这份文档基于官方考试指南，对 AWS Certified Generative AI Developer - Professional 认证的五大领域、具体任务和技能要求进行了结构化整理和要点解析，旨在系统化地理解和掌握考试范围。
Summary
该认证的核心是围绕 Amazon Bedrock 这一全托管服务，并整合 AWS 广泛的 AI/ML 与云服务栈（如 SageMaker、Lambda、Step Functions 等），贯穿生成式AI应用的全生命周期。它强调从解决方案架构出发，涵盖基础模型选择与定制、数据工程与检索增强生成（RAG）、提示工程与智能体（Agent）开发，到企业集成、安全治理、成本性能优化，以及最终的测试验证与故障排除。认证要求考生不仅掌握技术实现，更需深刻理解如何在企业环境中实施负责任的AI原则，确保解决方案的安全性、合规性、可靠性与成本效益。
总而言之，该认证标志着持有者具备在 AWS 云上端到端交付生产级、企业就绪的生成式AI应用程序所需的深度知识与实战技能。
[TOC]
概述
| 领域 |
|
分项 |
分项要点 |
考试占比 |
| 1 |
基础模型集成、数据管理与合规性 |
|
|
31% |
|
|
1.1 |
分析需求与设计 |
|
|
|
1.2 |
配置基础模型 |
|
|
|
1.3 |
数据流水线 |
|
|
|
1.4 |
向量存储 |
|
|
|
1.5 |
增强检索机制 |
|
|
|
1.6 |
提示词工程 |
|
| 2 |
实施与集成 |
|
|
26% |
|
|
2.1 |
智能体AI解决方案与工具集成 |
|
|
|
2.2 |
模型部署策略 |
|
|
|
2.3 |
企业级集成架构 |
|
|
|
2.4 |
基础模型 API 集成 |
|
|
|
2.5 |
应用程序集成模式与开发工具 |
|
| 3 |
AI 的安全、保障与治理 |
|
|
20% |
|
|
3.1 |
输入与输出安全控制 |
|
|
|
3.2 |
数据安全与隐私控制 |
|
|
|
3.3 |
AI 治理与合规机制 |
|
|
|
3.4 |
负责任的 AI 原则 |
|
| 4 |
生成式 AI 应用的运营效率与优化 |
|
|
12% |
|
|
4.1 |
成本优化 |
|
|
|
4.2 |
优化性能 |
|
|
|
4.3 |
监控系统 |
|
| 5 |
测试、验证与故障排除 |
|
|
11% |
|
|
5.1 |
评估系统 |
|
|
|
5.2 |
故障排除 |
|
| 总计 |
|
|
|
100% |
（一）内容领域 1：基础模型集成、数据管理与合规
任务 1.1：分析需求并设计生成式人工智能解决方案
| 编号 |
描述 |
关键要点/AWS服务示例 |
| 1.1.1 |
制定全面的架构设计 |
根据业务需求和技术约束选择合适的基础模型、集成模式、部署策略。 |
| 1.1.2 |
开发技术概念验证 (PoC) |
使用 Amazon Bedrock 等工具在全面部署前验证可行性、性能及业务价值。 |
| 1.1.3 |
创建标准化技术组件 |
遵循 AWS Well-Architected Framework 和 Generative AI Lens，确保跨部署场景的一致性。 |
任务 1.2：选择并配置基础模型（FMs）
| 编号 |
描述 |
关键要点/AWS服务示例 |
| 1.2.1 |
评估并选择基础模型 |
基于性能基准、能力分析和局限性评估，匹配业务用例。 |
| 1.2.2 |
制定灵活架构模式 |
使用 AWS Lambda、API Gateway、AWS AppConfig 实现动态模型选择和提供商切换，无需修改代码。 |
| 1.2.3 |
设计具备弹性的AI系统 |
使用 AWS Step Functions 断路器模式、Bedrock 跨区域推理、跨区域部署、优雅降级策略应对服务中断。 |
| 1.2.4 |
实施模型定制化与生命周期管理 |
使用 Amazon SageMaker 部署微调模型，应用 LoRA 等高效适配技术，利用 SageMaker Model Registry 进行版本控制和自动化流水线。 |
任务 1.3：为基础模型调用实施数据验证与处理流水线
| 编号 |
描述 |
关键要点/AWS服务示例 |
| 1.3.1 |
创建数据验证工作流 |
使用 AWS Glue Data Quality、SageMaker Data Wrangler、自定义 Lambda、CloudWatch 确保数据质量。 |
| 1.3.2 |
处理复杂数据类型 |
