Amazon Bedrock 入門：一個平台，用遍各家 AI 模型

現在的生成式 AI 模型多到眼花：Claude、Llama、Mistral、Nova，各家有各家的 API、計費方式與文件。如果你的團隊想把 AI 接進產品，第一個現實的問題往往不是「模型會不會」，而是「押哪一家」，押錯了，程式碼綁死在一家的 API 上，之後想換就是整段重寫。

Amazon Bedrock 的核心賣點就是回應這個焦慮：把多家模型放在同一個平台上，用同一套介面呼叫。這篇是平台本身的入門，對應 Skill Builder 上的 Bedrock 入門課程。我們站上另外有一個系列專講在 Bedrock 上使用 Claude，模型層的細節放那邊，這篇專心把平台這一層講清楚。

Bedrock 解決的三個現實問題

把 Bedrock 想成「基礎模型的百貨公司」會比較好懂。它回應的是企業接 AI 時的三個現實問題。第一，選擇焦慮：模型進步太快，今天最好的模型明年未必是，你需要換得動的架構，而不是一次押注。

第二，串接成本：每家模型的 API 格式、認證方式都不同，統一介面讓換模型變成改參數，而不是重寫程式。第三，維運負擔：Bedrock 是全託管的無伺服器服務，你不用自己架 GPU、管擴容，按用量付費就好。

一套 API，多家模型

Bedrock 上的模型供應商包含 Anthropic（Claude 系列）、Meta（Llama 系列）、Mistral、Cohere、AI21、Stability AI（圖像生成），以及 Amazon 自家的 Nova 系列，後來連 OpenAI 的開放權重模型也上架了。文字、圖像、嵌入向量各類模型都有，清單持續在長。

「同一套介面」的價值在換模型的成本。你可以先用一顆便宜的模型把功能跑通，上線前再評估要不要換成推理更強的；或是不同功能用不同模型，摘要用輕量的、深度分析用旗艦的。這種混搭在單一供應商的世界裡很麻煩，在 Bedrock 上是常態。

不只是呼叫模型：四個核心元件

入門課程花不少篇幅講的另一件事：Bedrock 不只是模型的轉接頭，它把「做一個生成式 AI 應用需要的周邊」都做成了現成元件。

• 知識庫（Knowledge Bases）：把你自己的文件接進來做檢索增強生成，讓模型根據你的資料回答，而不是憑通用知識瞎猜。
• 代理（Agents）：讓模型不只回答，還能拆解任務、呼叫你的 API 去把事情做完，例如查訂單、開工單。
• 護欄（Guardrails）：設定內容安全規則，過濾有害內容與不該談的主題，對客服這類對外場景特別重要。
• 模型評估：用你自己的測試資料比較不同模型的表現與成本，把「選哪顆模型」從感覺變成有數據的決策。

另外還有微調與蒸餾這類客製化工具，讓你用自己的資料把模型調得更貼合業務。入門階段不用急著碰，知道有這條路即可。

對企業用戶還有一層常被問到的保障：資料留在你自己的 AWS 環境裡，走的是你既有的權限、加密與稽核體系，你送進模型的內容也不會被拿去訓練基礎模型。這是很多公司敢把內部文件接上生成式 AI 的前提，課程裡把它列為平台的核心設計，而不是附加選項。

模型怎麼選：先評估，再上線

多模型平台把選擇權還給你，也把選擇的功課還給你。課程裡教的選模型思路很務實：先列出你的任務類型與預算，拿真實樣本測，別看排行榜下單。同一筆預算，聊天客服可能用中階模型就綽綽有餘，法務文件分析則值得上旗艦模型。

Bedrock 的遊樂場（playground）讓你在主控台直接對不同模型下同一段提示、並排比較，這是入門第一步最值得花時間的地方。

評估時建議至少準備三種東西：一小批真實任務樣本（拿平常的信件、文件、客訴來測，別用教科書例句）、一份評分標準（正確性、語氣、格式各占多少），以及每顆模型的單位成本估算。三者擺在一起，選型會從爭論變成看表格。

從哪裡開始學

Skill Builder 上的路徑很清楚：先修入門課把觀念與主控台操作走一遍，再進 Building Generative AI Applications Using Amazon Bedrock 這門實作課，學知識庫與代理的實際串接。想在動手前先零門檻感受一下，PartyRock 是架在 Bedrock 上的免費遊樂場，我們有另一篇專文介紹。