零基础教程 | 使用 Amazon Bedrock 和 DeepSeek 模型搭建企业智能客服系统（基于 Flask）

• 打开浏览器，访问 AWS 管理控制台登录页面。

• 登录你的 AWS 账号。

• 在控制台顶部搜索栏中输入“S3”，点击进入 Amazon S3 控制台。

• 点击【Create bucket】(创建存储桶)，输入存储桶名称

• 填写存储桶名字，其他设置保持默认，再次点击【Create bucket】(创建存储桶)

• 创建完成后，点击进入该 bucket

• 点击【Upload】(上传)

• 上传你的知识文档，例如 PDF、DOCX、TXT、HTML 等格式的文件

  

• 例如，我们将一份 txt 格式的 “2025 年公司考勤管理制度” 上传到 S3 存储桶（其中做了一些自定义设置，以便于验证知识库调用）

  

• 在 AWS 控制台的搜索框中输入 “Bedrock”，然后点击 Amazon Bedrock

• 进入 Amazon Bedrock 页面后，找到页面中的 “Model access”（模型访问）设置板块，仔细检查自身账号是否已具备 DeepSeek 的使用权限

• 如果没有 DeepSeek 模型的使用权限，可点击页面上的 “申请” 按钮获得权限。

• 返回 Bedrock 控制台，点击左侧【Knowledge Base】(知识库)，进入知识库管理页面。

  

• 点击【Create】(创建)，根据准备的数据类型，选择开始创建流程

• 自定义知识库名称 Knowledge Base Name：如 company - kb

  

• 设置知识库数据来源：选择 S3，因为要连接到我们刚才上传的 S3 存储桶

• 设置完成，点击【next】(下一步)

  

• 选择 S3 数据源

• 选择我们上传文档的 S3 Bucket

  

• 继续点击【next】(下一步)

• 设置嵌入模型：

• 建议选择 Amazon Titan Embeddings（Bedrock 原生）

  

• 设置向量存储：这里可以保留默认 (Amazon OpenSearch Serverless)

  

• 点击【next】(下一步) 后，确认设置，点击【Create knowledge base】(创建知识库)。

  

• 等待几分钟，知识库文档会自动进行解析、嵌入并构建索引。

  

• 安装 Python，可以使用 Anaconda，一键装好 Python 和虚拟环境 ，安装完成后，打开 “Anaconda Prompt”

  

• 在 Anaconda Prompt 中输入以下代码，创建并进入项目文件夹：

mkdir flask_chatbot

cd flask_chatbot

• 创建虚拟环境

  conda create -n flask_bot_env python=3.10

  conda activate flask_bot_env

  

• 为 Python 安装必要库：

  pip install flask boto3 langchain langchain-community python-dotenv

• 继续在 Anaconda Prompt 中配置 AWS 登录授权

  aws configure

• 这里需要输入你的：AWS Access Key ID，AWS Secret Access Key，默认 Region

• 以上这些信息可以在 AWS 的 IAM 中获取或者新建 access key，具体 IAM 使用方法可参考相关教程

• 在 Anaconda Prompt 中创建项目环境设置.env 文件：

echo AWS_DEFAULT_REGION=xxx(你的bedrock所在区域)> .env

echo AWS_ACCESS_KEY_ID=xxx (你的ACCESS_KEY_ID)>> .env

echo AWS_SECRET_ACCESS_KEY=xxx (你的SECRET_ACCESS_KEY)>>> .env

• 成功后，会在项目文件夹中看到 .env文件

  

• 创建主文件 app.py 保存在项目文件夹中

  

• Python 文件代码如下：

  import os

  import logging

  from flask import Flask, render_template, request, jsonify

  from flask_cors import CORS

  import boto3

  from dotenv import load_dotenv

  # 加载环境变量

  load_dotenv()

  # 初始化 Flask 应用

  app = Flask(__name__)

  CORS(app)

  # 设置日志

  logging.basicConfig(level=logging.INFO)

  logger = logging.getLogger(__name__)

