面向 AIF-C01 的 AWS AI 服务与子服务：每一个的作用及使用方法

AIF-C01 考试不会要求你构建任何东西。它考查的是你能否为某个问题挑选正确的 AWS 服务，并解释它的作用。这听起来很简单，直到你意识到 AWS 拥有十几个 AI 服务，而其中两个重量级服务 - Amazon Bedrock 与 Amazon SageMaker AI - 各自又包含十几个自己的子服务。大多数人只学了那些头条名称，结果被一个取决于 Knowledge Bases 与微调之别、或 Ground Truth 与 Data Wrangler 之别的场景难住。

这是深度版本：涵盖 AIF-C01 范围内的每一个服务和每一个子服务，说明它是什么、为何存在、以及你实际会如何使用它。它篇幅很长是刻意为之 - 请把它当作一份按章节浏览的参考，而不是从头读到尾的故事。如果你想先看一份更简短的"哪个服务对应哪个考试领域"地图，请阅读配套文章 AIF-C01 考试涉及的每一个 AWS 服务，然后再回到这里了解子服务的细节。

思维模型：在 AWS 上使用 AI 的五种方式

在进入服务列表之前，先在脑中记住这个框架。考试上的每一道 AI 题目实际上都在问"这五个层次中哪一个合适？"

• 托管 AI API（Comprehend、Rekognition、Textract 等等）- 预训练、单一用途。你发送数据，得到结果。无需选择模型，无需训练。
• Amazon Bedrock - 对基础模型的托管访问，加上用于构建生成式 AI 应用的工具（RAG、agents、guardrails）。你选择一个模型并组合行为；你无需管理服务器。
• Amazon SageMaker AI - 完整的自建模型平台。你准备数据、训练、调优、部署并监控自定义模型。
• Amazon Q - 成品级的 AI 助手产品。你无需选择模型或搭建向量存储；AWS 已经做好了。
• PartyRock - 一个用于学习和原型设计生成式 AI 应用的无代码试验场。

考试不断考查这些层次之间的边界。阅读下面每个服务时，请始终记住其所属的层次。

Amazon Bedrock

它是什么。 一项完全托管的服务，为你提供一个 API 来调用来自众多提供商的基础模型，外加一套内置工具用于在这些模型之上构建生成式 AI 应用。无需基础设施，无需模型托管 - 你发送提示词，得到响应。

为何存在。 生成式 AI 应用需要的不只是一个原始模型：它们需要私有数据的接地、安全控制、编排与评估。Bedrock 把这一切都封装在无服务器 API 之后，让你构建应用，而不是搭建管道。

如何使用。 挑选一个模型，在 playground 中测试它，然后加入你需要的子服务（用 Knowledge Bases 做 RAG、用 Guardrails 做安全、用 Agents 执行动作），并通过 API 或 SDK 从你的应用中调用这一切。

Foundation models

你可以调用的模型目录。你并未被锁定在某一家供应商 - 为成本、延迟和能力选择合适的模型是一项核心考试技能。

• Amazon Titan - Amazon 的第一方模型：Titan Text、Titan Text Embeddings（用于 RAG 向量检索）、Titan Image Generator 以及 Titan Multimodal Embeddings。
• Amazon Nova - Amazon 较新的模型家族（在下文自己的章节中介绍）。
• Anthropic Claude - 强大的通用推理和长上下文模型。
• Meta Llama、Mistral、Cohere、AI21 Labs (Jamba)、Stability AI（图像生成）等等。

要知道，"基础模型"是一个大型预训练模型，你通过提示、RAG 或微调来适配它 - 而不是从零开始训练的东西。

Bedrock playgrounds

是什么/为何。 控制台中的聊天、文本和图像控制台，用于无代码地尝试模型和提示词。这是你在动手搭建任何东西之前比较模型并调优推理参数（temperature、top-p、max tokens）的地方。

