und ML-Ingenieure, die RAG-Systeme (Retrieval-Augmented Generation), agentenbasierte Workflows und Tool-gestützte Anwendungen mit Basismodellen entwerfen. Erwarten Sie tiefgehende Szenariofragen zu Prompt Engineering, Embeddings, Vektorsuche, Guardrails, Evaluierung, Kostenoptimierung und verantwortungsvollen KI-Kontrollen. Im Gegensatz zum grundlegenden AIF-C01 setzt AIP-C01 voraus, dass der Kandidat Code schreibt und Bedrock-basierte Funktionen implementiert hat. Die Prüfung besteht aus Multiple-Choice- und Multiple-Response-Fragen, es gibt keine praktischen Übungen.
Größter Bereich mit 31 %. Auswahl von Bedrock-Modellen, Embedding-Pipelines, Vektorspeichern (OpenSearch Serverless, Aurora pgvector, Kendra), Knowledge Bases, Fine-Tuning vs. fortgesetztes Pre-Training und Data Governance für LLM-Trainingsdaten.
Erstellen von RAG-, Agenten- und Tool-gestützten Anwendungen. Bedrock Agents, Action Groups, Lambda-Integrationen und Orchestrierung mehrstufiger LLM-Aufrufe. Häufiger Stolperstein: Wissen, wann ein Agent gegenüber einer benutzerdefinierten Orchestrierung angemessen ist.
Bedrock Guardrails, Schutz vor Prompt-Injection, PII-Redaktion, IAM und KMS für den Modellzugriff und Muster für die Inhaltsmoderation. Fragen mit hoher Dichte trotz des bescheidenen Gewichts von 20 %.
Kontrolle der Inferenzkosten (bereitgestellter vs. On-Demand-Durchsatz), Caching, Modelldestillation, Latenzoptimierung und Auswahl kleinerer Modelle, wo angebracht. Oft übersehen: wann regionsübergreifende Inferenzprofile verwendet werden sollten.
Evaluierungs-Frameworks (Bedrock-Modellevaluierung, menschliche Evaluierung, LLM-als-Richter), Drift, Erkennung von Halluzinationen und Debugging von RAG-Abruffehlern. Kleinster Bereich (11 %), bestraft aber oberflächliches Studium.
Services, die Sie in der Prüfung antreffen, und warum jeder davon wichtig ist.
Vollständig verwalteter Dienst, der Foundation Models von Anthropic, Meta, Mistral, AI21, Cohere, Stability AI und Amazon Titan über eine einzige API mit Streaming-, Batch- und bereitgestelltem Durchsatz bereitstellt.
Warum er in der Prüfung steht: Bedrock ist das Substrat für jedes Szenario in Domäne 1 (Integration von Foundation Models) — Modellauswahl, Inferenzparameter, bereitgestellter vs. On-Demand-Durchsatz und die Handhabung von Streaming-Antworten.
Verwaltete RAG, aufgebaut auf S3-Dokumenten und einem steckbaren Vektorspeicher (OpenSearch Serverless, Aurora pgvector, Pinecone, MongoDB Atlas, Redis Enterprise) mit Chunking, Embeddings und Zitierungsunterstützung.
Warum er in der Prüfung steht: Domäne 2 (Implementierung und Integration) prüft, wann ein Modell mittels RAG statt Fine-Tuning in privaten Daten verankert werden sollte, einschließlich Chunking-Strategie, Wahl des Vektorspeichers und Zitierungsweitergabe.
Richtlinienschicht, die schädliche Inhalte filtert, verweigerte Themen blockiert, PII unkenntlich macht, kontextuelle Verankerungsprüfungen anwendet und Wort-/Themenfilter über Eingabe und Ausgabe hinweg zur Verfügung stellt.
Warum er in der Prüfung steht: Domäne 3 (KI-Sicherheit, -Schutz und Governance) ist weitgehend ein Guardrails-Fragenkatalog — Stärken von Inhaltsfiltern, Konfiguration verweigerter Themen, kontextuelle Verankerung und PII-Anonymisierungsmuster.
Orchestrierungsschicht, die es einem Foundation Model ermöglicht, APIs aufzurufen, Knowledge Bases abzufragen und mehrstufige Aktionen über Tool Use zu verketten, mit Action Groups, die von Lambda und OpenAPI-/Funktionsschemas unterstützt werden.
