Praxislabor — AIP-C01 AWS Certified Generative AI Developer - Professional

Übersicht

Voraussetzungen

Schritte

1. 1.Wählen Sie unsere Terraform-Version und AWS-Region

   Standard-Eröffnung. us-east-1 für die breiteste Verfügbarkeit von Bedrock- und Bedrock Agent-Funktionen. Die Provider-Versionsfixierung ist nicht verhandelbar: aws_bedrockagent_*-Ressourcen erfordern ~> 5.60 oder höher.

   Kopieren

   terraform {
     required_version = ">= 1.5"
   
     required_providers {
       aws = {
         source  = "hashicorp/aws"
         version = "~> 5.60"
       }
       archive = {
         source  = "hashicorp/archive"
         version = "~> 2.4"
       }
     }
   }
   
   provider "aws" {
     region = "us-east-1"
   
     default_tags {
       tags = {
         Project   = "certlabpro-aip-c01"
         ManagedBy = "terraform"
       }
     }
   }
   
   data "aws_caller_identity" "current" {}
   data "aws_region" "current" {}

2. 2.Geben Sie dem Agenten einen privaten Bucket für alle Referenzdaten, die er möglicherweise liest

   Ressourcen:

   • Amazon S3

   Die meisten produktiven Bedrock Agents lesen schließlich etwas aus S3 – Quelldokumente von Wissensbasen, JSON-Werkzeugdefinitionen, Antwortvorlagen. Wir stellen einen Bucket im Voraus bereit, damit wir später keine Berechtigungen nachrüsten müssen. Die Standardeinstellungen für Verschlüsselung + Blockierung des öffentlichen Zugriffs sind der Bereich Grundlagenmodellintegration, Datenmanagement und Compliance von AIP-C01 in Aktion.

   Die AIP-C01-Prüfung testet ein spezifisches Compliance-Muster rund um diesen Bucket: client-seitige Verschlüsselung mit einem Schlüssel, den die Anwendung kontrolliert, ist die richtige Antwort, wenn die Vorschrift besagt, dass “AWS niemals die unverschlüsselten Daten haben darf”. Für alles andere ist SSE-S3 (was wir hier tun) ausreichend.

   Kopieren

   resource "aws_s3_bucket" "agent_data" {
     bucket_prefix = "certlabpro-aip-c01-"
   }
   
   resource "aws_s3_bucket_public_access_block" "agent_data" {
     bucket = aws_s3_bucket.agent_data.id
   
     block_public_acls       = true
     block_public_policy     = true
     ignore_public_acls      = true
     restrict_public_buckets = true
   }
   
   resource "aws_s3_bucket_server_side_encryption_configuration" "agent_data" {
     bucket = aws_s3_bucket.agent_data.id
   
     rule {
       apply_server_side_encryption_by_default {
         sse_algorithm = "AES256"
       }
     }
   }

3. 3.Fügen Sie eine produktionsreife Guardrail mit Inhalts- + PII- + verbotenen Themen-Filtern hinzu

   Ressourcen:

   • Amazon Bedrock Guardrails

   Der Bereich KI-Sicherheit, -Schutz und -Governance von AIP-C01 (20% der Prüfung) geht viel tiefer als die AIF-C01-Version. Die Prüfung testet die mehrschichtige Guardrail-Zusammensetzung: Inhaltsfilter für schädliche Kategorien mit hoher Stärke, Richtlinien für sensible Informationen für PII (mit BLOCK anstelle des AIF-Stils ANONYMIZE — produktive Agenten benötigen in der Regel harte Blöcke) und Themenrichtlinien für anwendungsspezifische verbotene Themen.

   Wir konfigurieren alle drei. Das verbotene Thema "FinancialAdvice" in der Richtlinie ist eine gängige Produktions-Guardrail für nicht-finanzielle Chatbots – selbst Claude 3 wird manchmal dazu neigen, Aktientipps zu geben, es sei denn, Sie weisen die Guardrail an, thematische Abweichungen zu blockieren. AIP-C01 testet genau dieses Zusammensetzungsmuster in Szenariofragen, bei denen der Prompt harmlos ist, die Antwort aber von der Richtlinie abweichen könnte.

   Kopieren

   resource "aws_bedrock_guardrail" "production" {
     name                      = "certlabpro-aip-c01-production"
     description               = "Production-grade safety rail for the AIP-C01 lab agent."
     blocked_input_messaging   = "I can't help with that request."
     blocked_outputs_messaging = "I can't share that response."
   