使用 Bedrock 多模态模型、SageMaker Processing、AWS Transcribe 处理文本、图像、音频、表格数据。 |
| 1.3.3 |
格式化输入数据 |
为 Bedrock API 准备 JSON，为 SageMaker Endpoint 准备结构化数据，处理对话格式。 |
| 1.3.4 |
提升输入数据质量 |
使用 Bedrock 重新格式化、Amazon Comprehend 提取实体、Lambda 标准化数据以改善模型响应。 |
任务 1.4：设计并实施向量存储解决方案
| 编号 |
描述 |
关键要点/AWS服务示例 |
| 1.4.1 |
创建高级向量数据库架构 |
使用 Amazon Bedrock Knowledge Base、带 Neural plugin 的 Amazon OpenSearch Service、Amazon RDS 与 S3 集成、带向量功能的 DynamoDB。 |
| 1.4.2 |
开发元数据框架 |
利用 S3 对象元数据、自定义属性、标签系统提升搜索精度和上下文感知。 |
| 1.4.3 |
实施高性能向量数据库架构 |
优化 OpenSearch 分片策略，采用多索引、分层索引技术以支持大规模语义搜索。 |
| 1.4.4 |
创建集成组件 |
使用 AWS 服务连接文档管理系统、知识库等资源，实现全面的数据集成。 |
| 1.4.5 |
设计数据维护系统 |
实施增量更新、实时变更检测、自动化同步和定时刷新流水线，确保向量存储信息最新。 |
任务 1.5：设计用于基础模型增强的检索机制
| 编号 |
描述 |
关键要点/AWS服务示例 |
| 1.5.1 |
开发文档分段方法 |
使用 Bedrock 分块功能、Lambda 固定大小分块、自定义分层分块以优化检索性能。 |
| 1.5.2 |
选择并配置 Embedding 方案 |
根据维度和领域适配性选择 Amazon Titan Embeddings 或其他模型，使用 Lambda 批量生成向量。 |
| 1.5.3 |
部署向量搜索解决方案 |
使用 OpenSearch Service、带 pgvector 的 Aurora、Bedrock Knowledge Base 的向量存储功能。 |
| 1.5.4 |
创建高级搜索架构 |
结合语义搜索（OpenSearch）、混合搜索（关键词+向量）、使用 Bedrock 重排序模型提升相关性。 |
| 1.5.5 |
开发复杂查询处理系统 |
使用 Bedrock 进行查询扩展，Lambda 进行查询分解，Step Functions 进行查询转换。 |
| 1.5.6 |
创建统一访问机制 |
通过函数调用接口、模型上下文协议 (MCP) 客户端、标准化 API 模式实现与基础模型的无缝集成。 |
任务 1.6：为基础模型交互实施提示工程策略与治理
| 编号 |
描述 |
关键要点/AWS服务示例 |
| 1.6.1 |
制定模型指令框架 |
使用 Amazon Bedrock Prompt Management 和 Guardrails 定义角色、执行责任AI指南、配置响应格式。 |
| 1.6.2 |
构建交互式 AI 系统 |
使用 Step Functions 实现澄清工作流，Amazon Comprehend 进行意图识别，DynamoDB 存储对话历史。 |
| 1.6.3 |
实施提示管理与治理系统 |
使用 Bedrock Prompt Management 创建参数化模板和审批工作流，S3 存储模板，CloudTrail 和 CloudWatch Logs 跟踪使用。 |
| 1.6.4 |
开发质量保证系统 |
使用 Lambda 验证输出，Step Functions 测试边缘案例，CloudWatch 进行提示回归测试。 |
| 1.6.5 |
提升基础模型性能 |
通过结构化输入、输出格式规范、思维链 (Chain-of-Thought) 指令、反馈循环等迭代优化提示。 |
| 1.6.6 |
设计复杂提示系统 |
使用 Amazon Bedrock 提示流 实现顺序链、条件分支、可复用组件，集成预处理与后处理步骤。 |
（二）内容领域 2：实施与集成
任务 2.1：实施智能体人工智能解决方案与工具集成
| 编号 |
描述 |
关键要点/AWS服务示例 |
| 2.1.1 |
开发智能自主系统 |
使用 Strands Agents 和 AWS Agent Squad 构建多智能体系统，利用 MCP 实现智能体-工具交互。 |
| 2.1.2 |
创建高级问题解决系统 |
