💡 **全面的语言和工具支持**：亚马逊云科技的AI开发工具深度适配超过15种主流编程语言，包括Python、JavaScript、Java、Go、Rust、C++等，提供代码生成、模型训练、服务部署等全流程解决方案。Amazon CodeWhisperer支持主流语言的代码生成与安全扫描，SageMaker为Python提供原生支持，Lambda则支持所有编码语言，确保开发者能选择最适合其需求的语言和工具。

🌐 **强大的多语言NLP能力**：亚马逊云科技的自然语言处理服务，如Amazon Comprehend、Lex、Translate和Bedrock，支持超过40种全球语言，并针对中文、阿拉伯语、印地语等进行本地化优化，如Comprehend对中文术语的精准识别，Lex对口语化表达的支持，以及Lex对阿拉伯语右到左书写习惯的适配，满足全球化场景下的多样化需求。

📚 **分阶段的AI学习生态**：平台为不同学习阶段的用户设计了语言支持方案，包括入门阶段的图形化编程（Blockly）和自然语言交互，进阶阶段的Python与SageMaker Studio Lab实践，以及专家阶段的多语言协同开发（Python+Java+SQL）和高性能优化（Rust/C++）。这有助于降低AI学习门槛，促进AI技术的普及。

🤖 **简化的Agent开发流程**：文章详细介绍了如何创建和配置Amazon Bedrock Agent，包括在控制台创建Agent、获取Agent ID、替换代码中的ID以及配置AWS凭证（通过CLI、环境变量或代码）。这一流程为开发者快速上手构建对话AI应用提供了清晰的指导，并提供了产品信息查询和订单状态跟踪等实际应用示例。

编码语言支持（开发者工具场景）

亚马逊云科技的 AI 开发工具（含代码生成、模型训练、服务部署）覆盖 15+ 主流编程语言，针对 AI/ML 场景做了深度适配，满足从原型开发到生产部署的全流程需求。

1.1 核心支持语言及应用场景

1.2 重点工具的语言支持细节

（1）Amazon CodeWhisperer（AI 代码生成）

全功能支持（含代码生成、注释、安全扫描）：Python、JavaScript、TypeScript、Java、C#基础建议支持（代码补全、语法纠错）：Go、Rust、Ruby、PHP、Kotlin、Scala、C/C++特色能力：Python 场景支持 AI 安全扫描（检测 2000+ 常见漏洞，如 SQL 注入、依赖包漏洞）

（2）Amazon SageMaker（模型训练与部署）

原生首选：Python（内置 Jupyter Notebook 环境，兼容所有主流 ML 框架）扩展支持：R（通过自定义容器部署，适配统计学习场景）、Java（模型推理接口开发）部署灵活性：训练后的模型可导出为 ONNX 格式，支持用 C++/Rust 开发高性能推理服务

（3）Amazon Lambda（AI 服务无服务器部署）

所有上述编码语言均支持，其中 Python、Node.js（JavaScript/TypeScript） 为 AI 场景最常用运行时（冷启动速度快、生态丰富）示例：用 Python Lambda 函数调用 Amazon Bedrock 生成文本，用 Node.js Lambda 处理 Comprehend 情感分析结果

自然语言支持（NLP 与对话 AI 场景）

亚马逊云科技的自然语言处理（NLP）与对话 AI 服务支持 40+ 全球自然语言，覆盖多地域、多行业场景，且针对部分语言做了本地化优化。

2.1 主要服务的自然语言覆盖

2.2 本地化优化亮点

中文支持：Comprehend 精准识别中文电商/金融术语（如“退款”“物流单号”“涨停”），Lex 支持中文口语化表达（如“帮我看看我昨天买的东西到哪了”）阿拉伯语：Lex 适配“右到左”书写习惯，支持海湾阿拉伯语（ar-AE）、埃及阿拉伯语（ar-EG）等方言印地语：支持“印地语-英语混合对话”（如“我的 order 怎么还没 deliver？”），适配印度市场用户习惯

