AWS
与 Amazon AWS 平台相关的 LangChain 集成。
第一方 AWS 集成可在 langchain_aws 包中获得。
pip install langchain-aws
在 langchain_community 包中，还有一些可用的社区集成，带有可选的 boto3 依赖。
pip install langchain-community boto3
聊天模型
Bedrock 聊天
Amazon Bedrock 是一项完全托管的服务，提供选择 来自领先 AI 公司如
AI21 Labs、Anthropic、Cohere的高性能基础模型 (FMs)，Meta、Stability AI和Amazon，通过单一 API 提供，以及您构建 具有安全性、隐私和负责任 AI 的生成 AI 应用所需的广泛功能。使用Amazon Bedrock， 您可以轻松地实验和评估适合您用例的顶级 FMs，私下使用 您的数据通过微调和检索增强生成(RAG) 等技术进行定制，并构建 使用您的企业系统和数据源执行任务的代理。由于Amazon Bedrock是 无服务器，您无需管理任何基础设施，并且可以安全地集成和部署 将生成式AI能力集成到您已经熟悉的AWS服务中。
查看使用示例。
from langchain_aws import ChatBedrock
Bedrock Converse
AWS最近发布了Bedrock Converse API，提供了一个统一的对话接口用于Bedrock模型。该API尚不支持自定义模型。您可以在这里查看所有支持的模型列表。为了提高可靠性，ChatBedrock集成将在与现有Bedrock API功能相当时切换到使用Bedrock Converse API。在此之前，已发布了一个单独的ChatBedrockConverse集成。
我们建议不需要使用自定义模型的用户使用ChatBedrockConverse。有关更多详细信息，请参见文档和API参考。
from langchain_aws import ChatBedrockConverse
大型语言模型
Bedrock
查看使用示例。
from langchain_aws import BedrockLLM
亚马逊API网关
Amazon API Gateway 是一个完全托管的服务，使得开发者可以轻松地 创建、发布、维护、监控和保护任何规模的API。API充当应用程序访问数据、业务逻辑或 功能的“前门”，从您的后端服务中获取。使用
API Gateway，您可以创建RESTful API和WebSocket API，支持实时双向通信 应用程序。API Gateway支持容器化和无服务器工作负载，以及Web应用程序。
API Gateway处理所有接受和处理高达数十万的 并发API调用的任务，包括流量管理、CORS支持、授权和访问控制、 限流、监控和API版本管理。API Gateway没有最低费用或启动成本。 您只需为接收到的API调用和传输的数据量付费，使用API Gateway分层定价模型，随着您的 API 使用量的增加，您可以降低成本。
查看 使用示例。
from langchain_community.llms import AmazonAPIGateway
SageMaker 端点
Amazon SageMaker 是一个可以构建、训练和部署 机器学习 (ML) 模型的系统，具有完全托管的基础设施、工具和工作流程。
我们使用 SageMaker 来托管我们的模型并将其暴露为 SageMaker 端点。
查看 使用示例。
from langchain_aws import SagemakerEndpoint
嵌入模型
Bedrock
查看 使用示例。
from langchain_community.embeddings import BedrockEmbeddings
SageMaker 端点
查看 使用示例。
from langchain_community.embeddings import SagemakerEndpointEmbeddings
from langchain_community.llms.sagemaker_endpoint import ContentHandlerBase
文档加载器
AWS S3 目录和文件
亚马逊简单存储服务 (Amazon S3) 是一种对象存储服务。 AWS S3 目录 AWS S3 存储桶
from langchain_community.document_loaders import S3DirectoryLoader, S3FileLoader
亚马逊 Textract
亚马逊 Textract 是一项机器 学习 (ML) 服务，自动从扫描文档中提取文本、手写和数据。
查看 使用示例。
from langchain_community.document_loaders import AmazonTextractPDFLoader
亚马逊 Athena
亚马逊 Athena 是一项无服务器的交互式分析服务，构建 在开源框架上，支持开放表和文件格式。
查看 使用示例。
from langchain_community.document_loaders.athena import AthenaLoader
AWS Glue
AWS Glue 数据目录 是一个集中式元数据 一个允许您管理、访问和共享关于 存储在 AWS 中的数据的元数据的存储库。它充当您数据资产的元数据存储， 使各种 AWS 服务和您的应用程序能够高效地查询和连接 到它们所需的数据。
查看 使用示例。
from langchain_community.document_loaders.glue_catalog import GlueCatalogLoader
向量存储
亚马逊 OpenSearch 服务
亚马逊 OpenSearch 服务 执行 交互式日志分析、实时应用监控、网站搜索等。
OpenSearch是 一个开源的， 基于Elasticsearch的分布式搜索和分析套件。Amazon OpenSearch Service提供最新版本的OpenSearch，支持多个版本的Elasticsearch，以及 由OpenSearch Dashboards和Kibana提供的可视化功能。 我们需要安装几个 Python 库。
请参见 使用示例。
pip install boto3 requests requests-aws4auth
Amazon DocumentDB 向量搜索
from langchain_community.vectorstores import OpenSearchVectorSearch
Amazon DocumentDB（与 MongoDB 兼容） 使在云中设置、操作和扩展与 MongoDB 兼容的数据库变得简单。