使用 Step Functions 实施 ReAct 模式和思维链推理。 |
| 2.1.3 |
开发安全的AI工作流 |
使用 Step Functions 和 Lambda 实施停止条件、超时机制、IAM policies 和断路器。 |
| 2.1.4 |
创建模型协调系统 |
为专门任务使用特定模型，制定自定义聚合逻辑，构建模型选择框架。 |
| 2.1.5 |
开发协同式AI系统 |
使用 Step Functions 编排审核流程，API Gateway 收集反馈，采用人类增强模式。 |
| 2.1.6 |
实施智能工具集成 |
使用 Strands API 定义自定义行为，制定标准化函数定义，用 Lambda 处理错误和验证参数。 |
| 2.1.7 |
开发模型扩展框架 |
使用 Lambda 实现轻量级 MCP 服务器，使用 Amazon ECS 实现复杂工具服务器，使用 MCP 客户端库。 |
任务 2.2：实施模型部署策略
| 编号 |
描述 |
关键要点/AWS服务示例 |
| 2.2.1 |
根据需求部署基础模型 |
使用 Lambda 按需调用，Bedrock 预置吞吐量配置，SageMaker 终端节点。 |
| 2.2.2 |
解决 LLM 部署的独特挑战 |
针对内存、GPU 利用率和 Tokens 处理，优化容器化部署和模型加载策略。 |
| 2.2.3 |
开发优化的部署方法 |
为特定任务选择较小的预训练模型，使用基于 API 的模型级联处理常规查询以平衡性能与成本。 |
任务 2.3：设计并实施企业级集成架构
| 编号 |
描述 |
关键要点/AWS服务示例 |
| 2.3.1 |
创建企业级连接解决方案 |
使用基于 API 的集成连接遗留系统，采用事件驱动架构和数据同步模式。 |
| 2.3.2 |
开发集成式 AI 能力 |
使用 API Gateway 集成微服务，Lambda 处理 Webhook，Amazon EventBridge 驱动事件。 |
| 2.3.3 |
创建安全访问框架 |
使用身份联合、基于角色的访问控制 (RBAC)、最小权限原则保护模型和数据访问。 |
| 2.3.4 |
开发跨环境 AI 解决方案 |
使用 AWS Outposts、AWS Wavelength 满足数据驻留和合规要求，建立云边安全路由。 |
| 2.3.5 |
实施 CI/CD 流水线和网关 |
使用 AWS CodePipeline、CodeBuild 自动化部署与测试，建立集中式生成式AI网关进行抽象和控制。 |
任务 2.4：实施基础模型 API 集成
| 编号 |
描述 |
关键要点/AWS服务示例 |
| 2.4.1 |
创建灵活的模型交互系统 |
使用 Bedrock API 同步请求，AWS SDK 和 Amazon SQS 异步处理，API Gateway 验证请求。 |
| 2.4.2 |
开发实时 AI 交互系统 |
使用 Bedrock streaming API、WebSocket 或 Server-Sent Events (SSE)、API Gateway 分块传输实现流式响应。 |
| 2.4.3 |
创建具备弹性的基础模型系统 |
使用 AWS SDK 实现指数退避重试，API Gateway 管理速率限制，优雅降级，AWS X-Ray 提供可观测性。 |
| 2.4.4 |
开发智能模型路由系统 |
应用程序代码静态路由，Step Functions 动态内容路由，API Gateway 实现基于指标的智能路由和请求转换。 |
任务 2.5：实施应用程序集成模式与开发工具
| 编号 |
描述 |
关键要点/AWS服务示例 |
| 2.5.1 |
创建基础模型 API 接口 |
处理流式响应、管理令牌限制、实施针对模型超时的重试策略。 |
| 2.5.2 |
开发易用的 AI 接口 |
使用 AWS Amplify 构建声明式 UI，采用 API 优先开发，使用 Amazon Bedrock Prompt Flows 无代码构建工作流。 |
| 2.5.3 |
创建业务系统增强功能 |
使用 Lambda 增强 CRM，Step Functions 编排文档处理，Amazon Q Business 提供内部知识工具，Bedrock 自动化数据工作流。 |
| 2.5.4 |
提升开发者效率 |
使用 Amazon Q Developer 生成和重构代码，提供 API 辅助的代码建议和性能优化。 |
| 2.5.5 |
开发高级生成式AI应用程序 |
使用 Strands Agents、AWS Agent Squad 实现原生编排，Step Functions 编排智能体，Bedrock 管理提示链。 |