  # 初始化 AWS 会话

  session = boto3.Session(

  aws_access_key_id=os.getenv("AWS_ACCESS_KEY_ID"),

  aws_secret_access_key=os.getenv("AWS_SECRET_ACCESS_KEY"),

  region_name=os.getenv("AWS_DEFAULT_REGION", "us-east-1")

  )

  # 初始化 Bedrock 客户端

  bedrock_runtime = session.client("bedrock-runtime")

  bedrock_agent = session.client("bedrock-agent-runtime")

  # 配置参数

  # 使用 Amazon DeepSeek 的跨区域推理配置文件 ARN

  MODEL_ARN = "你的 model ARN" # 可替换为其他模型

  KNOWLEDGE_BASE_ID = "你的知识库ID" # 在控制台查看 Knowledge Base ID

  @app.route("/")

  def home():

  return render_template("index.html")

  @app.route("/chat", methods=["POST"])

  def chat():

  try:

  data = request.get_json()

  user_message = data.get("message", "").strip()

  if not user_message:

  return jsonify({"message": "消息不能为空"}), 400

  logger.info(f"用户输入: {user_message}")

  logger.info("开始连接知识库并生成回答...")

  # 调用 Bedrock Agent 进行知识库检索和生成回答

  response = bedrock_agent.retrieve_and_generate(

  input={"text": user_message},

  retrieveAndGenerateConfiguration={

  "type": "KNOWLEDGE_BASE",

  "knowledgeBaseConfiguration": {

  "knowledgeBaseId": KNOWLEDGE_BASE_ID,

  "modelArn": MODEL_ARN,

  "retrievalConfiguration": {

  "vectorSearchConfiguration": {

  "numberOfResults": 3

  }

  },

  "generationConfiguration": {

  "inferenceConfig": {

  "textInferenceConfig": {

  "temperature": 0.3,

  "maxTokens": 1024,

  "topP": 0.9

  }

  },

  "promptTemplate": {

  "textPromptTemplate": """\n\nHuman: 请根据以下知识库内容用中文回答问题:

  <context>

  $search_results$

  </context>

  问题: $input$

  \n\nAssistant:"""

  }

  }

  }

  }

  )

  logger.info("成功连接知识库，生成回答完成。")

  # 提取回答内容

  bot_reply = response.get("output", {}).get("text", "未能生成回答")

  # 提取引用来源

  citations = response.get("citations", [])

  sources = []

  for c in citations:

  references = c.get("retrievedReferences", [])

  for ref in references:

  s3_uri = ref.get("location", {}).get("s3Location", {}).get("uri", "")

  excerpt = ref.get("content", {}).get("text", "")[:100]

  sources.append({

  "title": s3_uri.split("/")[-1] if s3_uri else "未知文档",

  "excerpt": excerpt + "..."

  })

  return jsonify({

  "message": bot_reply,

  "sources": sources

  })

  except Exception as e:

  logger.error(f"请求失败: {str(e)}", exc_info=True)

  return jsonify({"message": f"请求失败: {str(e)}"}), 500

  if name == "__main__":

  app.run(host="0.0.0.0", port=5000, debug=True)

• 在代码中的配置参数部分，需要填入知识库 ID 和 model ARN.

• 知识库 ID 可以在 Bedrock 的 knowledge base 中找到

• 在项目文件夹中创建客服对话面

• index.html 代码可以参考如下：

  <!DOCTYPE html>

  <html lang="zh-CN">

  <head>

  <meta charset="UTF-8">

  <meta name="viewport" content="width=device-width, initial-scale=1.0">

  <title>智能客服助手</title>

  <style>

  body {

  font-family: 'Arial', sans-serif;

  max-width: 800px;

  margin: 0 auto;

  padding: 20px;

  background-color: #f5f5f5;

  }

  #chat-container {

  background: white;

  border-radius: 10px;

  box-shadow: 0 2px 10px rgba(0, 0, 0, 0.1);

  overflow: hidden;

  }

  #chat-box {

  height: 500px;

  padding: 20px;

  overflow-y: auto;