如何使用。 打开 playground，挑选一个模型，反复迭代提示词，然后把胜出的模型和设置带入你的应用。

Knowledge Bases

是什么/为何。 托管的检索增强生成（RAG）能力。它把基础模型连接到你的私有文档，使答案基于你的数据 - 且无需微调。

如何使用。 把它指向一个数据源（例如 S3），它会把文档分块、生成 embeddings、存入向量存储，并在查询时检索相关段落注入提示词。它会自动跟踪引用来源。对于"在不重新训练的情况下让模型基于私有数据"这类题目，考试的标准答案就是 Knowledge Bases (RAG)。

Agents

是什么/为何。 赋予基础模型采取动作的能力 - 调用 API、运行多步工作流、查询 Knowledge Base - 而不是仅仅返回文本。

如何使用。 定义"action groups"（模型可以调用的工具和 API，通常由 Lambda 支撑），Agents 会运行"推理-行动-观察"循环。如果某个场景需要助手先查找某样东西再去做某件事（查询订单、更新记录），答案就是 Agents，而不是普通推理。

Guardrails

是什么/为何。 位于用户和模型之间的可配置策略层，用于强制执行安全和负责任 AI 的要求。

如何使用。 打开你需要的防护：内容过滤器（仇恨、暴力等）、你自定义的被拒主题、词语过滤器、对输入和输出的敏感信息（PII）脱敏，以及用于减少幻觉的上下文接地检查。它是声明式的 - 无需自定义代码。Guardrails 可跨模型、Agents、Knowledge Bases 和 Flows 应用。

Flows

是什么/为何。 一个可视化的低代码构建器，用于把 Bedrock 各个部件串联成一个命名的工作流。

如何使用。 把提示词、Knowledge Bases、Agents、Guardrails、Lambda 函数和条件逻辑拖入一个流程，然后用一次 API 调用来触发整个流程。当你想要编排却不想编写胶水代码时使用它。

Prompt Management

是什么/为何。 一个带版本的提示词目录，让团队复用并比较提示词，而不是把字符串粘贴进代码里。

如何使用。 把提示词存为带版本的资源，测试各个变体，并从应用和 Flows 中引用它们。它与 Model Evaluation 配合，衡量哪个版本表现更好。

Model Evaluation

是什么/为何。 对模型和 RAG 质量的内置评估，从而让模型选择是被衡量出来的，而不是猜出来的。

如何使用。 运行自动评估（准确率、鲁棒性、毒性等指标）或引入人工审阅者，并在你自己的数据上比较各个模型或提示词版本。

自定义模型（微调与持续预训练）

是什么/为何。 当提示和 RAG 都不够时，把模型适配到你的领域。

如何使用。 微调让模型从带标签的示例中学习；持续预训练让它适配大量无标签的领域文本。结果是一个私有的自定义模型，你通过 Bedrock 提供服务。考试希望你知道微调会改变模型，而 RAG 则不动模型、只在查询时提供上下文。

Provisioned Throughput

是什么/为何。 一种定价与容量模式。按需定价按 token 计费且无需承诺；Provisioned Throughput 则为稳定、高流量或自定义模型工作负载预留专用容量。

如何使用。 当你需要有保障的吞吐量或要提供自定义模型服务时，选择 Provisioned Throughput；否则按需是默认选项。

其他需要认识的 Bedrock 特性

• Batch inference - 以更低成本离线运行大型作业。
• Cross-Region inference - 跨区域路由请求以获得容量和弹性。
• Model invocation logging - 把提示词和响应日志发送到 CloudWatch 或 S3 以供审计。
• Bedrock Data Automation - 把非结构化内容（文档、图像、音频、视频）提取并转换为结构化输出。
• Bedrock Marketplace - 访问核心目录之外的专用和新兴模型。

Amazon Bedrock AgentCore

它是什么。 一套较新的服务，用于在生产环境中运行 AI agents，无论它们是由哪个框架或模型构建的。Bedrock Agents 帮你构建一个 agent；AgentCore 帮你大规模地运营一个 agent。

