AI 应用落地谈起 ,免费试用 Amazon Bedrock 的最佳时机

最近这段时间，身边有太多朋友，不管是开发，还是非开发，都在聊一件事：想做个 AI 应用。

可能是想：加个智能客服，也可能是想写个小工具，能自动生成点代码、写点文案。这股风，比任何时候都吹得更猛烈。

但聊着聊着，大家脸上就开始出现一种心照不宣的表情："想法是好的，但......"。这个"但"，大部分时候都指向同一个问题：钱。

"起步价"，到底有多高？

你可能觉得，不就是调用几个 API 吗？能贵到哪里去？但现实是，如果你真的打算动手，很快就会发现，那些强大的大模型服务，价格可不是闹着玩的。

想用 OpenAI？每次调用都要付费，调试个十几二十次，可能不知不觉就花掉不少钱。对于个人开发者或者初创团队来说，这种"未知"的成本压力，会让你在动手之前就变得畏手畏脚。更别提那些想自己部署开源模型的：光是购买、配置那些动辄几万、十几万的 GPU 服务器，就足以让绝大多数人打退堂鼓。你还没看到自己的 AI 应用跑起来呢，可能银行账户就已经空了一大半。

所以，这就像一个循环：你想尝试，但成本太高；你不敢尝试，就永远不知道自己的想法行不行。很多好点子，就这样胎死腹中！

不是"万能药"，但确实是"解药"

之前也提过，亚马逊云科技推出的 Amazon Bedrock（ 传送门 ） ，就显得特别有价值。Bedrock 就像是一个 "大模型超市" 。

• 你想用 Anthropic 的 Claude？------ 有。
• 想用 Meta 的 Llama？------ 有。
• 甚至 Cohere 和 自家的 Titan 系列 ------ 也能直接调用。

用户不用去各个平台单独注册、单独付费，更不用自己去部署那些复杂的模型。只需要一个统一的 API，就能随心所欲地调用这些模型。而且，它的核心优势在于：无服务器（Serverless） 。

翻译过来就是：你不用管那些乱七八糟的硬件和基础设施，只管写你的代码、实现你的想法就行。对于只想快速验证一个 AI 创意、做一个原型（MVP）的开发者来说，这简直是天大的福音。

如何用 Bedrock 写第一个 AI Demo？

下面我给一个最简单的 Python 例子，几行代码就能跑起来一个 Claude 模型的调用。

import boto3

# 创建 Bedrock 客户端
client = boto3.client("bedrock-runtime", region_name="us-east-1")

# 调用 Claude 模型
response = client.invoke_model(
    modelId="anthropic.claude-v2",
    body='{"prompt": "给我写一个Python快速排序", "max_tokens_to_sample": 200}'
)

print(response['body'].read().decode())

前端 Vue3 + API 调用，帮你感受一下流程结构：

有了 Bedrock，你就能快速接上 Claude、Llama 等模型，把用户输入 → 模型推理 → 前端展示这条链路串起来。

重磅炸弹：Amazon Free Tier 2.0

尽管 Bedrock 已经很方便了，但在以前，它有一个小小的"门槛"：它不在传统的免费套餐（Free Tier）的核心额度里。

直到最近，亚马逊云科技推出了 全新的 Free Tier 2.0，这玩意儿简直是给所有 AI 开发者送了一份大礼。

• 完成一些简单的"入门任务"，就能拿到最高 200 美元 的 抵扣金。
• 这些任务非常实用，比如：部署一个网页应用、上传文件到 S3、用一下数据库。
• 最关键的是：Amazon Bedrock 明确在任务列表里！

换句话说：你完全可以"零风险"地去试水 Bedrock，甚至把调试成本全覆盖掉。

---

两个小案例

1）AI PPT 大纲生成器（Claude）

目标：输入一个主题，返回 5 页 PPT 的结构化大纲（JSON 可消费），前端可即时渲染为预览。

接口设计POST /api/ppt-outline

• 入参：

{ "topic": "大模型在电信行业的应用", "style": "行业报告", "lang": "zh" }

• 出参（约定）：

{
  "slides": [
    { "title": "...", "bullets": ["...","..."] },
    { "title": "...", "bullets": ["...","..."] }
  ]
}