AI 学习生态中的语言实践（含教育场景）

亚马逊云科技针对不同学习阶段（入门、进阶、专家）设计了语言支持方案，降低 AI 学习门槛。

3.1 入门阶段（无代码/低代码）

图形化编程：Blockly（类似 Scratch），用于 Amazon DeepRacer（自动驾驶学习）、DeepComposer（音乐 AI）

场景：青少年通过拖拽模块配置 DeepRacer 赛车的“奖励函数”，无需写代码即可理解强化学习原理

自然语言交互：用中文/英语通过 Amaoz Bedrock 基础模型提问（如“什么是神经网络？”），获取通俗解释

3.2 进阶阶段（编程实践）

核心语言：Python（首选），搭配 Amaoz SageMaker Studio Lab（免费 Jupyter 环境）

案例：用 Python 实现“鸢尾花分类”（Scikit-learn）、“图像识别”（TensorFlow），调用 Comprehend 做文本情感分析

辅助语言：JavaScript（用 Node.js 调用 Amaoz Bedrock API 开发简单 AI 助手）

3.3 专家阶段（企业级开发）

多语言协同：Python（模型训练）+ Java（后端服务）+ SQL（数据交互）

示例：用 Python 在 SageMaker 训练推荐模型 → 导出模型到 Lambda（Java 运行时）做推理 → 用 SQL 从 Redshift 读取用户数据，实现“个性化推荐”

高性能优化：用 Rust/C++ 开发边缘 AI 推理服务（适配 Amazon IoT Greengrass），降低延迟

语言选择建议

上手实战

以下是关于“创建 Amazon Bedrock Agent、替换Agent ID、配置亚马逊云科技凭证”的详细操作步骤，适合新手参考：

一、在亚马逊云科技控制台创建Bedrock Agent并获取ID

步骤1：登录亚马逊云科技控制台

查询打开亚马逊云科技官网，点击右上角 “Sign In to the Console”（也可直接点击☞：传送门）输入你的亚马逊云科技账号（邮箱/账号ID）和密码登录

步骤2：进入Amaozn Bedrock服务页面

在控制台顶部的搜索框中输入“Amaozn Bedrock”，选择“Amazon Bedrock”服务确保当前区域正确（推荐选择us-east-1或us-west-2，需与代码中region_name一致）

步骤3：创建Bedrock Agent

在 Amazon Bedrock左侧菜单中，找到并点击 Agents（代理）

点击 Create agent（创建代理）按钮

填写基本信息：

Agent name：输入名称（如DateQueryAgent）Description：可选，描述用途（如“日期查询助手”）IAM role：选择或创建一个IAM角色（需授予Amaoz Bedrock Agent调用其他服务的权限，新手可选择“Create a new role”自动创建）

点击 Next 进入“Instructions”页面，输入代理的系统提示：

  你是一个日期查询助手，能回答当前日期、计算日期差、查询星期几等问题。请根据用户需求调用合适的工具。

点击 Next ，暂时不添加工具（工具已在代码中定义），直接点击 Create agent 完成创建

步骤4：获取Agent ID

创建成功后，在Agents列表中找到你刚创建的代理，点击进入详情页在页面顶部的“Agent ID”字段中，点击右侧的复制按钮（📋），保存该ID（后续会用到）

二、替换代码中的"YOUR_AGENT_ID"

打开之前的date_query_agent.py代码文件

找到以下两行代码：

   agentId="YOUR_AGENT_ID",  # 替换为你的Agent ID

将"YOUR_AGENT_ID"替换为刚才复制的Agent ID（保持引号），例如：

    agentId="ABCDEFGHIJKLMNOPQRSTUVWXYZ123456",  # 实际Agent ID

保存文件即可

三、配置亚马逊云科技凭证（关键步骤）

Amazon SDK（Boto3）需要通过凭证验证你的身份，以下是3种常用配置方式：

方式1：通过Amazon CLI配置（推荐）

安装 Amazon CLI：

Windows：通过Amazon CLI安装包安装Mac/Linux：执行pip install awscli

打开终端/命令提示符，输入aws configure并按提示输入：

AWS Access Key ID [None]: 你的Access KeyAWS Secret Access Key [None]: 你的Secret KeyDefault region name [None]: us-east-1  # 与代码中区域一致Default output format [None]: json