  }

  .message {

  margin-bottom: 15px;

  padding: 10px 15px;

  border-radius: 18px;

  max-width: 70%;

  word-wrap: break-word;

  }

  .user-message {

  background: #007bff;

  color: white;

  margin-left: auto;

  }

  .bot-message {

  background: #e9ecef;

  color: black;

  margin-right: auto;

  }

  #input-area {

  display: flex;

  padding: 15px;

  background: #f8f9fa;

  border-top: 1px solid #ddd;

  }

  #user-input {

  flex: 1;

  padding: 10px;

  border: 1px solid #ddd;

  border-radius: 20px;

  outline: none;

  }

  #send-button {

  margin-left: 10px;

  padding: 10px 20px;

  background: #007bff;

  color: white;

  border: none;

  border-radius: 20px;

  cursor: pointer;

  }

  </style>

  </head>

  <body>

  <div id="chat-container">

  <div id="chat-box"></div>

  <div id="input-area">

  <input type="text" id="user-input" placeholder="输入消息..." />

  <button id="send-button">发送</button>

  </div>

  </div>

  <script>

  const chatBox = document.getElementById("chat-box");

  const userInput = document.getElementById("user-input");

  function addMessage(role, content) {

  const messageDiv = document.createElement("div");

  messageDiv.classList.add("message", ${role}-message);

  messageDiv.textContent = content;

  chatBox.appendChild(messageDiv);

  chatBox.scrollTop = chatBox.scrollHeight;

  }

  document.getElementById("send-button").addEventListener("click", sendMessage);

  userInput.addEventListener("keypress", (e) => {

  if (e.key === "Enter") sendMessage();

  });

  function sendMessage() {

  const message = userInput.value.trim();

  if (!message) return;

  addMessage("user", message);

  userInput.value = "";

  fetch("/chat", {

  method: "POST",

  headers: { "Content-Type": "application/json" },

  body: JSON.stringify({ message })

  })

  .then(response => response.json())

  .then(data => {

  addMessage("bot", data.message);

  })

  .catch(error => {

  addMessage("bot", "服务暂时不可用，请稍后再试");

  console.error("Error:", error);

  });

  }

  </script>

  </body>

  </html>

• 在项目根目录中放置 requirements.txt 文件，其中内容如下：

  flask==3.0.3

  boto3==1.36.3

  flask-cors==5.0.1

  python-dotenv==0.21.0

• 完成以上准备后，最终项目文件夹的结构如下:

• 现在，您已经成功配置了 Flask 应用，并集成了 Amazon Bedrock 上的 DeepSeek 模型和企业知识库。可以通过以下命令在 Anaconda Prompt 中运行 app.py 文件，启动智能客服系统。

• 运行 app.py 启动 Flask 服务后，使用浏览器访问 http://127.0.0.1:5000/，可以加载出flask框架下的智能客服

  

• 我们尝试提出与知识库内容相关的问题，程序成功通过 Amazon Bedrock 的 API 调用了 DeepSeek 模型，并基于预设的知识库提供了准确的回答。例如，当我们询问“公司考勤制度是怎么样的？”时，系统会结合上传的考勤制度文件，生成详尽的解答。

Amazon Bedrock 控制台中的 Playground 属于即开即用型服务，使用完毕后无需额外退出操作即可结束会话，无需担心资源占用问题。但需要注意的是，知识库底层依赖的 Amazon OpenSearch Serverless（用于向量化数据的存储与检索）会单独计费。因此，如果确定短期内不再使用该知识库，建议按照以下顺序清理资源，以避免产生不必要的费用：

• 在 Bedrock 里面删除 knowledge base

  

• 在 OpenSearch 里面删除 collections

  

• 在 S3 服务中删除上传的 S3 文件：

通过本教程的 6 个步骤，您已成功搭建了一个企业级的知识库问答系统。整个流程主要在 Amazon Bedrock 控制台中完成，几乎无需编写代码，适合零基础用户快速上手。企业可以持续上传更多文档至 S3 存储桶，丰富知识库内容。该系统适用于多种场景，如员工培训、客户支持、产品问答等，有效提升信息获取效率。