Amazon Bedrock 的模型可以通过调整你构建提示的方式、配置 API 参数以及处理输出来处理分类和数据提取等任务。Claude 或 Amazon Titan 等模型旨在遵循指令，允许你将这些任务构建为特定请求。例如，你不应该要求生成故事，而是可以提供一个提示，例如“从这段文本中提取所有日期和产品名称”，或者“将此电子邮件分类为‘垃圾邮件’或‘非垃圾邮件’。” 关键是在输入中提供清晰的、特定于任务的指导，并构建模型响应格式，以便于解析。
要实现这一点，你将使用 Bedrock 的 API 以及引导模型行为的参数。对于分类，你可以包含一个系统提示，例如“分析此支持工单并分配以下标签之一：‘账单’、‘技术’或‘常规’。” 对于数据提取，请指定所需的确切字段（例如，“从以下文本中提取‘发票号码’、‘总金额’和‘到期日’。”）。许多模型支持响应格式（如 JSON），这简化了将输出集成到应用程序中。例如，使用 Titan 的文本提取功能，你可以通过提示模型返回结构化数据来处理发票，然后验证并将其存储在数据库中。还可以调整 Bedrock 的推理参数（例如，温度）以减少随机性，确保结构化任务的一致结果。
高级用例可能涉及将 Bedrock 与其他服务结合使用。例如，将分类模型与 Amazon Comprehend 配对以进行情感分析，或使用 RAG（检索增强生成）方法从 Amazon OpenSearch 中提取上下文数据。如果模型支持微调（如 Amazon Titan），你可以在标记数据集上训练它，以提高特定领域任务（如医疗文档分类）的准确性。始终迭代测试提示——从简单的指令开始，根据输出来完善，如果模型遇到困难，可以在提示中添加示例（少样本学习）。Bedrock 的灵活性使你可以将其视为结构化任务的通用工具，而不仅仅是文本生成，只要你设计清晰的输入输出工作流程即可。