AIF-C01 考试中的每一个 AWS 服务 —— 以及它为什么存在

AIF-C01 考试涵盖了出乎意料的广泛 AWS 服务。其中一些服务（例如 Bedrock、SageMaker）是显而易见的焦点。另外一些服务（例如 Macie、KMS、CloudWatch）则出现在情景题中，答案取决于了解用于满足安全或治理 (governance) 要求的正确工具。如果你在考试时只了解生成式 AI (generative-AI) 服务，你将会丢失不少分数。

本指南映射了 AIF-C01 考试中出现的每一个 AWS 服务，用通俗易懂的的语言解释了它们的作用，并告诉你它属于哪个考试 Domain。我将它们按照考试的出题逻辑进行了分组：首先是核心的生成式 AI 服务，然后是专用的预构建 AI 服务，最后是安全、治理与支撑基础设施。

Core generative-AI services

这些是需要你花费最多学习时间的服务。它们出现在 Domain 2、Domain 3 和 Domain 4 中，构成了考试的大部分内容。

Amazon Bedrock

Amazon Bedrock 是 AIF-C01 考试的核心。它是一项完全托管的服务，让你能够通过 API 访问来自 Anthropic (Claude)、Meta (Llama)、Mistral、AI21、Cohere、Stability AI 以及 Amazon 自身 Titan 家族的基座模型 (foundation models)。你不需要管理基础设施，不需要训练任何模型 —— 你发送提示词 (prompts) 并获取响应 (responses)。

考试切入点： Domain 3 (Applications of Foundation Models) 非常依赖 Amazon Bedrock。准备好迎接有关模型选择（何时选择 Claude vs. Titan vs. Llama）、推理参数（temperature、top-p、max tokens）以及何时选择 Amazon Bedrock 而非在 Amazon SageMaker 上自行托管的情景题。

Amazon Bedrock Knowledge Bases

这是 AWS 的托管 RAG (retrieval-augmented generation) 解决方案。你将其指向 Amazon S3 文档，它会对文档进行切片 (chunks)、生成嵌入 (embeddings)、将其存储在向量 database 中，并允许基座模型在生成响应之前检索相关段落。它会自动处理引用跟踪。

考试切入点： RAG 是“如何在不进行 fine-tuning 的情况下将基座模型与你的私有数据进行关联？”这一问题的经典答案。你会在考试中多次看到这个场景。了解 RAG 与 fine-tuning 之间的区别 —— 考试会对此进行明确测试。

Amazon Bedrock Guardrails

Amazon Bedrock Guardrails 是位于用户和模型之间的策略层。它可以过滤有害内容、阻止你定义的特定主题、从输入和输出中删除 PII，并对响应进行事实核对（anchoring）以减少幻觉 (hallucinations)。你只需进行声明式配置 —— 无需自定义代码。

考试切入点： Domain 4 (Guidelines for Responsible AI) 询问如何防止模型生成不安全或幻觉内容。Amazon Bedrock Guardrails 是 AWS 给出的指定答案。了解它提供的四种保护类型：内容过滤器 (content filters)、拒绝的主题 (denied topics)、PII 遮蔽 (PII redaction) 和 Grounding 检查 (grounding checks)。

Amazon Bedrock Agents

Amazon Bedrock Agents 赋予基座模型执行操作的能力 —— 调用 APIs、查询知识库、执行多步骤工作流。你定义描述模型可以使用哪些工具的“操作组” (action groups)，然后 Amazon Bedrock Agents 负责处理编排循环（思考 → 行动 → 观察 → 响应）。

考试切入点： Domain 3 包含“AI 编排”场景。考试将 Amazon Bedrock Agents（多步骤、使用工具）与普通的 Amazon Bedrock 推理（单个提示词 → 单个响应）区分开来。如果题目描述了一个需要查找订单状态、修改 database 并做出响应的聊天机器人 —— 答案是 Amazon Bedrock Agents。

Amazon Q

Amazon Q 是 AWS 打包好的 AI 助手产品。Amazon Q Developer 存在于 IDEs 和 AWS 控制台中，用于帮助解决编码、调试和基础设施问题。Amazon Q Business 连接到企业数据源（SharePoint、Confluence、Salesforce）以进行内部问答。

