AWS Certified Generative AI Developer – Professional
1.0 AIP-C01
•内容领域 1：基础模型集成、数据管理和合规性（计分内容的 31%）
•内容领域 2：实施和集成（计分内容的 26%）
•内容领域 3：AI安全、保障与监管（计分内容的 20%）
•内容领域 4：GenAI应用程序的运营效率和优化（计分内容的 12%）
•内容领域 5：测试、验证和故障排除（计分内容的 11%）
任务 1.1：分析需求，设计 GenAI解决方案。
技能 1.1.1：根据具体业务需求和技术限制，创建全面的架构设计（例如，使用
合适的基础模型、集成模式、部署策略）。
技能 1.1.2：开发技术概念验证实施方案，来验证可行性、性能特征和商业价值，
然后进行全面部署（例如，使用 Amazon Bedrock）。
技能 1.1.3：创建标准化技术组件，确保跨多个部署场景中实现一致的实施（例如，
使用 AWS Well-Architected Framework、AWS WA 工具生成式人工智能剖析）。
任务 1.2：选择并配置基础模型。
技能 1.2.1：评估和选择基础模型，确保很好地契合特定的业务使用案例和技术要求
（例如，使用性能基准、能力分析、限制评估等）。
技能 1.2.2：创建灵活的架构模式，可以动态选择模型和切换提供商，而且无需修改
代码（例如，使用 AWS Lambda、Amazon API Gateway、AWS AppConfig）。
技能 1.2.3：设计具备弹性的 AI系统，可确保服务中断期间的持续运行（例如，使用
AWS Step Functions断路器模式，针对在有限区域提供的模型使用 Amazon Bedrock
跨区域推理，跨区域模型部署，优雅降级策略）。
技能 1.2.4：实施基础模型自定义部署和生命周期管理（例如，使用 Amazon
SageMaker人工智能，部署特定于领域的经过微调的模型；低秩自适应 [LoRA] 等
参数-效率自适应技术和用于模型部署的适配器；用于版本控制和部署自定义模型的
SageMaker模型注册表；用于更新模型的自动部署管道；失败部署的回滚策略；
管理生命周期来停用和替换模型）。
任务 1.3：实施数据验证和处理管道，用于基础模型的使用。
技能 1.3.1：创建全面的数据验证工作流，确保数据符合质量标准以便供基础模型
使用（例如，使用 AWS Glue数据质量自动监测功能、 SageMaker Data Wrangler、
自定义 Lambda 函数、 Amazon CloudWatch指标）。
技能 1.3.2：创建数据处理工作流来处理复杂的数据类型，包括文本、图像、音频和表格
数据等，这些数据在用于基础模型时有专门的处理要求（例如，使用 Amazon Bedrock
多模态模型、SageMaker Processing、AWS Transcribe、高级多模态管道架构）。
技能 1.3.3：根据特定于模型的要求，为基础模型推理设置输入数据的格式（例如，为
Amazon Bedrock API 请求使用 JSON格式，适用于 SageMaker人工智能终端节点的
结构化数据准备，为基于对话的应用程序使用对话格式）。
技能 1.3.4：改善输入数据质量以提高基础模型回复的质量和一致性（例如，使用
Amazon Bedrock重新格式化文本，使用 Amazon Comprehend提取实体，使用
Lambda 函数对数据进行标准化）。
任务 1.4：设计和实施向量存储解决方案。
技能 1.4.1：创建专门用于基础模型增强的高级向量数据库架构，实现超越传统搜索
功能的高效语义检索（例如，使用 Amazon Bedrock 知识库实现分层组织；使用
带 Neural 插件的 Amazon OpenSearch Service用于 Amazon Bedrock集成，来进行
基于主题的分割； Amazon RDS 与 Amazon S3文档存储库结合使用； Amazon
DynamoDB与向量数据库结合使用来处理元数据和嵌入）。
技能 1.4.2：开发全面的元数据框架，提高基础模型交互的搜索查准率和上下文感知
能力（例如，使用 S3 对象元数据作为文档时间戳，用于创作者信息的自定义属性，
使用标记系统进行领域分类）。
技能 1.4.3：实施高性能向量数据库架构，来大规模优化语义搜索性能以便用于基础
模型检索（例如，使用 OpenSearch分片策略，针对专用领域的多索引方法，分层
索引技术）。