为何存在。 原型 agent 到了生产环境就会失灵 - 它们缺少记忆、安全的工具访问、身份和可观测性。AgentCore 以托管构建块的形式提供这些能力，你可以各自独立地采用它们。

如何使用。 挑选你需要的组件：

• Runtime - 为 agent 或工具代码提供无服务器托管，具备会话隔离。
• Memory - 跨会话的持久上下文，让 agent 能够记住。
• Gateway - 把你的 API 和 Lambda 函数作为可调用工具暴露给 agent。
• Identity - 为每个 agent 赋予工作负载身份，并管理它对外部服务的访问（与 Cognito、Okta、Entra ID 集成）。
• Code Interpreter - 供 agent 运行代码的沙箱。
• Browser - 供 agent 使用的无头网页浏览。
• Observability - 对 agent 行为的追踪和监控。

对于 AIF-C01，把 AgentCore 认作"把 agent 送上生产"的那一层即可；你不需要真的构建一个。

Amazon Nova

它是什么。 Amazon 自家的基础模型家族，通过 Bedrock 提供服务。

为何存在。 为了在文本、图像和视频上以低廉、可预测的价格和延迟提供强大的能力。

如何使用。 选择适合任务的等级：

• Nova Micro - 仅文本，成本和延迟最低。
• Nova Lite - 低成本多模态（文本、图像、视频输入）。
• Nova Pro - 面向大多数任务的均衡多模态模型。
• Nova Premier - 能力最强，也是蒸馏出更小自定义模型的优秀"老师"。
• Nova Canvas - 图像生成。
• Nova Reel - 视频生成。
• Nova Sonic - 语音到语音；Nova Act - 具备 agent 能力的浏览器动作。

Amazon SageMaker AI

它是什么。 用于构建、训练、部署和监控你自己的机器学习模型的端到端平台。这是"构建自定义模型"的那一层 - 与托管 API 处于相反的一端。

为何存在。 有些问题需要一个在你的数据上训练、并对整个生命周期拥有完全控制权的模型。SageMaker AI 把每个阶段都作为托管能力提供，使团队无需自己拼凑 ML 基础设施。

如何使用。 对于 AIF-C01，你在概念层面使用 SageMaker：知道每个子服务的作用及其适用时机。不会要求你编写训练代码。

SageMaker Studio

基于 Web 的 IDE 和控制中心 - notebooks、experiments，以及在一个地方访问其他所有 SageMaker 能力。

SageMaker JumpStart

一个预训练基础模型和特定任务模型的目录，带一键部署和微调 notebooks。可以把它理解为将一个现成模型部署到你自己的账户和端点中 - 这不同于通过 Bedrock 调用托管的 API。

SageMaker Canvas

面向分析师的无代码 ML。上传数据集、选择一个目标，Canvas 就会构建一个模型并生成预测。它还能调用 Bedrock 基础模型来完成生成式任务 - 全程无需编写代码。

Data Wrangler

可视化数据准备。从众多来源导入数据、应用数百个内置转换、进行分析，并把准备好的数据导出到训练管道中。这是"清理和塑形数据"的步骤。

Feature Store

一个用于存放你的团队构建的特征（模型输入）的中央仓库，带一个用于低延迟推理的在线存储和一个用于训练的离线存储。避免每个团队重复计算相同的特征。

Ground Truth（以及 Ground Truth Plus）

数据标注。Ground Truth 管理人工和自动化标注工作流以构建训练数据集；Ground Truth Plus 是完全托管的、由 AWS 运营的版本，配备专家工作团队。带标签的数据正是有监督训练所需要的。

Clarify

偏见检测与可解释性。它衡量数据和模型预测在各群体之间的偏见，并计算特征归因（哪些输入驱动了某个预测，使用 SHAP）。在负责任 AI 的场景里，这是"检测偏见"和"解释模型"的指定答案。