后端增量代码（粘贴到 backend/app.py）

from flask import request, jsonify
import os, json

@app.post("/api/ppt-outline")
def ppt_outline():
    data = request.get_json(force=True) or {}
    topic = (data.get("topic") or "").strip()
    style = data.get("style", "产品路演")
    lang = data.get("lang", "zh")
    max_tokens = int(data.get("max_tokens", 800))

    if not topic:
        return jsonify({"error": "topic is required"}), 400

    # 无 AWS 凭证时，返回 MOCK，方便前端联调
    if not (os.getenv("AWS_ACCESS_KEY_ID") or os.getenv("AWS_PROFILE")):
        mock = {
            "slides": [
                {"title": f"{topic} - 概览", "bullets": ["背景与动因","目标与范围","关键结论"]},
                {"title": "现状与痛点", "bullets": ["成本压力","数据割裂","部署复杂"]},
                {"title": "方案设计", "bullets": ["架构图占位","模型选择","流程编排"]},
                {"title": "落地路径", "bullets": ["MVP","评估指标","风险控制"]},
                {"title": "结语", "bullets": ["下一步计划","资源需求","Q&A"]}
            ]
        }
        return jsonify(mock)

    client = get_bedrock_client()
    sys_prompt = (
        "你是演示文稿结构设计助手。"
        "要求输出严格 JSON，不要多余文字。"
        "字段：slides[5]，每项包含 title(string)、bullets(string[3-5])。"
        "语言：{lang}；风格：{style}。"
    ).format(lang=lang, style=style)

    user_prompt = f"请为主题《{topic}》生成 5 页 PPT 大纲，覆盖背景、问题、方案、路径、总结。"

    body = {
        "anthropic_version": "bedrock-2023-05-31",
        "max_tokens": max_tokens,
        "system": sys_prompt,
        "messages": [
            {"role": "user", "content": [{"type": "text", "text": user_prompt}]}
        ]
    }

    resp = client.invoke_model(
        modelId=os.getenv("BEDROCK_MODEL_ID", "anthropic.claude-3-5-sonnet-20240620-v1:0"),
        body=json.dumps(body)
    )
    payload = json.loads(resp["body"].read())

    text = None
    if isinstance(payload.get("content"), list) and payload["content"]:
        first = payload["content"][0]
        if first.get("type") == "text":
            text = first.get("text")

    # 兜底解析
    try:
        data = json.loads(text) if text else {}
    except Exception:
        # 如果模型未严格 JSON，尝试粗解析或直接包裹
        data = {"slides": [{"title": "解析失败", "bullets": [text or "无内容"]}]}

    return jsonify(data)

前端调用示例（追加到 App.vue 合适位置）

// 例：按钮事件
async function genPptOutline() {
  loading.value = true
  try {
    const resp = await fetch('/api/ppt-outline', {
      method: 'POST',
      headers: {'Content-Type': 'application/json'},
      body: JSON.stringify({ topic: input.value, style: '行业报告', lang: 'zh' })
    })
    const data = await resp.json()
    output.value = JSON.stringify(data, null, 2)
  } finally {
    loading.value = false
  }
}

可选扩展：

• 一键导出 Markdown/HTML；后续可用 python-pptx 导出 .pptx（非必须，先 MVP）。
• 增加模板选择（融资路演、产品发布、技术分享）。

---

2）知识库问答系统（上传文档 + Bedrock RAG）

两条路都可：A. 托管式 ：用 Bedrock Knowledge Bases （更省事）。B. 自托管：本地/自建向量库（如 FAISS），用 Titan Embeddings + 简易检索。下面给 A 方案代码（最少运维）；B 方案也给一个最小可用示意。

1. 在 亚马逊云科技控制台创建一个 Knowledge Base（绑定 S3 数据源）。
2. 前端上传文件到你的后端 → 后端推到 S3 指定前缀。
3. 触发 KB 同步（或定时/自动），问答时调用 bedrock-agent-runtime.retrieve_and_generate。