Warum er in der Prüfung steht: Szenarien in Domäne 2 zu mehrstufigem Reasoning, Tool-Calling Agents und Lambda-gestützten Action Groups bezeichnen Agents als den AWS-nativen Orchestrator; erwarten Sie Unterscheidungen zu reiner Inferenz oder Step Functions.
Fine-Tuning und fortgesetztes Vortraining von Foundation Models auf privaten S3-Datensätzen, die benutzerdefinierte Modelle erzeugen, die über Provisioned Throughput bereitgestellt werden können.
Warum er in der Prüfung steht: Fragen in Domäne 1 testen den Entscheidungsbaum Fine-Tuning vs. RAG vs. Prompt Engineering; erwarten Sie spezifische Szenarien, in denen fortgesetztes Vortraining oder Instruction Fine-Tuning die richtige Antwort ist.
Verwaltete automatische und Human-in-the-Loop-Modellbewertung — integrierte Metriken (Genauigkeit, Robustheit, Toxizität) sowie benutzerdefinierte Rubriken, die von LLM-as-Judge oder menschlichen Arbeitskräften bewertet werden.
Warum er in der Prüfung steht: Domäne 5 (Testen, Validierung und Fehlerbehebung) prüft, wie Qualitätsregressionen zwischen Modellen oder Prompt-Varianten quantifiziert werden können — Bedrock Evaluations ist der dafür genannte Mechanismus.
Katalog vortrainierter Foundation- und aufgabenspezifischer Modelle mit Ein-Klick-Deployment auf SageMaker-Endpunkte, Transfer-Learning-Notebooks und einem Marktplatz für proprietäre Modelle.
Warum er in der Prüfung steht: Domäne 2 unterscheidet "Hosting auf SageMaker-Endpunkt" (JumpStart) von "Aufruf der Bedrock API" — Fragen testen Latenz-, Kosten- und Anpassungs-Tradeoffs zwischen beiden.
Paketierter generativer KI-Assistent — Q Developer für IDE-/Konsolen-Codierungs-Workflows, Q Business für Enterprise-RAG über verbundene Datenquellen, Q in QuickSight für BI-Fragen und Antworten.
Warum er in der Prüfung steht: Domäne 2 prüft, wann Q (als Paket) genutzt werden sollte gegenüber einer Entwicklung auf Bedrock (maßgeschneidert); Q Business erscheint insbesondere in Szenariofragen zum Enterprise-RAG.
Serverloses OpenSearch mit einem dedizierten Vektor-Suchsammlungstyp — das Standard-Backend für Bedrock Knowledge Bases und der am häufigsten getestete AWS-native Vektorspeicher.
Warum er in der Prüfung steht: RAG-Szenarien in Domäne 1 gehen von OpenSearch Serverless als Standard-Vektorspeicher aus — erwarten Sie Fragen zur OCU-Dimensionierung, Kapazitäts-Kosten-Abwägungen und Auswahl von Approximate Nearest Neighbor Indizes.
Aurora PostgreSQL mit der pgvector-Erweiterung, unterstützt von Bedrock Knowledge Bases als alternativer Vektorspeicher mit transaktionaler Semantik und SQL-Zugriff.
Warum er in der Prüfung steht: Fragen zur Vektorspeicher-Auswahl in Domäne 2 stellen Aurora pgvector (existenter SQL-Stack, transaktional) OpenSearch Serverless (reiner Vektor, serverloses OCU) gegenüber.
Objektspeicher, der Knowledge Base Quelldokumente, Fine-Tuning-Trainingskorpora, Bewertungsdatensätze und Modellaufrufprotokolle speichert.
Warum er in der Prüfung steht: Jedes Datenmanagement-Szenario in Domäne 1 läuft über S3 — Chunking-Quelllayout, Lebenszyklus auf Rohdokumenten und IAM-Zugriff auf KB-Buckets sind wiederkehrende Prüfungsthemen.
Serverloses Computing für Bedrock Agent Action Groups, RAG-Vorverarbeitung, Formung der Antwort nach der Inferenz und S3-ereignisgesteuerte Aufnahme in Knowledge Bases.