Model Monitor

对生产环境中模型的持续监控。它检测数据漂移、模型质量漂移、偏见漂移和特征归因漂移，并发出告警 - 这样你能在用户之前就发现模型性能退化。

Autopilot

自动化机器学习（AutoML）。把它指向一个数据集，它就会自动探索算法、训练并调优候选模型，然后给出最优的那个。这是通往训练好的模型且无需繁重工作的路径。

Pipelines

MLOps 编排。把可重复的工作流 - 准备、训练、评估、注册、部署 - 定义为一条管道，从而实现模型交付的自动化和可复现。

Model Registry 与 Model Cards

Model Registry 为训练好的模型做版本管理，并管理部署审批。Model Cards 为治理目的记录一个模型的用途、数据、性能和局限性。二者都支持负责任、可审计的 ML。

推理选项

如何为训练好的模型提供服务，与流量模式相匹配：

• Real-time endpoints - 持久、低延迟、始终在线的服务。
• Serverless inference - 为间歇性流量缩放至零；无需管理容量。
• Asynchronous inference - 为大型或长时间运行的请求排队。
• Batch transform - 离线为整个数据集打分，无需端点。

知道哪个推理选项适合某个场景（稳定流量 vs. 峰值流量 vs. 批量）是一个反复出现的考试模式。

托管 AI 服务（特定任务 API）

预训练服务，解决某一类问题，无需训练或模型管理。考试考查为某个用例挑选正确的那一个。

Amazon Comprehend

是什么/为何/如何。 对文本进行自然语言处理：情感、实体、关键短语、语言检测、主题建模和 PII 检测，外加自定义分类和自定义实体识别。发送文本，得到结构化结果。这是"分析客户反馈"或"在文本中查找 PII"的答案。

Amazon Textract

是什么/为何/如何。 超越基础 OCR 的文档理解 - 它从 PDF 和扫描件中提取文本、键值对、表格和字段，并对发票、收据和身份证件做专门分析。这是"从表单中提取结构化数据"的答案。

Amazon Rekognition

是什么/为何/如何。 面向图像和视频的计算机视觉：对象和场景检测、面部分析和比对、内容审核、图像中的文本，以及用于你自己类别的 Custom Labels。这是"在没有 ML 团队的情况下分析图像"的答案。

Amazon Transcribe

是什么/为何/如何。 自动语音转文本，具备说话人识别、自定义词汇、自定义语言模型、PII 脱敏、实时流式处理和一个医疗变体。常与 Comprehend 搭配：转录一通通话，再分析情感。

Amazon Polly

是什么/为何/如何。 文本转语音，提供多种语言的 neural 和 generative 语音，用 SSML 控制发音和节奏。这是"把文本转换为自然语音"的答案。

Amazon Translate

是什么/为何/如何。 跨多种语言的神经机器翻译，带用于领域措辞的自定义术语，支持实时和批量。这是"在不训练模型的情况下翻译内容"的答案。

Amazon Lex

是什么/为何/如何。 用自动语音识别和自然语言理解构建对话机器人：定义 intents 和 slots，用 Lambda 履行，通过 Polly 语音回复。它是结构化的、基于 intent 的聊天机器人框架 - 与用于开放式、使用工具的助手的 Bedrock Agents 形成对比。

Amazon Personalize

是什么/为何/如何。 托管的实时推荐和个性化，基于 Amazon.com 背后的同一套技术构建。给它喂入交互数据；得到推荐、个性化排序和用户细分 - 无需构建推荐模型。

Amazon Q

它是什么。 AWS 的成品级 AI 助手产品。对考试而言的关键理念：Q 是一个产品，而不是一个工具包。你不选择模型、不管理提示词、不构建向量存储 - AWS 都替你做了。

• Amazon Q Developer - 你 IDE 和控制台中的编码与 AWS 助手：代码生成、调试、引用跟踪、AWS 资源问答，以及成本或 CLI 帮助（前身为 CodeWhisperer）。
• Amazon Q Business - 一个企业助手，基于你的公司数据（例如 SharePoint、Confluence、Salesforce）回答问题，且响应会感知权限。
• 你可能会看到被命名的内嵌形式：Q in QuickSight（商业智能）、Q in Connect（联络中心）和 Q Apps。

