Skip to content

Latest commit

 

History

History
262 lines (177 loc) · 9.68 KB

README_CN.md

File metadata and controls

262 lines (177 loc) · 9.68 KB
Raw

English

Bedrock Access Gateway

使用兼容OpenAI的API访问Amazon Bedrock

概述

Amazon Bedrock提供了广泛的基础模型(如Claude 3 Opus/Sonnet/Haiku、Llama 2/3、Mistral/Mixtral等),以及构建生成式AI应用程序的多种功能。更多详细信息,请查看Amazon Bedrock。

有时,您可能已经使用OpenAI的API或SDK构建了应用程序,并希望在不修改代码的情况下试用Amazon Bedrock的模型。或者,您可能只是希望在AutoGen等工具中评估这些基础模型的功能。 好消息是, 这里提供了一种方便的途径,让您可以使用 OpenAI 的 API 或 SDK 无缝集成并试用 Amazon Bedrock 的模型,而无需对现有代码进行修改。

如果您觉得这个项目有用,请考虑给它点个一个免费的小星星 ⭐。

功能列表：

  • 支持 server-sent events (SSE)的流式响应
  • 支持 Model APIs
  • 支持 Chat Completion APIs
  • 支持 Tool Call (new)
  • 支持 Embedding API (new)
  • 支持 Multimodal API (new)

请查看使用指南以获取有关如何使用新API的更多详细信息。

注意： 不支持旧的 text completion API，请更改为使用Chat Completion API。

支持的Amazon Bedrock模型列表（Model IDs）：

  • anthropic.claude-instant-v1
  • anthropic.claude-v2:1
  • anthropic.claude-v2
  • anthropic.claude-3-opus-20240229-v1:0
  • anthropic.claude-3-sonnet-20240229-v1:0
  • anthropic.claude-3-haiku-20240307-v1:0
  • meta.llama2-13b-chat-v1
  • meta.llama2-70b-chat-v1
  • meta.llama3-8b-instruct-v1:0
  • meta.llama3-70b-instruct-v1:0
  • mistral.mistral-7b-instruct-v0:2
  • mistral.mixtral-8x7b-instruct-v0:1
  • mistral.mistral-large-2402-v1:0
  • cohere.embed-multilingual-v3 (embedding)
  • cohere.embed-english-v3 (embedding)

注意: 默认模型为 anthropic.claude-3-sonnet-20240229-v1:0， 可以通过更改Lambda环境变量进行更改。

使用指南

前提条件

请确保您已满足以下先决条件:

  • 可以访问Amazon Bedrock基础模型。

如果您还没有获得模型访问权限,请参考配置指南。

架构图

下图展示了本方案的参考架构。请注意,它还包括一个新的VPC,其中只有两个公共子网用于应用程序负载均衡器(ALB)。

Architecture

您也可以选择在 ALB 后面接 AWS Fargate 而不是 AWS Lambda，主要区别在于流响应的首字节延迟（Fargate更低）。

或者,您可以使用 Lambda Function URL 来代替 ALB,请参阅示例

部署

请按以下步骤将Bedrock代理API部署到您的AWS账户中。仅支持Amazon Bedrock可用的区域(如us-west-2)。 部署预计用时3-5分钟 🕒。

第一步: 自定义您的API Key (可选)

注意:这一步是使用任意字符串（不带空格）创建一个自定义的API Key(凭证),将用于后续访问代理API。此API Key不必与您实际的OpenAI Key一致,您甚至无需拥有OpenAI API Key。建议您执行此步操作并且请确保保管好此API Key。

  1. 打开AWS管理控制台,导航到Systems Manager服务。
  2. 在左侧导航窗格中,单击"参数存储"。
  3. 单击"创建参数"按钮。
  4. 在"创建参数"窗口中,选择以下选项:
    • 名称:输入参数的描述性名称(例如"BedrockProxyAPIKey")。
    • 描述:可选,为参数提供描述。
    • 层级:选择标准。
    • 类型:选择SecureString。
    • 值: 随意字符串（不带空格）。
  5. 单击"创建参数"。
  6. 记录您使用的参数名称(例如"BedrockProxyAPIKey")。您将在下一步中需要它。

第二步: 部署CloudFormation堆栈

  1. 登录AWS管理控制台,切换到要部署CloudFormation堆栈的区域。
  2. 单击以下按钮在该区域启动CloudFormation堆栈，选择一种方式部署。

    • ALB + Lambda

      Launch Stack

    • ALB + Fargate

      Launch Stack

  3. 单击"下一步"。
  4. 在"指定堆栈详细信息"页面,提供以下信息:
    • 堆栈名称: 可以根据需要更改名称。
    • ApiKeyParam(如果在步骤1中设置了API Key):输入您用于存储API密钥的参数名称(例如"BedrockProxyAPIKey")，否则,请将此字段留空。 单击"下一步"。
  5. 在"配置堆栈选项"页面,您可以保留默认设置或根据需要进行自定义。
  6. 单击"下一步"。
  7. 在"审核"页面,查看您即将创建的堆栈详细信息。勾选底部的"我确认，AWS CloudFormation 可能创建 IAM 资源。"复选框。
  8. 单击"创建堆栈"。

