基于亚马逊云科技搭建企业问答系统

在当今信息密集的企业环境中，如何快速、安全地构建专属知识库成为提升效率的关键。本教程将手把手教你如何从零开始，借助 Amazon Bedrock 控制台与 DeepSeek 大语言模型，将企业内部文档转化为可交互的问答系统（RAG 架构）。无需任何编程经验，只需按照步骤操作，即可轻松完成搭建与体验。

第一步 登录亚马逊云科技账号

• 打开浏览器，注册并登录亚马逊云科技管理控制台登录页面。

亚马逊云科技为开发者提供了众多免费云产品。想深入体验基于亚马逊云科技平台部署DeepSeek-R1大模型，可以访问亚马逊云科技官网

• 登录亚马逊云科技账号。

第二步 企业知识数据的准备与导入

• 在控制台顶部搜索栏中输入“S3”，点击进入 Amazon S3 控制台。

• 点击【Create bucket】(创建存储桶)，输入存储桶名称

• 填写存储桶名字，其他设置保持默认，再次点击【Create bucket】(创建存储桶)

• 创建完成后，点击进入该 bucket

• 点击【Upload】(上传)

• 上传你的知识文档，例如 PDF、DOCX、TXT、HTML 等格式的文件

• 例如，我们将一份 txt 格式的 “2025 年公司考勤管理制度” 上传到 S3 存储桶（其中做了一些自定义设置，以便于验证知识库调用）

第三步 开通 Amazon Bedrock 和 DeepSeek 模型权限

• 在亚马逊云科技控制台的搜索框中输入 “Bedrock”，然后点击 Amazon Bedrock

• 进入 Amazon Bedrock 页面后，找到页面中的 “Model access”（模型访问）设置板块，仔细检查自身账号是否已具备 DeepSeek 的使用权限

• 如果没有 DeepSeek 模型的使用权限，点击页面上的 “申请” 按钮。

• 在模型选择页面中，勾选本次教程所需的 DeepSeek 模型。

• 完成模型勾选后，点击 “提交” 按钮完成模型申请操作。

• 通常提交申请后，系统会在短时间内审核并授予权限，待权限获取成功，我们就可以开始使用 DeepSeek 模型了。

第四步 创建企业知识库（Knowledge base）

• 返回 Bedrock 控制台，点击左侧【Knowledge Base】(知识库)，进入知识库管理页面。

• 点击【Create】(创建)，根据准备的数据类型，选择开始创建流程

• 自定义知识库名称 Knowledge Base Name：如 company - kb

• 设置知识库数据来源：选择 S3，因为要连接到我们刚才上传的 S3 存储桶

• 设置完成，点击【next】(下一步)

• 选择 S3 数据源

• 选择我们上传文档的 S3 Bucket

• 继续点击【next】(下一步)

• 设置嵌入模型：

• 建议选择 Amazon Titan Embeddings（Bedrock 原生）

• 设置向量存储：这里可以保留默认 (Amazon OpenSearch Serverless)

• 点击【next】(下一步) 后，确认设置，点击【Create knowledge base】(创建知识库)。

• 等待几分钟，知识库文档会自动进行解析、嵌入并构建索引。

第五步 调用生产模型

• 首先我们需要在 Amazon Bedrock 的操作界面中，进入 Knowledge Bases，勾选新建的 knowledge base，请点击【Sync】(同步) 来同步知识库

• 选择测试知识库的生产模型，目前在控制台内只能测试部分大模型

• 在右侧对话框中，我们可以使用选择的大模型对刚刚上传的公司考勤制度进行测试。这里可以看到大模型根据知识库中的信息对我们的问题进行了回答

第六步：使用 Python 基于知识库调用 DeepSeek 大模型

• 安装 Python，可以使用 Anaconda，一键装好 Python 和虚拟环境 ，安装完成后，打开 “Anaconda Prompt”