如何使用/考试角度。 当要求是"在不构建任何东西的情况下使用 AI"时选择 Q；当你需要定制并构建自己的应用时选择 Bedrock。

PartyRock

它是什么。 一个无代码、基于 Web 的试验场（由 Bedrock 驱动），通过用自然语言描述来构建生成式 AI 应用。它运行在 AWS 控制台之外，且无需 AWS 账户。

为何存在。 让任何人都能动手学习生成式 AI 和提示工程，并快速对应用创意做原型。

如何使用。 你用 widgets 组装一个应用 - 用户输入、静态文本，以及由 AI 驱动的文本生成、图像生成或聊天机器人 widget。你通过用 @ 符号（动态变量）在一个 widget 的提示词中引用另一个 widget 的输出，来把它们串联起来，从而让输出在各 widget 之间流动。在你真正接触 Bedrock 之前，它非常适合用来建立直觉。

范围内的支撑服务

它们并非 AI 专属，但会在安全、治理、成本和数据场景中被考查。要知道每一个是干什么的；你不需要深入的配置细节。

• 安全、身份与合规： IAM（最小权限访问，例如限制某个角色可以调用哪些 Bedrock 模型）、KMS（用于数据、模型工件和日志的加密密钥）、Macie（在 S3 中基于 ML 的敏感数据和 PII 发现）、Amazon Inspector（漏洞扫描）、Secrets Manager（托管密钥）、AWS Artifact（按需合规报告）。
• 管理与治理： CloudTrail（API 审计跟踪）、CloudWatch（指标、日志、告警；Bedrock 调用日志和端点指标）、AWS Config（资源配置与合规）、Trusted Advisor（最佳实践检查）、AWS Well-Architected Tool（对照框架评审工作负载）。
• 存储： Amazon S3（用于训练数据、文档和工件的数据湖）、S3 Glacier（归档）。
• 计算： Amazon EC2（包括 GPU 和加速器实例系列；用于训练的 AWS Trainium 和用于推理的 AWS Inferentia）、AWS Lambda（用于管道和 agent 动作的无服务器胶水）。
• 容器： 用于容器化工作负载的 Amazon ECS 和 Amazon EKS。
• 数据库与向量存储： Amazon OpenSearch Service（用于 RAG 的 k-NN 向量检索）、Amazon Aurora 和 Amazon RDS（关系型，带用于 embeddings 的 pgvector）、Amazon DynamoDB（键值）、Amazon Neptune（图）、Amazon DocumentDB、Amazon ElastiCache。
• 分析与数据准备： AWS Glue 和 Glue DataBrew（ETL 与准备）、Amazon EMR（大数据处理）、AWS Lake Formation（数据湖治理）、Amazon Redshift（数据仓库）、AWS Data Exchange（第三方数据）、Amazon Quick / QuickSight（商业智能）。
• 网络： Amazon VPC（包括让流量避开互联网的 PrivateLink 模式）、Amazon CloudFront（内容分发）。
• 成本： AWS Budgets 和 AWS Cost Explorer（跟踪并预测支出 - 之所以相关，是因为生成式 AI 的成本管理在考试范围内）。

需要认识的新增范围内项目

AWS 刷新了范围内列表，因此有几个名称比大多数学习资料更新：

• Amazon Bedrock AgentCore 和 Amazon Nova（已在上文介绍）。
• Kiro - 一个具备 agent 能力、以规格为驱动的开发环境（IDE 和 CLI），把提示词变成规格、代码和文档。
• Strands Agents - 一个用于在 AWS 上构建和编排 AI agents 的开源 SDK。
• AWS Transform - 用于云迁移和应用现代化的具备 agent 能力的工作台。
• 考试指南现在写作 Amazon SageMaker AI（而不只是"SageMaker"）。同一个平台，更新了名称。