     content_policy_config {
       filters_config {
         input_strength  = "HIGH"
         output_strength = "HIGH"
         type            = "HATE"
       }
       filters_config {
         input_strength  = "HIGH"
         output_strength = "HIGH"
         type            = "VIOLENCE"
       }
       filters_config {
         input_strength  = "HIGH"
         output_strength = "HIGH"
         type            = "SEXUAL"
       }
       filters_config {
         input_strength  = "HIGH"
         output_strength = "HIGH"
         type            = "INSULTS"
       }
       filters_config {
         input_strength  = "HIGH"
         output_strength = "HIGH"
         type            = "MISCONDUCT"
       }
     }
   
     sensitive_information_policy_config {
       pii_entities_config {
         action = "BLOCK"
         type   = "EMAIL"
       }
       pii_entities_config {
         action = "BLOCK"
         type   = "PHONE"
       }
       pii_entities_config {
         action = "BLOCK"
         type   = "US_SOCIAL_SECURITY_NUMBER"
       }
       pii_entities_config {
         action = "BLOCK"
         type   = "CREDIT_DEBIT_CARD_NUMBER"
       }
     }
   
     topic_policy_config {
       topics_config {
         name       = "FinancialAdvice"
         definition = "Specific recommendations to buy, sell, or hold financial instruments."
         examples   = ["Should I buy NVDA?", "Is now a good time to sell my Bitcoin?"]
         type       = "DENY"
       }
     }
   }

4. 4.Erstellen Sie den Bedrock Agent mit einer eingeschränkten IAM-Rolle

   Ressourcen:

   • Amazon Bedrock
   • AWS IAM

   Der Agent verbindet ein Basismodell, einen System-Prompt und (in Schritt 5) eine oder mehrere Aktionsgruppen, die seine Fähigkeiten erweitern. Die IAM-Rolle, die wir zuweisen, ist die Ausführungsrolle des Agenten – sie wird vom Agenten verwendet, um Modelle aufzurufen, aus Wissensbasen abzurufen und Aktionsgruppen-Lambdas aufzurufen. Der Bereich Implementierung und Integration von AIP-C01 testet genau diese Rollen-/Vertrauensform: bedrock.amazonaws.com als Principal, eingeschränkte Berechtigungen für bedrock:InvokeModel auf spezifischen Modell-ARNs und lambda:InvokeFunction auf spezifischen Funktions-ARNs.

   Das instruction-Feld des Agenten ist der System-Prompt – kurz, handlungsorientiert und benennt den Zweck des Agenten. AIP-C01-Fragen zum Prompt Engineering auf Agentenebene testen genau dies: Die Anweisung ist die dauerhafte Persönlichkeit; die Benutzernachricht ändert sich pro Runde.

   Kopieren

   resource "aws_iam_role" "agent" {
     name = "certlabpro-aip-c01-agent"
   
     assume_role_policy = jsonencode({
       Version = "2012-10-17"
       Statement = [{
         Effect    = "Allow"
         Principal = { Service = "bedrock.amazonaws.com" }
         Action    = "sts:AssumeRole"
         Condition = {
           StringEquals = {
             "aws:SourceAccount" = data.aws_caller_identity.current.account_id
           }
         }
       }]
     })
   }
   
   resource "aws_iam_role_policy" "agent_invoke_model" {
     name = "invoke-foundation-model"
     role = aws_iam_role.agent.id
   
     policy = jsonencode({
       Version = "2012-10-17"
       Statement = [{
         Effect = "Allow"
         Action = ["bedrock:InvokeModel", "bedrock:InvokeModelWithResponseStream"]
         Resource = "arn:aws:bedrock:${data.aws_region.current.name}::foundation-model/anthropic.claude-3-haiku-20240307-v1:0"
       }]
     })
   }
   
   resource "aws_bedrockagent_agent" "main" {
     agent_name                  = "certlabpro-aip-c01-agent"
     agent_resource_role_arn     = aws_iam_role.agent.arn
     foundation_model            = "anthropic.claude-3-haiku-20240307-v1:0"
     instruction                 = "You are a helpful assistant for the certlabpro AIP-C01 lab. Answer concisely. When the user asks about the current time, use the get_current_time tool."
     idle_session_ttl_in_seconds = 600
   
     # Attach the guardrail from Step 3. Bedrock evaluates inputs and outputs
     # against the guardrail policy on every model call.
     guardrail_configuration {
       guardrail_identifier = aws_bedrock_guardrail.production.guardrail_id
       guardrail_version    = aws_bedrock_guardrail.production.version
     }
   }

5. 5.Fügen Sie eine Aktionsgruppe hinzu, die es dem Agenten ermöglicht, ein Lambda-Tool aufzurufen

   Ressourcen:

   • Amazon Bedrock
   • AWS Lambda
   • AWS IAM

   Aktionsgruppen sind die Art und Weise, wie Bedrock Agents Ihren Code aufrufen. Das Muster: Definieren Sie das API-Schema (was das Tool akzeptiert und zurückgibt), verweisen Sie auf eine Lambda-Funktion, die die Aktionen implementiert, und Bedrock kümmert sich um den Rest – wenn das Modell entscheidet, dass es das Tool benötigt, ruft es Ihre Lambda-Funktion mit strukturierten Argumenten auf und speist die Antwort zurück in die Konversation.