如何获取Access Key和Secret Key？

登录亚马逊云科技控制台 → 右上角点击你的用户名 → Security credentials → 在“Access keys”部分点击“Create access key”，下载并保存密钥对（仅显示一次）

方式2：通过环境变量配置

临时设置环境变量（终端/命令提示符中）：

Windows：

    set AWS_ACCESS_KEY_ID=你的Access Key    set AWS_SECRET_ACCESS_KEY=你的Secret Key    set AWS_DEFAULT_REGION=us-east-1

Mac/Linux：

   export AWS_ACCESS_KEY_ID=你的Access Key   export AWS_SECRET_ACCESS_KEY=你的Secret Key   export AWS_DEFAULT_REGION=us-east-1

方式3：在代码中直接配置（不推荐用于生产环境）

在代码初始化客户端时添加凭证（仅测试用）：

bedrock_agent = boto3.client(    'bedrock-agent',    region_name='us-east-1',    aws_access_key_id='你的Access Key',    aws_secret_access_key='你的Secret Key')

验证配置是否成功

运行代码中的测试用例，如果能正常返回结果（如当前日期），说明配置成功。若出现“权限错误”或“无法连接”，请检查：

Agent ID是否正确区域是否一致（代码与控制台）凭证是否有效（Access Key和Secret Key是否正确）

完成以上步骤后，恭喜你！你就可以进入新手实战了。

偷偷告诉大家，这次免费套餐有新升级：

Free Tier 2.0 vs Legacy Free Tier

（可根据自己所需来进行选择）

Bedrock Agent 的思考小扩展

两个简单的 Bedrock Agent 服务示例

1. 产品信息查询助手

服务功能：帮助用户快速查询电商平台的产品信息（如价格、库存、规格、用户评价等）。

实现思路：

关联数据源：将产品数据库（如DynamoDB中的产品表）通过API接口暴露给Amazon Bedrock Agent；

能力配置：让Agent理解常见查询意图（如"这个商品有货吗？"、"XX型号的价格是多少？"）；

交互流程：

用户输入自然语言查询（例如："帮我看看黑色运动鞋的库存和最新评价"）；Agent解析意图，确定需要调用"产品库存API"和"用户评价API"；调用对应API获取数据，整合后以自然语言返回结果（例如："黑色运动鞋当前库存32件，最近30天平均评分4.8/5，用户反馈舒适度高..."）。

2. 订单状态跟踪器

服务功能：用户输入订单号后，自动查询订单的实时状态（如"已发货"、"配送中"）、物流信息（快递公司、运单号）和预计送达时间。

实现思路：

关联系统：对接电商订单系统API和物流查询API；

能力配置：让Agent识别订单号格式，并能处理模糊查询（如"我上周买的衣服到哪了？"）；

交互流程：

用户输入查询（例如："订单号12345的状态是什么？"）；Agent提取订单号，调用"订单状态API"获取基础信息；若订单已发货，自动调用"物流查询API"获取运单详情；整合信息后返回（例如："订单12345已发货，由顺丰快递配送（运单号SF67890），预计明日18:00前送达"）。

这两个示例展示了 Amazon Bedrock Agent在简化用户交互、自动化数据查询方面的作用，开发者可基于此扩展更复杂的场景（如财务报表生成、技术支持工单处理等）。

以上就是本文的全部内容啦。

最后提醒一下各位工友，如果后续不再使用相关服务，别忘了在控制台关闭，避免超出免费额度产生费用～