明确超出范围：跳过这些

AWS 把这些列为 AIF-C01 范围之外，所以不要在它们身上花学习时间：

• 机器学习： AWS DeepComposer、AWS HealthImaging、AWS HealthOmics、Amazon Monitron、AWS Panorama。
• 安全与网络： Amazon GuardDuty、AWS Security Hub、Amazon Cognito、AWS WAF、AWS Shield、Amazon Route 53。
• 管理： AWS Control Tower、AWS Organizations。
• 外加大多数物联网、媒体，以及迁移与传输类服务。

如果一道练习题取决于其中之一，那它几乎肯定是一个干扰项。

关于命名与范围漂移的说明

有一小部分服务出现在较早的 AIF-C01 学习资料中（以及某些题库里），但并不在当前官方的范围内列表上。你可能仍会看到有人引用它们；下面简要说明每一个是干什么的：

• Amazon Q - 上文提到的那些 AI 助手产品；尽管它不在正式的范围内服务表中，实践里却无处不在。
• Amazon Kendra - ML 驱动的企业搜索（仅检索，对比只检索和生成的 Knowledge Bases）。
• Amazon Augmented AI (A2I) - 为低置信度的 AI 预测加入人工审核。
• AWS Audit Manager - 自动化收集合规证据。
• AWS Fargate、Amazon EventBridge、Amazon API Gateway - AI 应用常常构建于其上的无服务器计算、事件和 API 管道。

在一句话的层面理解它们的作用即可，然后继续前进。

30 秒决策指南

给定一个场景，把它匹配到某一层：

• 通过 API 调用一个基础模型 -> Bedrock
• 在不重新训练的情况下让模型基于私有数据 -> Bedrock Knowledge Bases (RAG)
• 让模型采取动作 -> Bedrock Agents
• 加入安全和 PII 控制 -> Bedrock Guardrails
• 在生产环境中运行 agents（记忆、工具、身份）-> Bedrock AgentCore
• 在不构建任何东西的情况下使用 AI -> Amazon Q
• 无代码地学习或做原型 -> PartyRock
• 训练或调优一个自定义模型 -> SageMaker AI
• 自己部署一个现成模型 -> SageMaker JumpStart
• 标注数据 -> Ground Truth；准备数据 -> Data Wrangler；存储特征 -> Feature Store
• 检测偏见或解释一个模型 -> SageMaker Clarify
• 在生产环境中监控一个模型 -> SageMaker Model Monitor
• 分析文本 / 图像 / 文档 / 语音 / 翻译 / 聊天机器人 / 推荐 -> 对应的托管 API
• 保护、加密、扫描、审计或监控 -> IAM / KMS / Macie / CloudTrail / CloudWatch

相关认证

本指南映射到多个 AWS 认证 - 它出现在这些认证各自主页的"相关学习指南"下：

• AWS Certified AI Practitioner (AIF-C01) - 主要目标；这里的每一个服务都在其范围内。
• AWS Certified Machine Learning Engineer Associate (MLA-C01) - 在 SageMaker AI、数据准备和 MLOps 上更深入。
• AWS Certified Generative AI Developer Professional (AIP-C01) - 建立在 Bedrock、Agents、Knowledge Bases 和 Guardrails 之上。
• AWS Certified Cloud Practitioner (CLF-C02) - 基础级；对这些 AI 服务只是浅尝辄止。
• AWS Certified Data Engineer Associate (DEA-C01) - 数据准备和分析类服务（Glue、Data Wrangler、Feature Store）直接重叠。

如何学习这份内容

不要死记每一个特性。考试奖励的是模式识别：读一个场景、识别所属的层、说出服务名称。开着这份 30 秒决策指南来做练习题，每当你做错一道，就回到这里对应服务的那一节，把"是什么-为何-如何"读到边界清晰为止。把 Bedrock 的子服务和 SageMaker 的子服务弄清楚 - 那正是考试把只是略读的人和真正理解的人区分开来的地方。

来源：AWS Certified AI Practitioner (AIF-C01) 考试指南（范围内和范围外服务列表）以及 AWS 服务文档，截至 2026 年 9 月。