   Wir definieren eine minimale get_current_time-Aktion mit dem von Bedrock erwarteten OpenAPI 3.0-Schema. Die Lambda-Implementierung ist absichtlich winzig – was die Prüfung testet, ist die Form der Integration (funktionsaufrufende Lambda-Funktion + OpenAPI-Schema + Bedrock-Aufrufberechtigung), nicht die interne Logik der Funktion.

   Die aws_lambda_permission-Ressource ist die kanonische AIP-C01-Falle: Ohne sie erhält der Aufruf der Lambda-Funktion durch den Agenten AccessDenied, obwohl jedes andere Teil korrekt verdrahtet ist. Bedrock Agent → Lambda ist ein Aufrufmuster für externe Dienste; die Ressourcenrichtlinie der Funktion muss bedrock.amazonaws.com explizit zulassen.

   Mit den Aktionsgruppen ist die vollständige Agentenform abgeschlossen: Modell + System-Prompt + Sicherheits-Guardrail + Erweiterbarkeit durch Werkzeugaufrufe, alles unter einer eingeschränkten IAM-Identität. Jedes zusätzliche AIP-C01-Muster (Abruf aus Wissensbasis, Multi-Aktions-Agenten, Agenten-Kollaboration über Supervisor-Agenten) erweitert diese Basis.

   Kopieren

   # ── Lambda tool ───────────────────────────────────────────────
   data "archive_file" "tool" {
     type        = "zip"
     output_path = "${path.module}/build/tool.zip"
   
     source {
       filename = "index.py"
       content  = <<-EOT
         import json
         from datetime import datetime, timezone
         def handler(event, context):
           # Bedrock Agent passes the parsed args under `requestBody` / `parameters`.
           # For a simple no-arg tool, just return the current time.
           now_iso = datetime.now(timezone.utc).isoformat()
           return {
             "messageVersion": "1.0",
             "response": {
               "actionGroup": event.get("actionGroup", ""),
               "apiPath": event.get("apiPath", "/"),
               "httpMethod": event.get("httpMethod", "GET"),
               "httpStatusCode": 200,
               "responseBody": {"application/json": {"body": json.dumps({"current_time_utc": now_iso})}},
             },
           }
       EOT
     }
   }
   
   resource "aws_iam_role" "tool_lambda" {
     name = "certlabpro-aip-c01-tool"
   
     assume_role_policy = jsonencode({
       Version = "2012-10-17"
       Statement = [{
         Effect    = "Allow"
         Principal = { Service = "lambda.amazonaws.com" }
         Action    = "sts:AssumeRole"
       }]
     })
   }
   
   resource "aws_iam_role_policy_attachment" "tool_logs" {
     role       = aws_iam_role.tool_lambda.name
     policy_arn = "arn:aws:iam::aws:policy/service-role/AWSLambdaBasicExecutionRole"
   }
   
   resource "aws_lambda_function" "tool" {
     function_name    = "certlabpro-aip-c01-tool"
     role             = aws_iam_role.tool_lambda.arn
     runtime          = "python3.12"
     handler          = "index.handler"
     filename         = data.archive_file.tool.output_path
     source_code_hash = data.archive_file.tool.output_base64sha256
     timeout          = 10
   }
   
   resource "aws_lambda_permission" "agent_invoke_tool" {
     statement_id  = "AllowBedrockAgentInvoke"
     action        = "lambda:InvokeFunction"
     function_name = aws_lambda_function.tool.function_name
     principal     = "bedrock.amazonaws.com"
     source_arn    = aws_bedrockagent_agent.main.agent_arn
   }
   
   # Also let the agent invoke the lambda from its execution role.
   resource "aws_iam_role_policy" "agent_invoke_lambda" {
     name = "invoke-tool"
     role = aws_iam_role.agent.id
   
     policy = jsonencode({
       Version = "2012-10-17"
       Statement = [{
         Effect   = "Allow"
         Action   = "lambda:InvokeFunction"
         Resource = aws_lambda_function.tool.arn
       }]
     })
   }
   
   # ── Action Group ──────────────────────────────────────────────
   resource "aws_bedrockagent_agent_action_group" "time" {
     action_group_name          = "time-tools"
     agent_id                   = aws_bedrockagent_agent.main.agent_id
     agent_version              = "DRAFT"
     description                = "Time-related tool calls for the agent."
     skip_resource_in_use_check = false
   
     action_group_executor {
       lambda = aws_lambda_function.tool.arn
     }
   
     api_schema {
       payload = jsonencode({
         openapi = "3.0.0"
         info    = { title = "Time tools", version = "1.0.0" }
         paths = {
           "/get_current_time" = {
             get = {
               operationId = "get_current_time"
               description = "Returns the current UTC time as an ISO-8601 string."
               responses = {
                 "200" = {
                   description = "Current UTC time"
                   content = {
                     "application/json" = {
                       schema = {
                         type = "object"
                         properties = {
                           current_time_utc = { type = "string", format = "date-time" }
                         }
                       }
                     }
                   }
                 }
               }
             }
           }
         }
       })
     }
   }

Bereinigung