技能 1.4.4：使用 AWS服务创建集成组件来连接资源（例如，文档管理系统，知识
库，用于 GenAI 应用程序中全面数据集成的内部 wiki）。
技能 1.4.5：设计和部署数据维护系统，确保向量存储包含当前的准确信息，以便
用于基础模型增强（例如，使用递增更新机制、实时更改检测系统、自动同步
工作流、定期刷新管道）。
任务 1.5：设计用于增强基础模型的检索机制。
技能 1.5.1：开发高效的文档分割方法来优化检索性能，用于基础模型上下文增强
（例如，使用 Amazon Bedrock 分块功能，使用 Lambda 函数实施固定大小分块，
根据内容结构采用分层式分块的自定义处理）。
技能 1.5.2：选择和配置优化的嵌入解决方案，为语义搜索高效地创建向量表示
（例如，使用基于维度和领域拟合的 Amazon Titan嵌入，评估 Amazon Bedrock嵌入
模型的性能特征，使用 Lambda 函数批量生成嵌入）。
技能 1.5.3：部署和配置向量搜索解决方案，启用语义搜索功能用于增强基础模型
（例如，使用具有向量搜索功能的 OpenSearch Service，带有 pgvector扩展的
Amazon Aurora，具有托管向量存储功能的 Amazon Bedrock 知识库）。
技能 1.5.4：创建高级搜索架构，提高针对基础模型上下文检索到的信息的相关性和
准确率（例如，使用 OpenSearch 进行语义搜索、结合使用关键字和向量的混合
搜索， Amazon Bedrock重排器模型）。
技能 1.5.5：开发先进的查询处理系统来提高检索有效性和结果质量，以便用于增强
基础模型（例如，使用 Amazon Bedrock 进行查询扩展，使用 Lambda 函数进行查询
分解，使用 Step Functions进行查询转换）。
技能 1.5.6：创建一致的访问机制，实现与基础模型的无缝集成（例如，使用函数
调用接口进行向量搜索，使用模型上下文协议 [MCP]客户端进行向量查询，使用
标准化 API模式进行检索增强）。
任务 1.6：为基础模型交互实施提示工程策略和监管措施。
技能 1.6.1：创建高效的模型指令框架来控制基础模型的行为和输出（例如，使用
Amazon Bedrock提示管理器强制实施角色定义，使用 Amazon Bedrock防护机制
强制实施负责任 AI指导原则，使用模板配置对回复进行格式化处理）。
技能 1.6.2：构建交互式 AI系统用于维护上下文并改善用户与基础模型的互动（例如，
Step Functions可用于澄清工作流， Amazon Comprehend可用于意图识别，
DynamoDB可用于对话历史记录存储）。
技能 1.6.3：实施全面的提示管理和监管系统，对基础模型操作进行监督来确保实现
操作一致性（例如，使用 Amazon Bedrock 提示管理器创建参数化模板和审批
工作流，使用 Amazon S3存储模板存储库，使用 AWS CloudTrail 跟踪使用情况，
使用 Amazon CloudWatch Logs记录访问活动）。
技能 1.6.4：开发质量保证系统，确保基础模型的提示有效性和可靠性（例如，使用
Lambda 函数验证预期输出，使用 Step Functions测试边缘用例，使用 CloudWatch
测试提示回归）。
技能 1.6.5：增强基础模型性能，以迭代方式完善提示，并运用基本提示技巧之外的
技术来提高回复质量（例如，使用结构化输入组件、输出格式规范、思维链指令
模式、反馈循环）。
技能 1.6.6：设计复杂的提示系统，利用基础模型来处理复杂的任务（例如，使用
Amazon Bedrock提示工作流管理器执行顺序提示链，基于模型回复的有条件分支，
可重复使用的提示组件，集成式预处理和后处理步骤）。
任务 2.1：实施代理式 AI解决方案和工具集成。
技能 2.1.1：开发智能化的自治系统，具备相应的内存和状态管理功能（例如，
将 Strands Agents与 AWS Agent Squad 结合用于多代理系统，使用 MCP 进行
代理与工具的交互）。
技能 2.1.2：创建高级问题解决系统，赋予基础模型按照结构化推理步骤来分析和
解决复杂问题的能力（例如，使用 Step Functions实施 ReAct 模式和思维链推理
方法）。
技能 2.1.3：开发具有保障措施的 AI工作流，确保实现受控的基础模型行为（例如，
使用 Step Functions实施筛选停用词条件，使用 Lambda 函数实施超时机制，使用
