Was ist Amazon Bedrock Knowledge Bases?
Amazon Bedrock Knowledge Bases ist ein RAG-Dienst (Retrieval-Augmented Generation) von AWS. Der Dienst integriert unternehmensspezifische Dokumente und Daten in Foundation-Modelle, ohne dass Sie zwingend eine eigene Vektordatenbank-Infrastruktur aufbauen und betreiben müssen. Dokumente aus S3, SharePoint, Confluence oder anderen Quellen werden automatisch verarbeitet, in Vektoren umgewandelt und für semantische Suchanfragen bereitgestellt. So liefert Ihre KI-Anwendung präzise, aktuelle und mit Quellen belegbare Antworten.
AWS unterscheidet inzwischen zwei Betriebsmodi: die Managed Knowledge Base, bei der AWS Ingestion, Indexierung, Speicherung und Retrieval-Infrastruktur vollständig verwaltet und zusätzliche Funktionen wie Agentic Retrieval für mehrstufiges Reasoning sowie native Integration in AgentCore Gateway bietet, und die Customer-managed Knowledge Base, bei der Sie den Vektorspeicher (z. B. OpenSearch Serverless, Aurora, Neptune) selbst auswählen und konfigurieren. AWS empfiehlt für die meisten neuen Projekte die Managed Knowledge Base.
Der Ingestion-Prozess läuft weitgehend automatisiert: Dokumente werden nach konfigurierbaren Strategien in Chunks aufgeteilt, mit einem Embedding-Modell in Vektoren umgewandelt und im gewählten Vektorspeicher abgelegt. Bei jeder Abfrage werden die relevantesten Chunks semantisch gesucht und als Kontext an das Foundation-Modell übergeben.
Kernfunktionen
- Managed und Customer-managed Knowledge Base: Managed Knowledge Base übernimmt Ingestion, Indexierung und Retrieval vollständig, inklusive Agentic Retrieval für mehrstufiges Reasoning; Customer-managed Knowledge Base erlaubt volle Kontrolle über den gewählten Vektorspeicher.
- Automatisierte Ingestion-Pipeline: Chunking, Embedding und Indexierung Ihrer Dokumente ohne eigenen Code, inklusive konfigurierbarer Chunking-Strategien (Fixed-Size, Semantic, Hierarchical, Custom via Lambda).
- Breite Auswahl an Vektorspeichern: Amazon S3 Vectors, OpenSearch Serverless, OpenSearch Managed Cluster, Aurora PostgreSQL mit pgvector, Neptune Analytics, Pinecone, Redis und MongoDB Atlas.
- GraphRAG mit Neptune Analytics: automatisch erzeugte Wissensgraphen verbessern mehrstufige Fragen über verknüpfte Dokumente hinweg.
- Strukturierte Datenquellen: natürlichsprachige Abfragen von Amazon Redshift und Amazon SageMaker Lakehouse werden automatisch in SQL übersetzt (Text-to-SQL).
- Multimodale Verarbeitung: Tabellen, Diagramme und Bilder in Dokumenten werden über Bedrock Data Automation, Smart Parsing oder Vision-Foundation-Modelle ausgewertet, inklusive Quellenverweis auf visuelle Inhalte.
- Präzises Retrieval und Agent-Integration: Reranking-Modelle, Metadata Filtering und Guardrails-Integration steigern die Relevanz. Managed Knowledge Base lässt sich nativ über AgentCore Gateway als Tool für MCP-kompatible Agenten bereitstellen.
Typische Anwendungsfälle
- Interner Wissensassistent: Mitarbeitende stellen Fragen in natürlicher Sprache und erhalten belegbare Antworten aus Handbüchern, Wikis und SharePoint.
- Kundensupport-Chatbots: Self-Service-Bots greifen auf aktuelle Produkt- und Vertragsdaten zu und reduzieren das Ticketaufkommen.
- Recherche und Compliance: semantische Suche über Verträge, Richtlinien und regulatorische Dokumente mit Metadata Filtering nach Abteilung oder Zeitraum.
- Analyse strukturierter Daten: Fachabteilungen befragen Data Warehouses per natürlicher Sprache, ohne SQL schreiben zu müssen.
- Agentische Workflows: KI-Agenten, etwa auf Basis von Amazon Bedrock AgentCore, nutzen die Knowledge Base über das Gateway als Tool, um Unternehmenswissen in mehrstufige Aufgaben einzubinden.
Vorteile
- Vollständig verwaltet: kein eigener Betrieb von Vektordatenbanken, Ingestion-Pipelines oder Skalierung.
- Kostenkontrolle: nutzungsbasierte Abrechnung ohne separate Grundgebühr für die Knowledge-Base-Funktion selbst.
- Datensouveränität: Betrieb in mehreren EU-Regionen möglich, Verfügbarkeit je Funktion und Region prüfen.
- Belegbare Antworten: Quellenangaben und Reranking erhöhen Vertrauen und Nachvollziehbarkeit, Guardrails filtern sensible Inhalte.
- Tiefe AWS-Integration: nahtlose Verbindung mit Amazon Bedrock AgentCore, IAM, S3, Redshift und weiteren Diensten.