| 2.5.6 |
提高故障排除效率 |
使用 CloudWatch Logs Insights 分析提示与响应，X-Ray 跟踪 API 调用，Amazon Q Developer 识别错误模式。 |
（三）内容领域 3：AI 安全、安全性与治理
任务 3.1：实施输入与输出安全控制
| 编号 |
描述 |
关键要点/AWS服务示例 |
| 3.1.1 |
开发内容安全系统（输入） |
使用 Amazon Bedrock guardrails 过滤内容，Step Functions 和 Lambda 自定义审核，实施实时验证。 |
| 3.1.2 |
创建内容安全框架（输出） |
使用 Bedrock guardrails 过滤响应，专门模型评估毒性，文本转 SQL 确保确定性。 |
| 3.1.3 |
开发准确性验证系统 |
使用 Bedrock Knowledge Base 进行事实核查，置信度评分，JSON Schema 强制结构化输出以减少幻觉。 |
| 3.1.4 |
创建深度防御安全系统 |
组合 Amazon Comprehend 预处理、Bedrock 模型护栏、Lambda 后处理验证、API Gateway 响应过滤。 |
| 3.1.5 |
实施高级威胁检测 |
使用 Prompt Injection 和越狱检测机制，输入清理，安全分类器，自动化对抗性测试工作流。 |
任务 3.2：实施数据安全与隐私控制
| 编号 |
描述 |
关键要点/AWS服务示例 |
| 3.2.1 |
开发受保护的 AI 环境 |
使用 VPC 终端节点隔离网络，IAM 策略控制访问，AWS Lake Formation 精细数据权限，CloudWatch 监控。 |
| 3.2.2 |
开发隐私保护系统 |
使用 Amazon Comprehend 和 Macie 检测 PII，Bedrock 原生隐私功能，Guardrails 过滤输出，S3 Lifecycle 管理数据保留。 |
| 3.2.3 |
创建以隐私为中心的 AI 系统 |
实施数据掩码，使用 Comprehend PII 检测，匿名化策略，Bedrock guardrails。 |
任务 3.3：实施 AI 治理与合规机制
| 编号 |
描述 |
关键要点/AWS服务示例 |
| 3.3.1 |
开发合规框架 |
使用 SageMaker 生成 Model Cards，AWS Glue 跟踪数据血缘，元数据标签归因，CloudWatch Logs 记录决策。 |
| 3.3.2 |
实施数据源跟踪 |
使用 AWS Glue Data Catalog 注册数据源，元数据标签归因，CloudTrail 审计日志。 |
| 3.3.3 |
创建组织级治理系统 |
构建符合组织政策、监管要求和负责任AI原则的全面架构。 |
| 3.3.4 |
实施持续监控和治理控制 |
自动化检测滥用、漂移和违规，监控偏差，设置自动化告警和修复，实施令牌级脱敏和响应日志记录。 |
任务 3.4：实施负责任的 AI 原则
| 编号 |
描述 |
关键要点/AWS服务示例 |
| 3.4.1 |
开发透明的 AI 系统 |
提供推理展示和证据展示，使用 CloudWatch 收集置信度指标，利用 Bedrock agent tracing 提供推理轨迹。 |
| 3.4.2 |
应用公平性评估 |
使用 CloudWatch 预定义指标，Bedrock Prompt Management 和 Flow 进行 A/B 测试，使用 LLM-as-a-judge 自动化评估。 |
| 3.4.3 |
开发符合政策的 AI 系统 |
使用 Bedrock guardrails 实施政策要求，使用 Model Cards 记录局限性，Lambda 自动化合规检查。 |
（四）内容领域 4：生成式人工智能应用的运营效率与优化
任务 4.1：实施成本优化与资源效率策略
| 编号 |
描述 |
关键要点/AWS服务示例 |
| 4.1.1 |
开发 Tokens 效率系统 |
估算和跟踪令牌使用，优化上下文窗口，控制响应大小，实施提示压缩和上下文修剪。 |
| 4.1.2 |
创建成本效益模型选择框架 |
评估成本-能力模型，基于查询复杂度分层使用模型，衡量性价比，采用高效推理模式。 |
| 4.1.3 |
开发高性能系统 |
使用批处理策略，容量规划，利用率监控，自动扩展，优化预置吞吐量配置。 |
| 4.1.4 |
创建智能缓存系统 |
实施语义缓存，结果指纹识别，边缘缓存，确定性请求哈希，提示缓存。 |