IAM策略强制实施资源边界，使用断路器来防范故障）。
技能 2.1.4：创建先进的模型协调系统，用于优化多种功能的性能（例如，使用专用
基础模型执行复杂任务，使用自定义聚合逻辑进行模型组合，模型选择框架）。
技能 2.1.5：开发协作式 AI系统，利用人员的专业知识增强基础模型能力（例如，
使用 Step Functions协调审核和审批流程，使用 API Gateway实施反馈收集机制，
人工增强模式）。
技能 2.1.6：实施智能工具集成来扩展基础模型功能，确保可靠的工具运行（例如，
使用 Strands API 实施自定义行为，标准化函数定义，使用 Lambda函数实施
错误处理和参数验证方法）。
技能 2.1.7：开发模型扩展框架来增强基础模型能力（例如，使用 Lambda 函数实施
无状态 MCP 服务器，提供轻量级工具访问；使用 Amazon ECS实施 MCP 服务器，
提供复杂的工具，使用 MCP 客户端库来确保一致的访问模式）。
任务 2.2：实施模型部署策略。
技能 2.2.1：根据具体的应用程序需求和性能要求部署基础模型（例如，使用 Lambda
函数进行按需调用，Amazon Bedrock预置吞吐量配置，使用 SageMaker人工智能
终端节点实施混合解决方案）。
技能 2.2.2：部署不同于传统 ML部署的基础模型解决方案，解决大型语言模型 (LLM)
的独特挑战（例如，实施基于容器的部署模型；针对内存要求、GPU利用率和词元
处理能力进行优化；遵循专门的模型加载策略）。
技能 2.2.3：开发优化的基础模型部署方法，平衡 GenAI工作负载的性能和资源需求
（例如，选择合适的模型，针对特定任务使用较小的预训练模型，使用基于 API的
模型级联来执行常规查询）。
任务 2.3：设计和实施企业集成架构。
技能 2.3.1：创建企业连接解决方案，将基础模型功能无缝融入到现有的企业环境中
（例如，对旧式系统使用基于 API的集成，使用事件驱动型架构实施松耦合，数据
同步模式）。
技能 2.3.2：开发集成式 AI功能，使用 GenAI功能增强现有应用程序（例如，使用
API Gateway实施微服务集成，将 Lambda函数用作 Webhook处理程序，使用
Amazon EventBridge实施事件驱动型集成）。
技能 2.3.3：创建安全访问框架，确保实施了适当的安全控制措施（例如，在基础
模型服务和企业系统之间使用身份联合验证，为模型和数据访问使用基于角色的访问
控制，对基础模型采用最低权限 API访问）。
技能 2.3.4：开发跨环境的 AI解决方案，确保在各司法管辖区中的数据合规性，同时
实现基础模型访问控制（例如，使用 AWS Outposts 进行本地数据集成，使用 AWS
Wavelength进行边缘部署，云服务与本地资源之间的安全路由）。
技能 2.3.5：实施 CI/CD管道和 GenAI网关架构，在企业环境中实施安全且合规的
使用模式（例如，使用 AWS CodePipeline、AWS CodeBuild；为持续部署使用
自动化测试框架；使用安全扫描和回滚支持来测试 GenAI组件；集中式抽象层、
可观测性和控制机制）。
任务 2.4：实施基础模型 API集成。
技能 2.4.1：创建灵活的模型交互系统（例如，使用 Amazon Bedrock API 管理来自
各种计算环境的同步请求，使用特定于语言的 AWS SDK和 Amazon SQS进行异步
处理，使用 API Gateway为自定义 API客户端提供请求验证）。
技能 2.4.2：开发实时 AI交互系统，提供来自基础模型的即时反馈（例如，使用
Amazon Bedrock流式传输 API进行递增式回复交付，使用 WebSocket或服务器
发送的事件实时生成文本，使用 API Gateway实施分块传输编码）。
技能 2.4.3：创建具有弹性的基础模型系统来确保可靠运行（例如，使用 AWS SDK
进行指数回退，使用 API Gateway管理速率限制，利用回退机制实现优雅降级，使用
AWS X-Ray提供跨服务边界的可观测性）。
技能 2.4.4：开发智能模型路由系统用以优化模型选择（例如，使用应用程序代码
实施静态路由配置；使用 Step Functions基于内容动态路由到专用基础模型；基于
指标的智能模型路由；使用 API Gateway通过请求转换实现路由逻辑）。
任务 2.5：实施应用程序集成模式和开发工具。
技能 2.5.1：创建基础模型 API接口，满足 GenAI 工作负载的特定要求（例如，使用