Integration mit innFactory
innFactory unterstützt Sie bei der Konzeption und Umsetzung von RAG-Architekturen auf Basis von Amazon Bedrock Knowledge Bases: von der Anbindung Ihrer Datenquellen über die Wahl des passenden Vektorspeichers und der optimalen Chunking-Strategie bis zur GraphRAG- oder Text-to-SQL-Integration. Wir bringen Ihre Lösung sicher in EU-Regionen in den produktiven Betrieb und sichern die Qualität der Retrieval-Ergebnisse kontinuierlich ab.
Typische Anwendungsfälle
Häufig gestellte Fragen
Was ist Retrieval-Augmented Generation (RAG)?
RAG kombiniert ein großes Sprachmodell mit einer externen Wissensdatenbank. Statt sich nur auf das im Training erlernte Wissen zu verlassen, sucht das Modell bei jeder Anfrage zunächst relevante Dokumente aus der Wissensdatenbank und nutzt diese als Kontext für die Antwortgenerierung. Das Ergebnis sind präzisere, aktuelle und belegbare Antworten mit Quellenangaben.
Welche Vektorspeicher unterstützt Bedrock Knowledge Bases?
Unterstützt werden Amazon S3 Vectors, Amazon OpenSearch Serverless, Amazon OpenSearch Managed Cluster, Amazon Aurora PostgreSQL mit pgvector, Amazon Neptune Analytics (für GraphRAG), Pinecone, Redis und MongoDB Atlas. Amazon S3 Vectors ist seit Dezember 2025 allgemein verfügbar und senkt die Kosten für das Speichern und Abfragen großer Vektorbestände gemäß AWS um bis zu 90 Prozent gegenüber dedizierten Vektordatenbanken.
Welche Datenquellen kann ich verbinden?
Als unstrukturierte Quellen werden Amazon S3 (PDF, Word, HTML, CSV, JSON, Markdown, Bilder), Confluence, SharePoint, Salesforce und ein Web Crawler unterstützt. Für strukturierte Daten lassen sich Amazon Redshift und Amazon SageMaker Lakehouse anbinden: natürlichsprachige Fragen werden automatisch in SQL übersetzt. Dokumente werden automatisch in Chunks aufgeteilt, in Vektoren umgewandelt und im konfigurierten Vektorspeicher abgelegt.
Was ist GraphRAG in Bedrock Knowledge Bases?
GraphRAG erweitert klassisches RAG um einen Wissensgraphen. Bedrock Knowledge Bases erstellt dabei automatisch einen Graphen aus Entitäten und ihren Beziehungen in Amazon Neptune Analytics und kombiniert Vektorsuche mit Graph-Traversierung. Das verbessert die Antwortqualität bei mehrstufigen Fragen, die Informationen über mehrere Dokumente hinweg verknüpfen müssen. GraphRAG ist seit März 2025 allgemein verfügbar.
Unterstützt Bedrock Knowledge Bases multimodale Daten?
Ja. Über Amazon Bedrock Data Automation oder Vision-Foundation-Modelle (z. B. Claude, Amazon Nova, Llama 4) verarbeitet der Dienst nicht nur Text, sondern auch Tabellen, Diagramme und Bilder in Dokumenten. Antworten können dabei auf die ursprünglichen visuellen Inhalte verweisen.
Was kostet Amazon Bedrock Knowledge Bases?
Für die Knowledge-Base-Funktion selbst fällt keine separate Gebühr an. Die Kosten setzen sich zusammen aus Embedding-Modell-Aufrufen (beim Indizieren und bei jeder Abfrage), den Kosten des gewählten Vektorspeichers (z. B. OpenSearch Serverless OCU-Stunden oder die günstigeren S3-Vectors-Speicher- und Abfragepreise) und den Inferenzkosten des Foundation-Modells für die Antwortgenerierung. Die Abrechnung erfolgt nutzungsbasiert.
Kann ich die Chunk-Strategie anpassen?
Ja, Bedrock Knowledge Bases bietet mehrere Chunking-Strategien: Fixed-Size Chunking (definierte Token-Anzahl pro Chunk), Semantic Chunking (Aufteilung anhand des Inhalts), Hierarchical Chunking (verschachtelte Chunks für verschiedene Granularitätsstufen) und Custom Chunking über Lambda-Funktionen.
Was ist der Unterschied zwischen Managed und Customer-managed Knowledge Base?
Bei der Managed Knowledge Base übernimmt AWS Ingestion, Indexierung, Speicherung und Retrieval vollständig und bietet zusätzliche Funktionen wie Agentic Retrieval sowie native Integration in AgentCore Gateway. Bei der Customer-managed Knowledge Base wählen und konfigurieren Sie den Vektorspeicher selbst und haben volle Kontrolle über Ingestion und Indexierung. AWS empfiehlt die Managed-Variante für die meisten neuen Projekte.
Hinweis: Alle Produktinformationen auf dieser Seite wurden sorgfältig zusammengestellt, sind jedoch ohne Gewähr und können veraltet oder unvollständig sein. Cloud-Services entwickeln sich schnell weiter — Funktionen, Preise, SLAs und Verfügbarkeit ändern sich laufend. Verbindliche und aktuelle Informationen finden Sie ausschließlich auf der offiziellen Produktseite von AWS (offizielle Dokumentation). Diese Seite stellt kein Angebot von AWS dar.