Warum er in der Prüfung steht: Fragen zu Action Groups in Domäne 2 testen den Lambda-Vertrag (Anfrage-/Antwortschema), den Bedrock Agents aufrufen; Domäne 4 testet Lambda auch als kosteneffizienten Inferenz-Klebstoff.
Serverloser Workflow-Orchestrator mit nativer Bedrock InvokeModel-Integration, ideal für Multi-Call-Prompt-Ketten, parallele Bewertungen und Genehmigungsschleifen mit menschlicher Beteiligung.
Warum er in der Prüfung steht: Domäne 2 unterscheidet Step Functions (deterministische mehrstufige Orchestrierung) von Bedrock Agents (modellgesteuerter Tool-Aufruf); zu wissen, wann welcher Dienst korrekt ist, ist ein wiederkehrendes Distraktor-Muster.
Verwaltetes HTTP-/REST-/WebSocket-Front-End für Bedrock-gestützte Inferenz-Endpunkte, mit Throttling, API-Keys, JWT-Autorisierung und Usage-Plan-Tiering.
Warum er in der Prüfung steht: Szenarien zur Produktionsreife in Domäne 2 testen die externe Bereitstellung von RAG- und Agenten-Endpunkten — API Gateway ist der benannte Einstiegspunkt, gepaart mit Lambda oder direkter Bedrock-Integration.
ML-Plattform, die in AIP-C01 hauptsächlich für das Hosting von JumpStart Foundation Models auf Real-Time-/Serverless-/Async-Endpunkten verwendet wird, wenn die verwaltete API von Bedrock nicht passt.
Warum er in der Prüfung steht: Fragen zur Endpunktbereitstellung in Domäne 2 testen die Wahl zwischen Real-Time, Serverless und Async-Inferenz auf SageMaker; Kosten- und Cold-Start-Tradeoffs gegenüber Bedrock sind der typische Dreh- und Angelpunkt.
Verwalteter NLP mit einer PII-Erkennungs-API, die Entitätsspannen und -typen zurückgibt, sowie gezielter PII-Redaktion — nutzbar als Pre-Guardrails-Filter oder Post-Inferenz-Scrubber.
Warum er in der Prüfung steht: Fragen zur PII-Handhabung in Domäne 3 testen mehrschichtige Abwehrmechanismen: Comprehend zur Erkennung, Guardrails zum Blockieren — zu wissen, wo jeder in der Pipeline hingehört, ist Prüfungsstoff.
Kontoweite Zugriffskontrolle mit Servicerollen, identitätsbasierten und ressourcenbasierten Richtlinien und Bedingungsschlüsseln, die den Zugriff auf Bedrock-Modelle, die Agent-Ausführung und die KB-Aufnahme steuern.
Warum er in der Prüfung steht: Domäne 3 (KI-Sicherheit, -Schutz und Governance) prüft Least-Privilege-Rollen für Bedrock-Aufrufe, Agent Action Groups und Knowledge Base Aufnahme — IAM ist der durchgängig genannte Mechanismus.
Kundenverwaltete Verschlüsselungsschlüssel für Bedrock-Modellanpassungsdaten, Knowledge Base Vektorindizes, S3-Quelldokumente und CloudWatch-Aufrufprotokolle.
Warum er in der Prüfung steht: Compliance-Szenarien in Domäne 3 testen die Kontrolle über kundenverwaltete Schlüssel über Fine-Tuning-Korpora und Prompt-/Antwortprotokolle; KMS-Berechtigungen und Schlüsselrichtlinien sind die genannte Antwort.
Kontoweites Audit-Log jedes API-Aufrufs — wer welches Bedrock-Modell aufgerufen hat, wer Guardrails aktualisiert hat, wer Daten in eine Knowledge Base aufgenommen hat, mit optionaler Datenereigniserfassung für die Inferenz.
Warum er in der Prüfung steht: Audit-Trail-Szenarien in Domäne 3 nennen CloudTrail als unveränderlichen Datensatz, der für Compliance-Reviews und Incident Response über Bedrock- und Agent-Aktivitäten hinweg benötigt wird.
