Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
medium.com20. März 2024 · Q010750

AWS: RAG with Bedrock Knowledge Base

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Autor führt anhand von FGO-Artikeln vor, wie Bedrock Knowledge Bases Dokumente aus S3 für die Suche und Antwortgenerierung mit Claude 2.1 nutzen. Seine positiven Ergebnisse und die Einschätzung, Hybrid-Suche sei am genauesten, beruhen auf einem Einzelbeispiel; systematische Tests oder Kostenmessungen enthält der Bericht nicht.

Mittel

Der Beitrag zeigt am Beispiel von Fate/Grand Order, wie sich mit Amazon Bedrock Knowledge Bases eine RAG-Anwendung einrichten lässt. Der Autor extrahiert Texte aus zwei AppMedia-Artikeln, lädt sie in S3, erstellt eine Wissensbasis mit Titan Embeddings G1 und synchronisiert die Daten. Für Antworten wählt er Claude 2.1. Bedrock kann zunächst die abgerufenen Textpassagen samt Quellen anzeigen und anschließend daraus eine Antwort erzeugen. Der Autor vergleicht semantische, hybride und standardmäßige Suche; nach seiner Beobachtung liefert Hybrid die genauesten Ergebnisse. In seinem Beispiel hält er die Antwort mit Wissensbasis für korrekt und schlüssig, während er die Antwort ohne diese Grundlage als unsinnig bewertet. Der Text belegt das jedoch nicht durch systematische Tests. Er hebt hervor, dass eine erneute Synchronisierung nach Datenänderungen nötig ist und dass Bedrock sowie OpenSearch Kosten verursachen können. Als Abschluss beschreibt er das manuelle Löschen der angelegten Ressourcen und erwähnt Kendra als Alternative für weitere Datenquellen, die er für teuer hält.

Ausführlich lesen

Der Bericht erklärt, wie sich mit Amazon Bedrock Knowledge Bases eine Retrieval-Augmented-Generation-Anwendung (RAG) aufbauen lässt. Bei RAG werden Dokumente in Textabschnitte zerlegt, als Vektoren gespeichert und bei einer Anfrage nach Ähnlichkeit durchsucht. Die ausgewählten Passagen dienen einem Sprachmodell als Kontext für seine Antwort. Der Autor stellt RAG dem Fine-Tuning gegenüber: RAG lasse sich seiner Einschätzung nach einfacher einrichten und mit aktualisierten Dokumenten pflegen, koste wegen der zusätzlichen Suche bei jeder Anfrage aber Zeit.

Im praktischen Beispiel richtet der Autor eine Wissensbasis zu Fate/Grand Order ein. Dafür extrahiert er Text aus zwei AppMedia-Artikeln zu Ranglisten und Spielstrategien und lädt die Dateien in einen S3-Bucket. Anschließend erstellt er in der Bedrock-Konsole eine Knowledge Base, wählt S3 als Datenquelle und Titan Embeddings G1 als Einbettungsmodell. Bedrock kann dabei laut Bericht eine IAM-Rolle und einen Vektorspeicher einrichten; alternativ nennt der Autor OpenSearch Serverless, Aurora, Pinecone und Redis Enterprise Cloud als mögliche Speicher. Nach der Freigabe des Einbettungsmodells synchronisiert er die Datenquelle. Bei Änderungen an den Quelldaten müsse diese Synchronisierung erneut ausgeführt werden.

Für den Abruf vergleicht der Bericht die Suchvarianten „Default“, „Hybrid“ und „Semantic“. Hybrid verbindet semantische Suche mit Textübereinstimmungen. Der Autor nutzt zunächst die Standardeinstellung, berichtet aber, Hybrid habe nach seinen Beobachtungen und Recherchen die genauesten Ergebnisse geliefert. Eine eingeschaltete Option erlaubt es, zunächst nur die gefundenen Textpassagen und Quellenangaben anzusehen, ohne eine generierte Antwort auszugeben. Für die Antwort wählt der Autor Claude 2.1. Bei einer Frage nach dem stärksten FGO-Servant beschreibt er das Ergebnis mit Wissensbasis als korrekt und schlüssig; die Antwort ohne Wissensbasis beurteilt er als unsinnig. Diese Bewertung ist die Einschätzung des Autors und wird im Text nicht durch eine systematische Vergleichsreihe belegt.

Der Beitrag folgert, eine Knowledge Base könne Bedrock für spezielle Anwendungsfälle mit eigenem Wissen ergänzen. Als Alternative für andere Datenquellen erwähnt er Amazon Kendra, hält es jedoch für teuer und schlägt vor, öffentliche APIs regelmäßig per ECS-Aufgabe abzufragen und die Daten in S3 abzulegen. Der Bericht nennt keine Kostenmessung, Leistungsdaten oder breitere Tests. Er weist außerdem darauf hin, dass Bedrock und OpenSearch ebenfalls Kosten verursachen können. Zum Abschluss beschreibt er die manuelle Löschung der angelegten Knowledge Base, IAM-Rolle, S3-Daten und OpenSearch-Sammlung; insbesondere die IAM-Rolle und der Vektorspeicher würden laut Autor nicht automatisch entfernt.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Lunas Stufen 0 bei SF-V5-T02, SF-A1-T04 und SF-H3-T03 stimmen mit dem Bericht überein. Ihre Stufen 3 und 4 bei den Sammelfragen sind dagegen zu hoch, weil der Bericht nur Betriebs- und Kostenhinweise liefert. Die Anteilsangaben (Prozentwerte) wurden nicht bewertet.

Im Bericht, aber nicht in der Zusammenfassung

  • Der Vergleich von RAG mit Fine-Tuning (schnellere Umsetzung, einfachere Datenaktualisierung, langsamere Antwortzeit) fehlt in beiden Zusammenfassungen.
  • Die Unterscheidung zwischen dem vollständig verwalteten Knowledge-Base-Weg und dem Custom-Weg mit Kendra wird nur am Rande gestreift.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Fähigkeiten messen
Unabhängig prüfen
Tempo und Grenzen
Vertrauen in Modelle
  1. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 52 %Hintergrund, keine Belege
    • JEV 34 %gleiches Oberthema, hilft nicht
    • amos 47 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 55 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt

Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 100 %kein Bezug
    • Luna 29 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 55 %einzelne zitierbare Belege
    • JEV 43 %beantwortet teilweise oder widerspricht
    • amos 25 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
Frieden und Sicherheit
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 58 %Hintergrund, keine Belege
    • JEV 42 %gleiches Oberthema, hilft nicht
    • amos 100 %kein Bezug
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →