Amazon Bedrock+DeepSeek搭建企业知识库（超详细图文教程）

基于之前的宝塔面板搭建AI知识库教程的良好反馈，看出大家对这类内容很感兴趣。本教程将介绍如何使用Amazon Bedrock控制台和DeepSeek大语言模型（LLM），从零开始构建基于RAG架构的企业内部文档可交互问答系统。教程无需任何编程经验，只需按照步骤操作，即可轻松完成搭建与体验。

相关推荐：《宝塔面板Docker搭建企业AI知识库教程》

一、注册亚马逊云科技海外区域账号

亚马逊云科技官网：点击访问（注册立享100+免费云产品）

1、访问亚马逊云科技官网点击右上方“立即注册”。

2、注册亚马逊云科技账号。

详情参考：《亚马逊云科技海外账号注册流程图解》

二、准备与导入企业知识数据

1、在亚马逊云科技控制台顶部搜索栏中输入“S3”，点击进入Amazon S3控制台。

2、点击“Create bucket”（创建存储桶）并输入存储桶名称。

3、填写存储桶名字，其他设置保持默认，然后再次点击“Create bucket”（创建存储桶）。

4、创建完成后，点击进入该bucket。

5、点击“Upload”（上传）。

6、上传知识文档，例如PDF、DOCX、TXT、HTML等格式的文件。

例如将一份txt格式的“2025年公司考勤管理制度”上传到Amazon 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）。

三、开通Amazon Bedrock和DeepSeek模型权限

1、在亚马逊云科技控制台的搜索框中输入“Bedrock”，然后点击Amazon Bedrock。

2、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。

3、如果没有DeepSeek模型的使用权限，请点击页面上的“申请”按钮。

4、在模型选择页面中，勾选本次教程所需的DeepSeek模型。

5、完成模型勾选后，点击“提交”按钮完成模型申请操作。

提交申请后，一般系统会在短时间内审核并授予权限，待权限获取成功后就可以开始使用DeepSeek模型。

四、创建企业知识库

1、现在返回亚马逊云科技Amazon Bedrock控制台，点击左侧“Knowledge Base”（知识库），进入知识库管理页面。

2、点击“Create”（创建），根据准备的数据类型，选择开始创建流程。

3、自定义知识库名称：如company-kb。

4、设置知识库数据来源：选择亚马逊云服务Amazon S3，因为要连接到刚才上传的Amazon S3存储桶。

5、设置完成，点击“next”（下一步）。

6、选择Amazon S3数据源。

7、选择上传文档的Amazon S3 Bucket。

8、继续点击“next”（下一步）。

9、设置嵌入模型。

10、建议选择Amazon Titan Embeddings（Amazon Bedrock原生）。

11、设置向量存储：此处可以保留默认（Amazon OpenSearch Serverless）。

12、点击“next”（下一步）后，确认设置，点击“Create knowledge base”（创建知识库）。

等待几分钟后，知识库文档会自动进行解析、嵌入并构建索引。

五、调用生产模型

1、接下来需要同步知识库，在Amazon Bedrock的操作界面中，进入Knowledge Bases，勾选新建的“knowledge base”，点击“Sync”（同步）。

2、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）。

3、在AWS服务器右侧对话框中，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。可以看到大模型根据知识库中的信息对问题进行了回答。

六、使用Python基于知识库调用DeepSeek大模型

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

2、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

3、为Python安装必要库：

pip install boto3 langchain langchain-community pandas python-dotenv

4、继续在Anaconda Prompt中配置亚马逊云科技登录授权：

aws configure

5、这里需要输入Amazon Access Key ID、Amazon Secret Access Key和默认Region。

这些信息可以在Amazon IAM中获取或者新建access key，具体Amazon IAM使用方法可参考相关教程，本站后期也会为大家分享。

6、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。

7、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
ifnot region ornot 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))

注意：在第五步需要设置好知识库ID和你想要调用模型的ARN。

知识库ID可以在Amazon Bedrock的“knowledge base”中找到。

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

现在可以在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。例如当提出有关员工迟到和全勤奖励的规定时，DeepSeek会基于上传的考勤制度文件，给出准确回答。

七、退出/清理环境

由于Amazon Bedrock控制台中的Playground属于即开即用型服务，因此使用完毕后无需额外退出操作即可结束会话，不用担心资源占用问题。但知识库底层依赖的Amazon OpenSearch Serverless（用于向量化数据的存储与检索）会单独计费，所以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。

1、在Amazon Bedrock里面删除“knowledge base”。

2、在Amazon OpenSearch里面删除“collections”。

3、在Amazon S3服务中删除上传的Amazon S3文件。

通过以上七个步骤，即可在控制台中无需编写代码成功构建企业级知识库问答系统。另外，对于控制台不支持的大模型，可以使用提供的Python脚本实现调用。也可以考虑使用亚马逊云服务器 (如Amazon EC2或Amazon Lightsail) 搭建该系统，其中Amazon提供12个月免费套餐，足够一般小型业务负载。