Metriken, Logs und Alarme — Bedrock-Modellaufrufprotokolle (Prompts und Completions), Agent-Traces, Fortschritt der Knowledge Base Aufnahme und Lambda Action Group Ausführungsmetriken.
Warum er in der Prüfung steht: Domäne 4 (Betriebliche Effizienz) und Domäne 5 (Fehlerbehebung) testen CloudWatch für die Beobachtbarkeit der Token-Kosten, Latenzalarmen und das Tracing fehlgeschlagener Agent Action Group Aufrufe.
$140k–$195k–$280k USD jährlich
AIP-C01 ist eine neuere Zertifizierung, für die es keine speziellen Gehaltsumfragen gibt. Die Spanne leitet sich aus angrenzenden GenAI-/ML-Ingenieurvergütungen auf dem US-Markt ab und sollte als ungefähr betrachtet werden. Senior GenAI-Ingenieure in erstklassigen KI-Labs und bei FAANG überschreiten oft 400.000 $ Gesamtvergütung. Einstiegs-"GenAI"-Rollen können unter das untere Ende fallen. Ihre Erfahrungen variieren erheblich je nach Unternehmensstufe, Standort und nachweislich gelieferter Arbeit.
Quelle: levels.fyi 2025–2026 GenAI / ML-Ingenieurrollen (angrenzend), U.S. BLS OEWS Mai 2024 (15-1252 software developers, 15-2051 data scientists). Die Zahlen sind ungefähr; die tatsächliche Vergütung hängt von der Rolle, der Region und der Erfahrung ab.
GenAI-Ingenieurrollen entwickelten sich von 2024 bis 2026 zu einer der am schnellsten wachsenden Berufsfelder, da die Einführung von Bedrock und LLMs in Unternehmen von Prototypen zu Produktionssystemen überging. AIP-C01 ist als glaubwürdiges Signal auf professionellem Niveau positioniert, dass ein Kandidat Bedrock-basierte Anwendungen, einschließlich RAG, Agenten und geschützte Produktions-Endpunkte, liefern kann. Personalvermittler in AWS-zentrierten Unternehmen verwenden es zusammen mit nachweislichen Bedrock-Projekten auf GitHub oder Produktionsarbeiten. Es lässt sich hervorragend mit AIF-C01 (Grundlagen), MLA-C01 (Ingenieursbreite) und Solutions Architect Professional (SAP-C02) für eine Glaubwürdigkeit über mehrere Domänen hinweg kombinieren. Das Zertifikat allein qualifiziert Kandidaten NICHT für ML-Forschung, Rollen im Training von Basismodellen oder angewandte Wissenschaftspositionen – diese erfordern tiefe ML-Grundlagen und oft einen Hochschulabschluss.
Es gibt keine formalen Voraussetzungen. AWS empfiehlt mindestens ein Jahr Erfahrung im Erstellen von Anwendungen mit Basismodellen auf AWS sowie ein Jahr allgemeiner Softwareentwicklungserfahrung. Praktische Erwartungen umfassen Vertrautheit mit Python, REST/SDK-Integration, Vektordatenbanken und mindestens einer Bedrock- oder SageMaker JumpStart-Produktionsbereitstellung.
Der empfohlene Weg ist zunächst AIF-C01, um das GenAI-Vokabular zu erlernen, dann entweder MLA-C01 (technische Tiefe) oder DVA-C02 (Entwicklerflüssigkeit), bevor man sich AIP-C01 vornimmt. Kandidaten ohne vorherige AWS-Erfahrung sollten eine steile Lernkurve erwarten – viele AIP-C01-Fragen setzen eine grundlegende Vertrautheit mit IAM, VPC, Lambda und API Gateway voraus. Ein funktionierendes persönliches RAG-Projekt mit Bedrock plus OpenSearch Serverless oder Knowledge Bases ist das nützlichste Vorbereitungsartefakt.
AIP-C01 ist als "Professional" eingestuft und gehört zu den schwierigeren AWS Associate- oder höheren Prüfungen, da es sowohl LLM-Anwendungsentwicklung als auch die Tiefe der AWS-Plattform abdeckt. Planen Sie 100–160 Stunden über 10–14 Wochen ein, wenn Sie bereits professionell GenAI-Anwendungen entwickeln; über 200 Stunden über 16+ Wochen, wenn Sie aus einem Nicht-GenAI-Hintergrund kommen. Die Prüfung besteht aus 75 bewerteten Fragen in 180 Minuten – Multiple-Choice und Multiple-Response, keine Labs.