• 在 Anaconda Prompt 中输入以下代码，创建项目文件夹：

mkdir aws_rag_project
cd aws_rag_project

• 为 Python 安装必要库：

pip install boto3 langchain langchain-community pandas python-dotenv

• 继续在 Anaconda Prompt 中配置亚马逊云科技登录授权

aws configure

• 这里需要输入你的：Amazon Access Key ID，AWS Secret Access Key，默认 Region

• 以上这些信息可以在亚马逊云科技的 IAM 中获取或者新建 access key，具体 IAM 使用方法可参考相关教程

• 在 Anaconda Prompt 中创建项目环境设置.env 文件：

echo AWS_REGION=us-east-1 > .env
echo AWS_PROFILE=default >> .env

• 成功后，会在项目文件夹中看到,env 文件

• 将以下调用 DeepSeek 的 python 文件保存在项目文件夹中

• Python 文件代码如下：

import os
import boto3
from dotenv import load_dotenv
from botocore.exceptions import NoCredentialsError, ProfileNotFound# 第一步：加载 .env 文件
load_dotenv()# 第二步：读取环境变量
region = os.getenv("AWS_REGION")
profile = os.getenv("AWS_PROFILE")print("🔍 检查当前 AWS 配置...")
print("📍 AWS Region:", region)
print("👤 AWS Profile:", profile)# 第三步：验证 AWS 配置是否存在
if not region or not profile:print("❌ 错误：环境变量 AWS_REGION 或 AWS_PROFILE 未设置。请检查 .env 文件。")exit(1)# 第四步：尝试连接 AWS Bedrock
try:session = boto3.Session(profile_name=profile, region_name=region)bedrock_agent_runtime = session.client(service_name='bedrock-agent-runtime')
except ProfileNotFound:print(f"❌ 错误：找不到名为 '{profile}' 的 AWS profile。请先运行 aws configure 设置。")exit(1)
except NoCredentialsError:print("❌ 错误：未检测到有效的 AWS 凭证。请确保已使用 aws configure 设置 Access Key。")exit(1)print("✅ Amazon 环境配置成功，开始调用知识库...")# 第五步：设置知识库 ID 和模型 ARN（请替换为你自己的）
knowledge_base_id = "你的知识库ID"  # ← 在控制台查看 Knowledge Base ID
model_arn = "你的 model ARN"  # 可替换为 DeepSeek 等# 第六步：输入你的问题
user_input = "公司全勤奖是多少钱？"# 第七步：调用知识库进行 RAG 问答
try:response = bedrock_agent_runtime.retrieve_and_generate(input={"text": user_input},retrieveAndGenerateConfiguration={"type": "KNOWLEDGE_BASE","knowledgeBaseConfiguration": {"knowledgeBaseId": knowledge_base_id,"modelArn": model_arn}})# 第八步：打印模型回答print("\n🤖 模型回答：")print(response["output"]["text"])except Exception as e:print("❌ 出现错误：", str(e))

• 其中第五步中需要设置好你的知识库 ID 和你想要调用模型的 ARN

• 知识库ID可以在 Bedrock 的 knowledge base 中找到

• Model ARN 建议在 Bedrock 的 Cross-region inference 中找到，这里我们搜索 DeepSeek 可以获取相应 ARN。

• 现在我们可以在 Anaconda Prompt 中运行 Python 文件，调用 DeepSeek 大模型，并结合企业知识库进行问答。例如，当我们提出有关员工迟到和全勤奖励的规定时，DeepSeek 会基于我们上传的考勤制度文件，给出准确的回答。

第七步 退出/清理环境

Amazon Bedrock 控制台中的 Playground 属于即开即用型服务，使用完毕后无需额外退出操作即可结束会话，无需担心资源占用问题。但需要注意的是，知识库底层依赖的 Amazon OpenSearch Serverless（用于向量化数据的存储与检索）会单独计费。因此，如果确定短期内不再使用该知识库，建议按照以下顺序清理资源，以避免产生不必要的费用：

在 Bedrock 里面删除 knowledge base

• 在 OpenSearch 里面删除 collections

• 在 S3 服务中删除上传的 S3 文件：

小结

至此，通过以上 7 个步骤，你已经成功搭建了一个企业级的知识库问答系统，全流程在控制台中完成，无需编写代码。如果需要调用控制台暂不支持的大模型，也可以通过提供的 Python 脚本实现。企业可持续上传更多文档至 S3 存储桶，以增强 AI 的问答能力。该系统适用于员工培训、客户支持、产品问答等多种场景，有效提升信息获取效率。