使用 Amazon DocumentDB，您可以运行相同的应用程序代码，并使用与 MongoDB 相同的驱动程序和工具。 Amazon DocumentDB 的向量搜索结合了基于 JSON 的文档数据库的灵活性和丰富的查询能力，以及向量搜索的强大功能。
安装和设置
安装与设置
请参阅详细配置说明。
我们需要安装pymongo Python包。
pip install pymongo
在AWS上部署DocumentDB
Amazon DocumentDB（与MongoDB兼容）是一个快速、可靠且完全托管的数据库服务。Amazon DocumentDB使在云中设置、操作和扩展与MongoDB兼容的数据库变得简单。
AWS提供计算、数据库、存储、分析和其他功能的服务。有关所有AWS服务的概述，请参见使用Amazon Web Services的云计算。
请参阅使用示例。
from langchain_community.vectorstores import DocumentDBVectorSearch
Amazon MemoryDB
Amazon MemoryDB是一个持久的内存数据库服务，提供超快的性能。MemoryDB与Redis OSS兼容，这是一个流行的开源数据存储。 使您能够快速构建应用程序，使用相同灵活友好的Redis OSS API和命令，这些命令是他们今天已经在使用的。
InMemoryVectorStore类提供一个向量存储，以连接Amazon MemoryDB。
from langchain_aws.vectorstores.inmemorydb import InMemoryVectorStore
vds = InMemoryVectorStore.from_documents(
chunks,
embeddings,
redis_url="rediss://cluster_endpoint:6379/ssl=True ssl_cert_reqs=none",
vector_schema=vector_schema,
index_name=INDEX_NAME,
)
查看使用示例。
检索器
亚马逊Kendra
亚马逊Kendra 是一项智能搜索服务 由
亚马逊网络服务（AWS）提供。它利用先进的自然语言处理（NLP）和机器 学习算法，使组织内的各种数据源具备强大的搜索能力。Kendra旨在帮助用户快速准确地找到所需信息， 提高生产力和决策能力。
使用
Kendra，我们可以搜索各种内容类型，包括文档、常见问题解答、知识库、 手册和网站。它支持多种语言，并能够理解复杂查询、同义词和 上下文含义以提供高度相关的搜索结果。
我们需要安装 langchain-aws 库。
pip install langchain-aws
查看 使用示例。
from langchain_aws import AmazonKendraRetriever
亚马逊基石 (知识库)
亚马逊基石的知识库 是一个
亚马逊网络服务(AWS) 提供的服务，允许您快速构建 RAG 应用程序，使用您的 私有数据来定制基础模型的响应。
我们需要安装 langchain-aws 库。
pip install langchain-aws
查看 使用示例。
from langchain_aws import AmazonKnowledgeBasesRetriever
工具
AWS Lambda
Amazon AWS Lambda是由Amazon Web Services(AWS) 提供的无服务器计算服务。它帮助开发者构建和运行应用程序和服务，而无需 配置或管理服务器。这种无服务器架构使您能够专注于编写和 部署代码，而 AWS 会自动处理扩展、修补和管理 运行应用程序所需的基础设施。
我们需要安装 boto3 python 库。
pip install boto3
查看 使用示例。
内存
AWS DynamoDB
AWS DynamoDB 是一个完全托管的
NoSQL数据库服务，提供快速且可预测的性能，并具有无缝的可扩展性。
我们必须配置 AWS CLI。
我们需要安装 boto3 库。
pip install boto3
查看 使用示例。
from langchain_community.chat_message_histories import DynamoDBChatMessageHistory
图形
使用 Cypher 的 Amazon Neptune
查看 使用示例。
from langchain_community.graphs import NeptuneGraph
from langchain_community.graphs import NeptuneAnalyticsGraph
from langchain_community.chains.graph_qa.neptune_cypher import NeptuneOpenCypherQAChain
使用 SPARQL 的 Amazon Neptune
查看 使用示例。
from langchain_community.graphs import NeptuneRdfGraph
from langchain_community.chains.graph_qa.neptune_sparql import NeptuneSparqlQAChain
回调
Bedrock 令牌使用
from langchain_community.callbacks.bedrock_anthropic_callback import BedrockAnthropicTokenUsageCallbackHandler
SageMaker 跟踪
Amazon SageMaker 是一个完全托管的服务，用于快速 和轻松地构建、训练和部署机器学习 (ML) 模型。
Amazon SageMaker Experiments 是
Amazon SageMaker的一项功能 让您组织、跟踪、 比较和评估 ML 实验和模型版本。
我们需要安装几个 Python 库。
pip install google-search-results sagemaker
查看 使用示例。
from langchain_community.callbacks import SageMakerCallbackHandler
链
亚马逊理解审核链
亚马逊理解 是一种自然语言处理 (NLP) 服务， 使用机器学习来揭示文本中的有价值的见解和联系。
我们需要安装 boto3 和 nltk 库。
pip install boto3 nltk
查看 使用示例。
from langchain_experimental.comprehend_moderation import AmazonComprehendModerationChain