任务 4.2：优化应用程序性能
| 编号 |
描述 |
关键要点/AWS服务示例 |
| 4.2.1 |
创建响应式 AI 系统 |
预计算可预测查询，使用延迟优化的 Bedrock 模型，并行请求，流式传输响应，进行性能基准测试。 |
| 4.2.2 |
提升检索性能 |
优化索引，预处理查询，实施带有自定义评分的混合搜索。 |
| 4.2.3 |
实施吞吐量优化 |
优化令牌处理，使用批处理推理策略，管理并发模型调用。 |
| 4.2.4 |
提升基础模型性能 |
配置模型特定参数（如 temperature, top-k/p），通过 A/B 测试评估效果。 |
| 4.2.5 |
创建高效的资源分配系统 |
针对令牌处理进行容量规划，监控提示和完成模式的利用率，优化自动扩展配置。 |
| 4.2.6 |
优化工作流性能 |
分析 prompt-completion API 调用，优化向量数据库查询，应用降低延迟的技术，采用高效的服务通信模式。 |
任务 4.3：实施生成式人工智能应用的监控系统
| 编号 |
描述 |
关键要点/AWS服务示例 |
| 4.3.1 |
创建全面的可观测性系统 |
跟踪运营指标、性能、模型交互和业务影响指标，使用自定义仪表板。 |
| 4.3.2 |
实施全面的监控系统 |
使用 CloudWatch 跟踪令牌使用、提示有效性、幻觉率，使用 Bedrock Model Invocation Logs 分析请求/响应，进行异常检测和成本监控。 |
| 4.3.3 |
开发集成式可观测性方案 |
整合运营仪表板、业务可视化、合规监控、审计日志和用户交互跟踪。 |
| 4.3.4 |
创建工具性能框架 |
跟踪调用模式，收集性能指标，监控工具调用和多智能体协同，设定使用基准。 |
| 4.3.5 |
创建向量存储运营管理系统 |
监控向量数据库性能，自动化索引优化，实施数据质量验证流程。 |
| 4.3.6 |
开发针对基础模型的故障排除框架 |
使用 Golden Datasets 检测幻觉，使用输出差异分析 (Output Diffing)，跟踪推理路径，建立专门的可观测性流水线。 |
（五）内容领域 5：测试、验证与故障排除
任务 5.1：实施生成式人工智能的评估系统
| 编号 |
描述 |
关键要点/AWS服务示例 |
| 5.1.1 |
开发全面的评估框架 |
使用相关性、事实准确性、一致性和流畅性等指标评估模型输出。 |
| 5.1.2 |
创建系统化模型评估系统 |
使用 Amazon Bedrock Model Evaluations、A/B测试、金丝雀测试、多模型评估，衡量令牌效率、延迟-质量比和成本-性能。 |
| 5.1.3 |
开发以用户为中心的评估机制 |
收集用户反馈，建立评分系统，使用标注工作流评估响应质量。 |
| 5.1.4 |
创建系统化的质量保证流程 |
实施持续评估工作流，进行模型输出回归测试，设置自动化质量门控。 |
| 5.1.5 |
开发全面的评估系统 |
进行 RAG 评估，使用 LLM-as-a-judge 自动化评估，收集人类反馈。 |
| 5.1.6 |
实施检索质量测试 |
评估相关性评分、上下文匹配、检索延迟。 |
| 5.1.7 |
开发智能体性能框架 |
衡量任务完成率、工具使用有效性，使用 Amazon Bedrock Agent evaluations，评估多步骤工作流中的推理质量。 |
| 5.1.8 |
创建全面的报告系统 |
使用可视化工具和自动化报告向利益相关者传达性能指标和洞察。 |
| 5.1.9 |
创建部署验证系统 |
使用合成的用户工作流，针对幻觉和语义漂移进行输出验证，确保响应一致性的自动化检查。 |
任务 5.2：对生成式人工智能应用程序进行故障排除
| 编号 |
描述 |
关键要点/AWS服务示例 |
| 5.2.1 |
解决内容处理问题 |
诊断上下文窗口溢出，实施动态分块，优化提示设计，分析截断错误。 |
| 5.2.2 |
诊断并解决 API 集成问题 |
使用错误日志记录、请求验证和响应分析解决生成式AI服务特有的集成问题。 |
| 5.2.3 |
排查提示工程问题 |
使用提示测试框架、版本比较和系统化优化来改善响应质量和一致性。 |
| 5.2.4 |
排查检索系统问题 |
分析响应相关性，诊断嵌入质量，监控漂移，解决向量化和分块问题，优化向量搜索性能。 |
| 5.2.5 |
排查提示维护问题 |
使用 CloudWatch Logs 诊断提示混淆，使用 X-Ray 建立可观测性流水线，检测格式不一致，实施系统化优化工作流。 |
Some Useful Website