接口设计

• POST /api/upload：接收文件，上传到 S3（KB 绑定的桶与前缀）。
• POST /api/ask：入参 {"question": "..."} ，后端调 RAG。

后端增量代码

import boto3, uuid
from werkzeug.utils import secure_filename

S3_BUCKET = os.getenv("S3_BUCKET", "your-kb-bucket")
S3_PREFIX = os.getenv("S3_PREFIX", "kb/raw/")  # KB 绑定的数据前缀
KB_ID = os.getenv("KB_ID", "YOUR_KB_ID")       # 在控制台可见
REGION = os.getenv("AWS_REGION", "us-east-1")

s3 = boto3.client("s3", region_name=REGION)
agent_rt = boto3.client("bedrock-agent-runtime", region_name=REGION)

@app.post("/api/upload")
def upload_doc():
    if "file" not in request.files:
        return jsonify({"error": "file is required"}), 400
    f = request.files["file"]
    filename = secure_filename(f.filename) or f"doc-{uuid.uuid4().hex}.txt"
    key = f"{S3_PREFIX}{filename}"
    s3.upload_fileobj(f, S3_BUCKET, key)
    return jsonify({"ok": True, "s3_key": key})

@app.post("/api/ask")
def kb_ask():
    data = request.get_json(force=True) or {}
    question = (data.get("question") or "").strip()
    if not question:
        return jsonify({"error": "question is required"}), 400

    if not (os.getenv("AWS_ACCESS_KEY_ID") or os.getenv("AWS_PROFILE")):
        return jsonify({
            "answer": f"[MOCK] 针对问题：{question} 的知识库答案占位",
            "citations": []
        })

    # Bedrock KB RAG：RetrieveAndGenerate
    resp = agent_rt.retrieve_and_generate(
        input={"text": question},
        retrieveAndGenerateConfiguration={
            "knowledgeBaseConfiguration": {
                "knowledgeBaseId": KB_ID,
                "modelArn": f"arn:aws:bedrock:{REGION}::foundation-model/anthropic.claude-3-5-sonnet-20240620-v1:0"
            },
            "type": "KNOWLEDGE_BASE"
        }
    )

    # 解析答案与引用
    out = resp.get("output", {})
    answer = out.get("text") or ""
    citations = []
    for c in out.get("citations", []):
        for ref in c.get("retrievedReferences", []):
            citations.append({
                "location": ref.get("location"),
                "title": ref.get("content", {}).get("text", "")[:80]  # 简要片段
            })

    return jsonify({"answer": answer, "citations": citations})

前端（上传 + 提问示例）

async function uploadFile(file) {
  const form = new FormData()
  form.append('file', file)
  const resp = await fetch('/api/upload', { method: 'POST', body: form })
  return resp.json()
}

async function askKb(question) {
  const resp = await fetch('/api/ask', {
    method: 'POST',
    headers: { 'Content-Type': 'application/json' },
    body: JSON.stringify({ question })
  })
  return resp.json()
}

• 环境变量 ：在 backend/.env 增加

AWS_REGION=us-east-1
BEDROCK_MODEL_ID=anthropic.claude-3-5-sonnet-20240620-v1:0
LLAMA_MODEL_ID=meta.llama3-70b-instruct-v1:0  # 以控制台为准
S3_BUCKET=your-kb-bucket
S3_PREFIX=kb/raw/
KB_ID=YOUR_KB_ID

• 模型有时不守 JSON，可在后端增加「二次解析/修复」策略（如正则提取 JSON 块，或再发一次"请只输出 JSON"）。

---

现在就可以启动！

以前我们总说"万事俱备，只欠东风"。而现在，这股"东风"已经吹来了。

Amazon Bedrock 已经把技术门槛降到了最低，而全新的 Amaozn Free Tier 2.0，则彻底把成本门槛也清零了。

👉 立即注册 Amaozn Free Tier 2.0，拿到最高 200 美元的抵扣金，把你的 AI 原型跑起来。