Amazon Bedrock Flows – 开发者社群

前言

Amazon Bedrock Flows 新增支持了多轮对话功能这一新特性。（参考链接：aws.amazon.com）

以往，用户需要在单次提示词中输入处理所需的全部信息，而借助多轮对话形式，AI 能够轻松实现适时追问缺失信息的功能。此次，我们就利用这一多轮对话功能来实现交互式流程。

1. 概述

Amazon Bedrock Flows 是什么？

Amazon Bedrock Flows 是 AWS 提供的基于 GUI 的生成式 AI 框架。借助它，我们可以轻松构建专属的 AI 代理及聊天机器人。

多轮对话功能是什么？

此次新增支持的多轮对话功能，能够实现对话式流程，即向用户追问缺失的信息。

例如，以旅行计划的建议与预订流程为例，单次对话与多轮对话存在如下区别：

在以往的单次对话中，若要从输入文本中提取必要信息并进行处理，输入文本必须包含所有必要信息。倘若输入中缺少必要信息，流程会直接进入后续处理环节。因此，可能会导致无法处理，或者 AI 自行推测生成必要信息，从而出现非预期的行为。

而使用多轮对话功能后，若存在信息缺失，流程不会进入下一步，而是会向用户进行追问。如此一来，借助多轮对话功能，能够轻松实现更自然的对话流程。

在 Amazon Bedrock Flows 中创建多轮对话流程

接下来，为大家介绍在 Amazon Bedrock Flows 中使用多轮对话功能的方法。本次将以示例形式，创建一个基于预算、PC 用途、台式机或笔记本电脑等条件推荐 PC 的流程。

流程概述

首先，本次创建的流程整体结构如下：

用户输入由代理节点接收。提示词节点虽也能以文本形式接收用户输入，但由于多轮对话功能是代理独有的功能，因此此处使用代理。

随后，代理提取预算、PC 用途、台式机或笔记本电脑这三类信息，并将其传递给后续的 AWS Lambda 函数以进行 PC 推荐。

Lambda 函数的推荐逻辑较为简单，仅返回与提取的信息组合相对应的 PC 名称。

创建支持多轮对话的代理

首先，创建用于接收用户输入并提取 PC 推荐所需信息的代理。本次传递给代理的指令如下：

请分析用户输入，并提取以下 3 个参数。

# 需提取的信息
1. 价格区间（price_range）
   - 若用户预算低于 15 万日元，返回 "lower_than_150000yen"
   - 若用户预算高于或等于 15 万日元，返回 "higher_than_150000yen"

2. 用途（use_case）
   - 若需要游戏用 PC，返回 "game"
   - 若用于工作、文档制作、邮件等商务用途，返回 "business"

3. PC 类型（pc_type）
   - 若需要台式机，返回 "desktop"
   - 若需要笔记本电脑，返回 "laptop"

# 输出格式
提取所需信息后，请以以下 JSON 格式返回结果。

{
  "price_range": "lower_than_150000yen",
  "use_case": "game",
  "pc_type": "laptop"
}

接下来，进行多轮对话的设置：在 “其他设置” 中将 “用户输入” 设为 “启用”。这样即可实现多轮对话功能。

（此处对应 “代理的多轮对话功能设置” 相关内容）

创建 PC 推荐 Lambda 函数

接下来，创建用于接收代理输出的 JSON 并返回推荐 PC 的 Lambda 函数。本次在函数中简单定义了一份 PC 列表。

运行

# PC 推荐映射表
PC_RECOMMENDATION_MAP = {
    "lower_than_150000yen.game.desktop": "ASUS ROG Strix G15",
    "lower_than_150000yen.game.laptop": "Dell G15 Ryzen Edition",
    "lower_than_150000yen.business.desktop": "HP Pavilion Desktop TP01",
    "lower_than_150000yen.business.laptop": "Lenovo ThinkPad E14",
    "higher_than_150000yen.game.desktop": "Alienware Aurora R15",
    "higher_than_150000yen.game.laptop": "Razer Blade 15 Advanced",
    "higher_than_150000yen.business.desktop": "Apple Mac Studio",
    "higher_than_150000yen.business.laptop": "Apple MacBook Pro 16-inch",
}

def lambda_handler(event, context):
    # 获取输入参数
    input_str = event.get("node", {}).get("inputs", [])[0].get("value", "")

    # 从代理输出的文本中提取 JSON 并解析
    match = re.search(r'\{.*?\}', input_str, re.DOTALL)
    json_str = match.group(0) if match else None
    pc_params = json.loads(json_str)

    # 推荐 PC
    recommend_key = f"{pc_params['price_range']}.{pc_params['use_case']}.{pc_params['pc_type']}"
    recommended_pc = PC_RECOMMENDATION_MAP.get(recommend_key, "no_recommended_pc")

    if recommended_pc == "no_recommended_pc":
        response = "暂无推荐的 PC。"
    else:
        response = f"推荐您选择 {recommended_pc}。"

    return response

尝试进行多轮对话

下面，我们来与创建好的流程进行对话测试。

面对模糊问题时，是否会追问具体内容？

测试面对用户的模糊问题时，系统是否会追问具体内容。

首先，来看多轮对话功能关闭时的结果，以及此时代理传递给后续环节的输出。

此处，我们输入模糊的价格表述：“想要一台价格亲民的 PC”。

感谢您的提问。您是在寻找商务用的亲民价格 PC 吧。为了给您更合适的推荐，我想再详细询问几个问题。
请问您考虑选择台式机还是笔记本电脑呢？两者各有特点，若能告知您的偏好，我将为您提供更精准的建议。

从这一结果来看，即便多轮对话功能处于关闭状态，代理似乎也试图进行追问，但追问的内容并未传递给用户，而是直接发送至后续处理环节，进而导致了错误。

另一方面，多轮对话功能开启时的结果如下：

从结果可以看出，代理并未进入下一步处理，而是针对用户的模糊提问追问了具体信息。

此外，Lambda 中定义的推荐 PC 如下表所示，符合预期的 “Lenovo ThinkPad E14” 被成功推荐。

价格区间	用途	PC 类型	推荐 PC
7000元以下	游戏	台式机	ASUS ROG Strix G15
7000元以下	游戏	笔记本电脑	Dell G15 Ryzen Edition
7000元以下	商务	台式机	HP Pavilion Desktop TP01
7000元以下	商务	笔记本电脑	Lenovo ThinkPad E14
7000元以下	游戏	台式机	Alienware Aurora R15
7000元以下	游戏	笔记本电脑	Razer Blade 15 Advanced
7000元以下	商务	台式机	Apple Mac Studio
7000元以下	商务	笔记本电脑	Apple MacBook Pro 16-inch

能否基于多次交互而非单次交流给出回答？

接下来，我们测试当对话发生多次往复时，系统是否能基于此前的全部对话内容给出回答。

以下测试中，我们将 PC 相关信息分多次提供给系统。

往复对话的回答结果

从结果可见，尽管信息被拆分成了 3 次对话传递，但系统依然包含了首个用户消息中 “预算控制在9000 元以内” 这一信息，并成功推荐了符合预期的 PC。

总结

通过 Amazon Bedrock Flows 的多轮对话功能，我们发现：即便用户输入模糊，或对话发生多次往复，系统也能准确提取所需信息。借助该功能，我们可以轻松构建自然对话形式的 AI 服务，建议大家务必尝试一下。

标签： Amazon Bedrock Flows

Amazon Bedrock Flows 尝试实现交互式流程

前言