考试切入点： AIF-C01 引入 Amazon Q 作为“如果你不想构建任何东西，就用这个”的选项。题目测试何时选择 Amazon Q（预构建、开箱即用）与 Amazon Bedrock（可定制、自己构建）。

Amazon SageMaker

Amazon SageMaker 是完整的 ML 平台 —— 包含 notebooks、训练作业 (training jobs)、超参数调优、托管推理 endpoints 和 MLOps pipelines。它是你用于构建和训练自定义模型（而不只是调用预训练模型）时使用的服务。

考试切入点： Domain 2 (Fundamentals of AI and ML) 在整个 ML 生命周期中引用了 Amazon SageMaker。考试测试你是否知道训练 (Amazon SageMaker)、推理托管 (Amazon SageMaker endpoints) 和基于 API 的模型访问 (Amazon Bedrock) 之间的区别。

Amazon SageMaker JumpStart

Amazon SageMaker JumpStart 是 Amazon SageMaker 中的模型目录。它提供预训练的基座模型和特定任务模型，支持一键部署和 fine-tuning 笔记本。可以把它看作是可以部署到你自己的 AWS 账户中的 ML 模型应用商店。

考试切入点： 考试区分了使用模型的三种方式：(1) 通过 Amazon Bedrock 调用托管 API，(2) 将 Amazon SageMaker JumpStart 中的预训练模型部署到你自己的 endpoint，(3) 在 Amazon SageMaker 上从头开始训练。Amazon SageMaker JumpStart 是选项 2。

Amazon SageMaker Clarify

Amazon SageMaker Clarify 是一种偏差检测 (bias detection) 和模型可解释性工具 (explainability tool)。它计算 SHAP 特征归因（哪些输入特征驱动了此预测？），测量不同人口统计群体在训练前和训练后的偏差，并且既适用于表格模型，也适用于基座模型输出。

考试切入点： Domain 4 (Responsible AI) 测试偏差检测和可解释性。当问题询问“如何检测你的模型是否对某个人口统计群体存在偏差？” —— 答案是 Amazon SageMaker Clarify。

Specialized pre-built AI services

这些服务可以解决特定的 AI 任务，而无需你训练或管理任何模型。考试测试你为特定用例选择正确服务的能力。

Amazon Comprehend

托管 NLP：情感分析 (sentiment analysis)、实体识别 (entity recognition)、键短语提取 (key-phrase extraction)、语言检测和 PII 识别。无需训练 —— 发送文本，获取 structured outputs。

考试切入点： “我需要分析客户反馈的情感” → Amazon Comprehend。“我需要在文档库中查找 PII” → Amazon Comprehend（或使用 Amazon Macie 进行 S3 扫描）。了解两者的边界。

Amazon Rekognition

计算机视觉：标签检测、人脸分析、内容审核、名人识别、视频活动检测。输入图片或视频，输出 structured labels。

考试切入点： “我有图片，没有 ML 团队” → Amazon Rekognition。考试还会在负责任 AI 场景中使用 Amazon Rekognition 的内容审核功能。

Amazon Textract

文档理解：从 PDFs 和扫描图像中提取文本、键值对、表格和表单字段。超越了基本的 OCR —— 它理解文档结构。

考试切入点： “从发票/收据/表单中提取数据” → Amazon Textract。考试专门测试 Amazon Textract（结构化文档提取）与 Amazon Rekognition DetectText（照片上的通用 OCR）之间的区别。

Amazon Transcribe

包含发言人识别、自定义词汇表、实时流媒体以及针对医疗和呼叫中心音频的专用变体的语音转文本 (Speech-to-text)。

考试切入点： 在流水线题目中与 Amazon Comprehend 结合使用：“转录呼叫中心录音，然后分析情感” → Amazon Transcribe + Amazon Comprehend。

Amazon Polly

在数十种语言中支持神经网络和生成式语音的文本转语音 (Text-to-speech)。支持 SSML 以精细控制发音、节奏和重音。

考试切入点： “将文本转换为语音” → Amazon Polly。考试测试何时 Amazon Polly（预构建 TTS）就足够了，以及何时你需要在 Amazon SageMaker 上使用自定义语音模型。

