Claude With Amazon Bedrock

核心概念 (Core Concepts)

AWS Bedrock 学习笔记

通过 API 请求向 AWS Bedrock 发送请求，运行模型并生成文本。

核心概念：

目标 (Goal):** 使用预先定义的辅助函数构建一个简单的聊天机器人。

一、 聊天机器人设计目标 (Chatbot Design Goals)

系统提示（System Prompt）与输出控制

输入 (Input):** 将文本输入模型。

一、 核心问题与解决方案

本节讨论了除了修改提示词（Prompt）之外，影响大型语言模型（如 Claude）输出的两种核心技术：预填充助手消息和停止序列。

核心概念：

学习笔记：使用停止序列和消息预填充控制 LLM 输出

提示工程与提示评估 (Prompt Engineering & Prompt Evaluation)

一、工作流基础认知

一、 核心目标 (Core Goal)

核心概念：

评分器 (Grader) 的作用:** 接收模型输出，并提供一个客观信号 (Objective Signal)。

代码评分器目的：** 确保模型输出是纯净的 Python 代码、JSON 或正则表达式，且不包含任何解释性文字。

核心目标：

一、核心概念

提示工程技巧学习笔记

核心概念：

提示结构化：使用 XML 标签

提示工程：通过示例提供指导 (Prompt Engineering: Using Examples)

提示工程关键概念学习笔记

一、核心概念

一、 核心目标与挑战

一、核心概念

工具定义：** 通过 JSON Schema 描述工具的调用方式，并将其包含在 API 请求中。

一、 核心概念：并行工具调用 (Parallel Tool Use)

整合工具结果 (Tool Result Integration):

核心概念：

学习笔记：AI系统工具（Tool）的添加与集成

核心概念：

一、 结构化输出的两种方法

学习笔记：结构化数据提取的灵活方法

定义：** 文本编辑器工具是 Claude 内置的默认工具，赋予其标准文本编辑器的所有能力。

一、 RAG 概述

基本流程：** 原始文档 → 分块 (Chunk) → 检索相关文本 → 放入提示词 (Prompt) → 生成答案。

一、RAG 流程中的核心问题

一、 RAG 流程概述 (RAG Pipeline Overview)

RAG 流程概述**：整个流程分为五个关键步骤，用于实现检索增强生成 (RAG)。

一、 语义搜索（Semantic Search）的局限性

一、 核心概念：混合搜索 (Hybrid Search)

一、 现有检索方法的局限性

核心概念：

一、核心概念与定义

一、核心功能与应用 (Core Functions and Applications)

Claude 读取 PDF 文档要点

Claude 引用（Citations）功能学习笔记

提示缓存 (Prompt Caching) 学习笔记

一、基本原理

核心概念

一、 MCP 概述 (Model Context Protocol)

客户端 (Client) 的作用：

一、项目目标与架构 (Project Goal & Architecture)

一、核心概念 (Core Concepts)

目的 (Purpose):** 使用 MCP Inspector（内置浏览器调试器）来测试和调试 MCP 服务器的功能，无需将其连接到实际应用程序。

项目结构回顾

核心概念 (Key Concepts):

主题：** 在 MCP 客户端实现资源读取功能

提示（Prompts）的作用：

一、 客户端功能实现 (Client Functionality)

本课程介绍了三个核心服务器原语：工具 (Tools)、资源 (Resources) 和提示 (Prompts)。理解每个原语的控制方是关键。

智能体（Agents）**：是语言模型（LLMs）最有趣的用例之一。

Cloud Code 核心概念学习笔记

一、 Cloud Code 的核心定位

Cloud Code 与 MCP 服务器集成学习笔记

核心概念：

云代码 (Cloud Code) 学习笔记

Claude “计算机使用”功能学习笔记

工具使用流程 (Tool Use Flow):

智能体的定义 (Agent Definition):