Laboratorio práctico — AIP-C01 AWS Certified Generative AI Developer - Professional

Descripción general

Requisitos previos

Pasos

1. 1.Elegir nuestra versión de Terraform y región de AWS

   Inicio estándar. us-east-1 para la más amplia disponibilidad de características de Bedrock + Agente de Bedrock. La fijación de la versión del proveedor no es negociable: los recursos aws_bedrockagent_* requieren ~> 5.60 o posterior.

   Copiar

   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.Dar al agente un bucket privado para cualquier dato de referencia que pueda leer

   Aprovisiona:

   • Amazon S3

   La mayoría de los Agentes de Bedrock en producción terminan leyendo algo de S3 — documentos fuente de bases de conocimiento, definiciones de herramientas JSON, plantillas de respuesta. Aprovisionamos un bucket de antemano para no tener que configurar permisos más tarde. La encriptación + los valores predeterminados de bloqueo de acceso público son el dominio de Integración de Modelos Fundacionales, Gestión de Datos y Cumplimiento de AIP-C01 en acción.

   El examen AIP-C01 evalúa un patrón de cumplimiento específico en torno a este bucket: la encriptación del lado del cliente con una clave controlada por la aplicación es la respuesta correcta cuando la regulación establece que "AWS nunca debe tener los datos sin encriptar". Para todo lo demás, SSE-S3 (lo que hacemos aquí) es suficiente.

   Copiar

   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.Añadir una barandilla de producción con filtros de contenido + PII + temas denegados

   Aprovisiona:

   • Amazon Bedrock Guardrails

   El dominio de Seguridad, Protección y Gobernanza de IA de AIP-C01 (20% del examen) es mucho más profundo que la versión AIF-C01. El examen evalúa la composición multicapa de la barandilla: filtros de contenido para categorías dañinas con alta fuerza, políticas de información sensible para PII (con BLOCK en lugar del estilo AIF ANONYMIZE — los agentes de producción suelen necesitar bloqueos estrictos), y políticas de temas para temas prohibidos específicos de la aplicación.

   Configuramos los tres. El tema denegado "FinancialAdvice" en la política es una barandilla de producción común para chatbots no financieros — incluso Claude 3 a veces se desviará para dar consejos bursátiles a menos que le diga a la barandilla que bloquee la desviación temática. AIP-C01 prueba este patrón de composición exacto en preguntas de escenario donde la instrucción es benigna pero la respuesta podría salirse de la política.

   Copiar

   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.Crear el Agente de Bedrock con un rol IAM de alcance limitado

   Aprovisiona:

   • Amazon Bedrock
   • AWS IAM

   El agente une un modelo fundacional, una instrucción de sistema y (en el Paso 5) uno o más grupos de acción que extienden sus capacidades. El rol IAM que adjuntamos es el rol de ejecución del agente — es lo que el agente usa para invocar modelos, recuperar de bases de conocimiento y llamar a las Lambdas de los grupos de acción. El dominio de Implementación e Integración de AIP-C01 prueba esta forma exacta de rol/confianza: bedrock.amazonaws.com como principal, permisos de alcance limitado para bedrock:InvokeModel en ARN de modelos específicos, y lambda:InvokeFunction en ARN de funciones específicas.

   El campo instruction del agente es la instrucción del sistema — corta, orientada a la acción, que nombra el propósito del agente. Las preguntas de AIP-C01 sobre ingeniería de prompts a nivel de agente prueban exactamente esto: la instrucción es la personalidad persistente; el mensaje del usuario cambia en cada turno.

   Copiar

   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.Añadir un Grupo de Acción que permita al agente invocar una herramienta Lambda

   Aprovisiona:

   • Amazon Bedrock
   • AWS Lambda
   • AWS IAM

   Los Grupos de Acción son la forma en que los Agentes de Bedrock llaman a su código. El patrón: definir el esquema de la API (lo que la herramienta acepta y devuelve), apuntar a una Lambda que implementa las acciones, y Bedrock se encarga del resto — cuando el modelo decide que necesita la herramienta, llama a su Lambda con argumentos estructurados y devuelve la respuesta a la conversación.

   Definimos una acción mínima get_current_time con el esquema OpenAPI 3.0 que Bedrock espera. La implementación de la Lambda es intencionadamente pequeña — lo que el examen evalúa es la forma de la integración (Lambda que llama a funciones + esquema OpenAPI + permiso de invocación de Bedrock), no la lógica interna de la función.

   El recurso aws_lambda_permission es el problema clásico de AIP-C01: sin él, la invocación de la Lambda por parte del agente recibe AccessDenied aunque todas las demás piezas estén correctamente conectadas. Agente de Bedrock → Lambda es un patrón de invocación de servicio externo; la política de recursos de la función necesita permitir bedrock.amazonaws.com explícitamente.

   Con los Grupos de Acción implementados, la forma completa del agente está lista: modelo + instrucción del sistema + barandilla de seguridad + extensibilidad de llamada a herramientas, todo bajo una identidad IAM con alcance limitado. Cada patrón adicional de AIP-C01 (recuperación de Bases de Conocimiento, agentes de múltiples acciones, colaboración entre agentes a través de agentes supervisores) extiende esta base.

   Copiar

   # ── 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" }
                         }
                       }
                     }
                   }
                 }
               }
             }
           }
         }
       })
     }
   }

Limpieza