使用 Amazon Bedrock 与 DeepSeek 大模型轻松搭建知识库

本页导读

教程简介第一步登录亚马逊云科技海外区域账号第二步企业知识数据的准备与导入第三步开通 Amazon Bedrock 和 DeepSeek 模型权限第四步创建企业知识库（Knowledge base）第五步调用生产模型第六步使用 Python 基于知识库调用 DeepSeek 大模型第七步退出/清理环境小结费用评估和优惠参考

难度

初级

时间

20 分钟

所需费用

参考 Bedrock 价格页面

受众

业务开发人员

教程简介

在当今信息密集的企业环境中，如何快速、安全地构建专属知识库成为提升效率的关键。本教程将手把手教你如何从零开始，借助 Amazon Bedrock 控制台与 DeepSeek 大语言模型，将企业内部文档转化为可交互的问答系统（RAG 架构）。无需任何编程经验，只需按照步骤操作，即可轻松完成搭建与体验。

第一步登录亚马逊云科技海外区域账号

打开浏览器，访问 AWS 管理控制台登录页面。

登录你的 AWS 账号。

第二步企业知识数据的准备与导入

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）

第三步开通 Amazon Bedrock 和 DeepSeek 模型权限

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，点击页面上的 “申请” 按钮。

在模型选择页面中，勾选本次教程所需的 DeepSeek 模型。

完成模型勾选后，点击 “提交” 按钮完成模型申请操作。

通常提交申请后，系统会在短时间内审核并授予权限，待权限获取成功，我们就可以开始使用 DeepSeek 模型了。

第四步创建企业知识库（Knowledge base）

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。

第五步调用生产模型

首先我们需要在 Amazon Bedrock 的操作界面中，进入 Knowledge Bases，勾选新建的 knowledge base，请点击【Sync】(同步) 来同步知识库

选择测试知识库的生产模型，目前在控制台内只能测试部分大模型

在右侧对话框中，我们可以使用选择的大模型对刚刚上传的公司考勤制度进行测试。这里可以看到大模型根据知识库中的信息对我们的问题进行了回答

第六步：使用 Python 基于知识库调用 DeepSeek 大模型

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，创建项目文件夹：

mkdir aws_rag_project
cd aws_rag_project

为 Python 安装必要库：

pip install boto3 langchain langchain-community pandas 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_REGION=us-east-1 > .env
echo AWS_PROFILE=default >> .env

成功后，会在项目文件夹中看到,env 文件

将以下调用 DeepSeek 的 python 文件保存在项目文件夹中

Python 文件代码如下：

import os
import boto3
from dotenv import load_dotenv
from botocore.exceptions import NoCredentialsError, ProfileNotFound

# 第一步：加载 .env 文件
load_dotenv()

# 第二步：读取环境变量
region = os.getenv("AWS_REGION")
profile = os.getenv("AWS_PROFILE")

print("🔍 检查当前 AWS 配置...")
print("📍 AWS Region:", region)
print("👤 AWS Profile:", profile)

# 第三步：验证 AWS 配置是否存在
if not region or not profile:
    print("❌ 错误：环境变量 AWS_REGION 或 AWS_PROFILE 未设置。请检查 .env 文件。")
    exit(1)

# 第四步：尝试连接 AWS Bedrock
try:
    session = boto3.Session(profile_name=profile, region_name=region)
    bedrock_agent_runtime = session.client(service_name='bedrock-agent-runtime')
except ProfileNotFound:
    print(f"❌ 错误：找不到名为 '{profile}' 的 AWS profile。请先运行 aws configure 设置。")
    exit(1)
except NoCredentialsError:
    print("❌ 错误：未检测到有效的 AWS 凭证。请确保已使用 aws configure 设置 Access Key。")
    exit(1)

print("✅ AWS 环境配置成功，开始调用知识库...")

# 第五步：设置知识库 ID 和模型 ARN（请替换为你自己的）
knowledge_base_id = "你的知识库ID"  # ← 在控制台查看 Knowledge Base ID
model_arn = "你的 model ARN"  # 可替换为 DeepSeek 等

# 第六步：输入你的问题
user_input = "公司全勤奖是多少钱？"

# 第七步：调用知识库进行 RAG 问答
try:
    response = bedrock_agent_runtime.retrieve_and_generate(
        input={"text": user_input},
        retrieveAndGenerateConfiguration={
            "type": "KNOWLEDGE_BASE",
            "knowledgeBaseConfiguration": {
                "knowledgeBaseId": knowledge_base_id,
                "modelArn": model_arn
            }
        }
    )

    # 第八步：打印模型回答
    print("\n🤖 模型回答：")
    print(response["output"]["text"])

except Exception as e:
    print("❌ 出现错误：", str(e))

其中第五步中需要设置好你的知识库 ID 和你想要调用模型的 ARN

知识库ID可以在 Bedrock 的 knowledge base 中找到

Model ARN 建议在 Bedrock 的 Cross-region inference 中找到，这里我们搜索 DeepSeek 可以获取相应 ARN。

现在我们可以在 Anaconda Prompt 中运行 Python 文件，调用 DeepSeek 大模型，并结合企业知识库进行问答。例如，当我们提出有关员工迟到和全勤奖励的规定时，DeepSeek 会基于我们上传的考勤制度文件，给出准确的回答。

第七步退出/清理环境

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：

小结

至此，通过以上 7 个步骤，你已经成功搭建了一个企业级的知识库问答系统，全流程在控制台中完成，无需编写代码。如果需要调用控制台暂不支持的大模型，也可以通过提供的 Python 脚本实现。企业可持续上传更多文档至 S3 存储桶，以增强 AI 的问答能力。该系统适用于员工培训、客户支持、产品问答等多种场景，有效提升信息获取效率。

费用评估和优惠

目前通过 Bedrock 调用 DeepSeek 费用可以参考 Bedrock 价格页面

参考

Amazon Bedrock 用户指导手册

免费套餐

AWS 海外区域

拓展海外业务或个人体验
免费使用 100 余种云产品或服务，长达 12 个月

AWS 中国区域

发展中国业务
免费使用 40 余种核心云服务产品，长达 12 个月

选择您的 Cookie 首选项

使用 Amazon Bedrock 与 DeepSeek 大模型轻松搭建知识库

教程简介

第一步登录亚马逊云科技海外区域账号

第二步企业知识数据的准备与导入

第三步开通 Amazon Bedrock 和 DeepSeek 模型权限

第七步退出/清理环境

小结

费用评估和优惠

参考

更多教程

快速搭建容量高达 35GB 的免费个人网盘

构建企业专属智能客服机器人

使用生成式 AI 构建多语言问答知识库

免费套餐

AWS 海外区域

AWS 中国区域

选择您的 Cookie 首选项

使用 Amazon Bedrock 与 DeepSeek 大模型轻松搭建知识库

教程简介

第一步 登录亚马逊云科技海外区域账号

第二步 企业知识数据的准备与导入

第三步 开通 Amazon Bedrock 和 DeepSeek 模型权限

第七步 退出/清理环境

小结

费用评估和优惠

参考

更多教程

快速搭建容量高达 35GB 的免费个人网盘

构建企业专属智能客服机器人

使用生成式 AI 构建多语言问答知识库

免费套餐

AWS 海外区域

AWS 中国区域

终止对 Internet Explorer 的支持

第一步登录亚马逊云科技海外区域账号

第二步企业知识数据的准备与导入

第三步开通 Amazon Bedrock 和 DeepSeek 模型权限

第七步退出/清理环境