仅此而已 🎉 。部署完成后,点击CloudFormation堆栈,进入"输出"选项卡,你可以从"APIBaseUrl" 中找到API Base URL,它应该类似于http://xxxx.xxx.elb.amazonaws.com/api/v1 这样的格式。

SDK/API使用

你只需要API Key和API Base URL。如果你没有设置自己的密钥,那么默认将使用API Key bedrock。

现在,你可以尝试使用代理API了。假设你想测试Claude 3 Sonnet模型,那么使用"anthropic.claude-3-sonnet-20240229-v1:0"作为模型ID。

  • API 使用示例
export OPENAI_API_KEY=<API key>
export OPENAI_BASE_URL=<API base url>
# 旧版本请使用OPENAI_API_BASE
# https://github.com/openai/openai-python/issues/624
export OPENAI_API_BASE=<API base url>
curl $OPENAI_BASE_URL/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -d '{
    "model": "anthropic.claude-3-sonnet-20240229-v1:0",
    "messages": [
      {
        "role": "user",
        "content": "Hello!"
      }
    ]
  }'
  • SDK 使用示例
from openai import OpenAI

client = OpenAI()
completion = client.chat.completions.create(
    model="anthropic.claude-3-sonnet-20240229-v1:0",
    messages=[{"role": "user", "content": "Hello!"}],
)

print(completion.choices[0].message.content)

请查看使用指南以获取有关如何使用Embedding API、多模态API和Tool Call的更多详细信息。

其他例子

AutoGen

例如在AutoGen studio配置和使用模型

AutoGen Model

LangChain

请确保使用的示ChatOpenAI(...) ，而不是OpenAI(...)

# pip install langchain-openai
import os

from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
from langchain_openai import ChatOpenAI

chat = ChatOpenAI(
    model="anthropic.claude-3-sonnet-20240229-v1:0",
    temperature=0,
    openai_api_key=os.environ['OPENAI_API_KEY'],
    openai_api_base=os.environ['OPENAI_BASE_URL'],
)

template = """Question: {question}

Answer: Let's think step by step."""

prompt = PromptTemplate.from_template(template)
llm_chain = LLMChain(prompt=prompt, llm=chat)

question = "What NFL team won the Super Bowl in the year Justin Beiber was born?"
response = llm_chain.invoke(question)
print(response)

FAQs

关于隐私

这个方案不会收集您的任何数据。而且,它默认情况下也不会记录任何请求或响应。

为什么没有使用API Gateway 而是使用了Application Load Balancer?

简单的答案是API Gateway不支持 server-sent events (SSE) 用于流式响应。

支持哪些区域?

只支持Amazon Bedrock可用的区域,即:

  • 美国东部(弗吉尼亚北部)：us-east-1
  • 美国西部(俄勒冈州)：us-west-2
  • 亚太地区(新加坡)：ap-southeast-1
  • 亚太地区(悉尼)：ap-southeast-2
  • 亚太地区(东京)：ap-northeast-1
  • 欧洲(法兰克福)：eu-central-1
  • 欧洲(巴黎)：eu-west-3

注意，并非所有模型都在上面区可用。

我可以构建并使用自己的ECR镜像吗?

是的,你可以克隆repo并自行构建容器镜像(src/Dockerfile),然后推送到你自己的ECR仓库。 脚本可以参考scripts/push-to-ecr.sh。

在部署之前,请在CloudFormation模板中替换镜像仓库URL。

我可以在本地运行吗?

是的,你可以在本地运行,那么API Base URL应该类似于http://localhost:8000/api/v1

使用代理API会有任何性能牺牲或延迟增加吗?

与 AWS SDK 调用相比,本方案参考架构会在响应上会有额外的延迟,你可以自己部署并测试。

另外,你也可以使用 Lambda Web Adapter + Function URL ( 参见 示例)来代替 ALB 或使用 AWS Fargate 来代替 Lambda,以获得更好的流响应性能。

有计划支持SageMaker模型吗?

目前没有支持SageMaker模型的计划。这取决于是否有客户需求。

有计划支持Bedrock自定义模型吗?

不支持微调模型和设置了已预配吞吐量的模型。如有需要,你可以克隆repo并进行自定义。

如何升级?

如果架构没有变化,你可以简单地将最新镜像部署到Lambda中,以使用新功能(手动),而无需重新部署整个CloudFormation堆栈。

安全

更多信息,请参阅CONTRIBUTING。

许可证

本项目根据MIT-0许可证获得许可。请参阅LICENSE文件。