Amazon Translate

支持 75+ 种语言的神经网络机器翻译，支持针对特定领域词汇的自定义术语。

考试切入点： 简单直接 —— “在不训练模型的情况下将内容翻译成多种语言” → Amazon Translate。

Amazon Lex

用于构建聊天机器人的对话式 AI (Conversational AI)，包含 intents、slots，并可通过 Amazon Polly 进行语音输出。提供类似 Alexa 的交互。

考试切入点： Amazon Lex 是预构建的聊天机器人框架。考试将其与 Amazon Bedrock Agents 进行对比 —— 用于结构化、基于 intent 对话的 Amazon Lex；用于使用工具的开放式 AI 助手的 Amazon Bedrock Agents。

Amazon Kendra

在文档、SharePoint、Confluence 和 database 中进行 ML 驱动的企业搜索。理解自然语言查询，而不只是关键字匹配。

考试切入点： Amazon Kendra 作为 Amazon Bedrock Knowledge Bases 的仅检索 (retrieval-only) 替代方案出现。当问题说“进行搜索，无需生成” → Amazon Kendra。当它说“搜索并合成总结答案” → Amazon Bedrock Knowledge Bases。

Security, governance, and supporting infrastructure

这些服务不是 AI 特定的，但它们会出现在 Domain 5 (Security, Compliance, and Governance) 的问题中。考试测试你是否知道如何保护和监控 AI 工作负载。

AWS IAM

用于每个 AWS 服务调用的用户、角色 (roles)、策略、联邦和最小权限 (least-privilege) 权限。不是 AI 特定的，但考试会测试 AI 特定的 IAM 模式。

考试切入点： “如何限制开发人员在 Amazon Bedrock 中可以调用哪些模型？” → IAM 策略。“Amazon SageMaker 笔记本如何访问 S3 中的训练数据？” → IAM 角色 (role)。最小权限是反复出现的主题。

AWS KMS

用于加密静态数据（data at rest）的托管加密密钥 —— 包括训练数据集、模型 artifacts、推理日志。

考试切入点： “如何使用客户托管密钥加密静态的模型权重？” → AWS KMS。这出现在侧重于合规性的问题中。

Amazon Macie

敏感数据发现服务，使用 ML 在 S3 存储桶中查找 PII、凭证和财务数据。

考试切入点： “在将文档送入 RAG pipeline 之前，如何检查源数据中的 PII？” → Amazon Macie 扫描 S3 存储桶；Amazon Bedrock Guardrails 在推理时进行过滤。考试对这两个安全层都进行测试。

Amazon CloudWatch

所有 AWS 服务中的指标 (metrics)、日志和告警。对于 AI 工作负载：Amazon Bedrock 调用日志、Amazon SageMaker endpoint 延迟、模型监控漂移告警。

考试切入点： “如何在生产中监控模型性能？” → Amazon CloudWatch 指标 + 告警。“如何审计向 Amazon Bedrock 发送了哪些提示词？” → 在启用 Amazon Bedrock 调用日志记录的情况下，查看 Amazon CloudWatch Logs。

How to study this

不要试图记住每个服务的每个功能。考试测试的是模式识别：给定一个场景，哪个服务能解决它？以下是心智模型：

• “我想通过 API 调用基座模型” → Amazon Bedrock
• “我想将模型与我的私有数据进行关联” → Amazon Bedrock Knowledge Bases (RAG)
• “我希望模型执行操作” → Amazon Bedrock Agents
• “我需要在模型输出上设置安全规则” → Amazon Bedrock Guardrails
• “我不想构建任何东西，只想使用 AI” → Amazon Q
• “我需要训练自定义模型” → Amazon SageMaker
• “我需要一个可以自己部署的预训练模型” → Amazon SageMaker JumpStart
• "我需要检查我的模型是否存在偏差" → Amazon SageMaker Clarify
• “我需要 [分析文本 / 查看图像 / 提取文档数据 / 转录音频 / 合成语音 / 翻译 / 构建聊天机器人 / 搜索文档]” → 相应的专用预构建服务
• “我需要保护 / 加密 / 扫描 / 监控” → AWS IAM / AWS KMS / Amazon Macie / Amazon CloudWatch

结合这个心智模型来刷练习题，你会发现你可以在 30 秒内回答绝大多数服务选择题。

Source: AWS AI Practitioner (AIF-C01) exam guide v1.1 (2024-08), AWS documentation as of May 2026.