Häufige Stolpersteine sind die Breite der Bedrock-Funktionen (Agents, Action Groups, Guardrails, Knowledge Bases, Modellevaluierung, benutzerdefinierter Modellimport, regionsübergreifende Inferenz), nuancierte Kostenoptimierungsszenarien mit bereitgestelltem Durchsatz und subtile Fragen zur Abwägung zwischen RAG-Abrufqualität und Fine-Tuning. Die Prüfung belohnt auch die praktische Vertrautheit mit Maßnahmen zur Vermeidung von Prompt-Injection und Datenlecks.
Erste allgemeine Verfügbarkeit des professionellen Generative AI Developer Zertifikats. Ersetzt und erweitert das grundlegende AIF-C01 mit umfassenden Inhalten zu Bedrock und LLM-Anwendungen. Aktuelle Version mit Stand April 2026.
AIP-C01 (AWS Certified Generative AI Developer - Professional) ist eine eine anspruchsvolle, szenariobasierte Prüfung, die tiefe praktische Erfahrung und die Fähigkeit erfordert, architektonische Kompromissentscheidungen zu treffen Professional-Level-Prüfung. Die meisten Kandidaten benötigen 150–300 Stunden Lernzeit, verteilt über 3–6 Monate, für Prüfungen auf Professional- und Expertenniveau. Diese Prüfungen setzen in der Regel eine vorherige Associate-Level-Kompetenz voraus. Die meisten Kandidaten, die bei Übungsprüfungen konstant über der Bestehensschwelle liegen, bestehen beim ersten Versuch.
Die meisten Kandidaten benötigen 150–300 Stunden Lernzeit, verteilt über 3–6 Monate, für Prüfungen auf Professional- und Expertenniveau. Diese Prüfungen setzen in der Regel eine vorherige Associate-Level-Kompetenz voraus. Die benötigte Zeit bis zum Bestehen variiert stark je nach Vorerfahrung. Ingenieure mit praktischer Produktionserfahrung in der zugrunde liegenden Technologie benötigen in der Regel weniger; Kandidaten, die neu auf der Plattform sind, sollten sich am oberen Ende dieses Bereichs orientieren.
AIP-C01 ist ein anerkanntes Zeugnis im AWS-Ökosystem und signalisiert Arbeitgebern, Personalvermittlern und Kunden validiertes Wissen. Ob es sich für Sie lohnt, hängt von Ihrer Rolle und Ihren Zielen ab – es zahlt sich am meisten für Cloud-Ingenieure, Architekten und Berater aus, die täglich mit AWS arbeiten oder in solche Rollen wechseln möchten.
Die Bestehensgrenze für AIP-C01 beträgt 750 / 1000. Die Prüfung enthält 75 Fragen und dauert 3 Std.
Die Prüfungsgebühr für AIP-C01 beträgt $300 USD. Die Gebühren werden von AWS festgelegt und können je nach Region variieren; bestätigen Sie immer den aktuellen Preis auf der offiziellen AWS Zertifizierungsseite, bevor Sie buchen.
AWS-Zertifizierungen sind 3 Jahre gültig. Rezertifizieren Sie sich, indem Sie die aktuelle Version derselben Prüfung bestehen oder eine Prüfung auf höherem Niveau im selben Pfad vor Ablauf bestehen.
Ja. Sie können die Prüfung online (über den sicheren Browser des Anbieters, in den meisten Regionen rund um die Uhr verfügbar) oder in einem persönlichen Pearson VUE Testzentrum während der Geschäftszeiten ablegen. Beide Formate verwenden die gleichen Fragen, Zeitlimits und Bestehensgrenzen.
CertLabPro bietet 15 Lernmodi für die Übungsfragenbank für AIP-C01. Der Prüfungssimulationsmodus bildet die echte Prüfung ab: 75 Fragen in 3 Std, mit der gleichen Bestehensschwelle von 750 / 1000. Im Browsing-Modus können Sie jede Frage und Antwort statisch lesen.