API Gateway处理流式回复，词元限制管理，处理模型超时的重试策略）。
技能 2.5.2：开发易于访问的 AI接口来加快基础模型的采用和集成（例如，使用 AWS
Amplify开发声明式 UI 组件，适用于 API优先开发方法的 OpenAPI规范，使用
Amazon Bedrock提示工作流管理器开发无代码工作流构建器）。
技能 2.5.3：创建业务系统增强功能（例如，使用 Lambda 函数实施客户关系管理
[CRM] 增强功能，使用 Step Functions编排文档处理系统，使用 Amazon Q 企业版
数据来源提供内部知识工具，使用 Amazon Bedrock 数据自动化来管理自动数据处理
工作流）。
技能 2.5.4：提高开发人员工作效率，加快 GenAI 应用程序开发工作流的速度（例如，
使用 Amazon Q 开发者版生成和重构代码， API辅助代码建议，AI组件测试，性能
优化）。
技能 2.5.5：开发高级 GenAI应用程序来实施先进的 AI 功能（例如，使用 Strands
Agents 和 AWS Agent Squad 实施 AWS云原生的编排，使用 Step Functions编排代
理设计模式，使用 Amazon Bedrock管理提示链模式）。
技能 2.5.6：提高基础模型应用程序的故障排除效率（例如，使用 CloudWatch Logs
Insights分析提示和回复，使用 X-Ray跟踪 FM API调用，使用 Amazon Q 开发者版
实施特定于 GenAI的错误模式识别）。
任务 3.1：实施输入和输出安全控制措施。
技能 3.1.1：开发全面的内容安全系统，用于防止有害的用户信息输入到基础模型中
（例如，使用 Amazon Bedrock 防护机制筛选内容，使用 Step Functions和 Lambda
函数实施自定义审核工作流，实时验证机制）。
技能 3.1.2：创建内容安全框架来防止有害输出（例如，使用 Amazon Bedrock防护
机制筛选回复，使用专门的基础模型评估进行内容审核和毒性检测，使用文本到 SQL
的转换来确保获得确定性结果）。
技能 3.1.3：开发准确率验证系统来减少基础模型回复中的幻觉（例如，使用 Amazon
Bedrock 知识库确定回复依据和进行事实核查，通过置信度评分和语义相似度搜索
进行验证，使用 JSON架构强制实现结构化输出）。
技能 3.1.4：创建深度防御安全系统来提供全面的保护，防止基础模型滥用（例如，
使用 Amazon Comprehend开发预处理筛选条件，使用 Amazon Bedrock 实施基于
模型的防护机制，使用 Lambda 函数执行后处理验证，使用 API Gateway实施 API
响应筛选）。
技能 3.1.5：实施高级威胁检测功能，防范对抗输入和安全漏洞（例如，使用提示
注入和越狱检测机制，输入清理和内容筛选条件，安全分类器，自动对抗测试工作流）。
任务 3.2：实施数据安全和隐私控制措施。
技能 3.2.1：开发受保护的 AI环境，确保基础模型部署的全面安全性（例如，使用
VPC端点隔离网络，使用 IAM策略强制执行安全数据访问模式，使用 AWS Lake
Formation 提供精细的数据访问，使用 CloudWatch监控数据访问）。
技能 3.2.2：开发隐私保护系统，在基础模型交互期间保护敏感信息（例如，使用
Amazon Comprehend和 Amazon Macie检测个人身份信息 [PII]，Amazon Bedrock
原生的数据隐私功能，使用 Amazon Bedrock防护机制筛选输出，使用 Amazon S3
生命周期配置来实施数据留存策略）。
技能 3.2.3：创建注重保护隐私的 AI系统，在保护用户隐私的同时，确保基础模型的
实用性和有效性（例如，使用数据掩蔽技术， Amazon Comprehend PII 检测，敏感
信息匿名化策略、Amazon Bedrock防护机制）。
任务 3.3：实施 AI监管和合规性机制。
技能 3.3.1：制定合规性框架，确保基础模型部署的监管合规（例如，使用
SageMaker人工智能开发编程式模型卡片，使用 AWS Glue自动跟踪数据血统，
使用元数据标记进行系统化数据来源归因，使用 CloudWatch Logs收集全面的决策
日志）。
技能 3.3.2：实施数据来源跟踪措施，维护 GenAI 应用程序的可追溯性（例如，使用
AWS Glue Data Catalog注册数据来源，使用元数据标记对基础模型生成的内容进行
来源归因，使用 CloudTrail 进行审计日志记录）。
技能 3.3.3：创建企业监管系统，确保以一致的方式监督基础模型实施（例如，使用
符合企业策略、监管要求和负责任 AI原则的综合性框架）。
技能 3.3.4：实施持续监控和高级治理控制措施，支持安全审计，做好监管准备工作
（例如，使用自动化功能，检测滥用、偏差和策略违规行为；监控偏差偏移；自动
报警和补救工作流；词元级编辑；响应日志记录、AI输出策略筛选条件）。
任务 3.4：实施负责任 AI原则。
技能 3.4.1：开发透明的 AI系统用于基础模型输出（例如，使用推理显示提供面向
用户的解释，使用 CloudWatch收集置信度指标并量化不确定性，提供用于来源
归因的证据，使用 Amazon Bedrock代理追踪提供推理跟踪）。
技能 3.4.2：应用公平性评估来确保基础模型输出中没有偏见（例如，使用
CloudWatch中的预定义公平性指标、Amazon Bedrock提示管理器和 Amazon
Bedrock 提示工作流管理器，执行系统化 A/B测试；使用 LLM-asa-Judge解决方案
执行自动模型评估）。
技能 3.4.3：开发符合策略要求的 AI系统，确保遵循负责任 AI实践（例如，根据策略
要求使用 Amazon Bedrock防护机制，使用模型卡片记录基础模型限制，使用
Lambda 函数自动执行合规性检查）。
任务 4.1：实施成本优化和资源效率策略。
技能 4.1.1：开发词元效率系统来降低基础模型成本，同时保持模型有效性（例如，
使用词元估算和跟踪、上下文窗口优化、响应大小控制、提示压缩、上下文修剪、
回复限制）。
技能 4.1.2：创建经济高效的模型选择框架（例如，使用成本-能力权衡评估，基于
查询复杂度的分级基础模型使用，推理成本与回复质量的平衡，性价比测量，高效的
推理模式）。
技能 4.1.3：开发高性能基础模型系统，充分提高 GenAI工作负载的资源利用率和
吞吐量（例如，使用批处理策略、容量规划、使用率监控、弹性伸缩配置、预置吞吐
量优化）。
技能 4.1.4：创建智能缓存系统，通过避免不必要的基础模型调用来降低成本并缩短
响应时间（例如，使用语义缓存、结果指纹识别、边缘缓存、确定性请求哈希、提示
缓存）。
任务 4.2：优化应用程序性能。
技能 4.2.1：创建响应灵敏的 AI 系统，解决延迟与成本的权衡问题，并改善基础模型
的用户体验（例如，使用预计算来执行可预测的查询，为注重时间的应用程序使用
延迟优化的 Amazon Bedrock 模型，为复杂工作流使用并行请求，回复流式传输，
性能基准测试）。
技能 4.2.2：增强检索性能，提高检索信息的相关性和速度，用以增强基础模型
上下文（例如，使用索引优化、查询预处理、带自定义评分的混合搜索实施方案）。
技能 4.2.3：实施基础模型吞吐量优化，解决 GenAI工作负载的特定吞吐量挑战（例如，
使用词元处理优化、批量推理策略、并行模型调用管理）。
技能 4.2.4：增强基础模型性能，针对特定 GenAI 使用案例实现优化结果（例如，
使用特定于模型的参数配置，通过 A/B测试评估改进，适当的温度处理，以及根据
要求进行 top-k/top-p 选择）。
技能 4.2.5：创建专用于基础模型工作负载的高效资源分配系统（例如，根据词元
处理需求使用容量规划，对提示和完成模式的资源利用率进行监控，针对 GenAI流量
模式进行优化的弹性伸缩配置）。
技能 4.2.6：优化 GenAI工作流的基础模型系统性能（例如，针对提示-完成模式使用
API调用分析，针对检索增强的向量数据库查询优化，特定于 LLM推理的缩短延迟
技术，高效的服务通信模式）。
任务 4.3：为 GenAI应用程序实施监控系统。
技能 4.3.1：创建全面的可观测性系统，提供对基础模型应用程序性能的全面监测能
力（例如，使用运营指标、性能跟踪、基础模型交互跟踪、业务影响指标和自定义
控制面板）。
技能 4.3.2：施全面的 GenAI监控系统，主动识别问题，评估特定于基础模型实施的
关键绩效指标（例如，使用 CloudWatch跟踪词元使用情况、提示有效性、幻觉率和
回复质量；针对词元爆发模式和回复偏差的异常检测；使用 Amazon Bedrock 模型
调用日志进行详细的请求和回复分析、确定性能基准、成本异常检测）。
技能 4.3.3：开发集成的可观测性解决方案，为基础模型应用程序提供可用于指导
操作的见解（例如，使用运营指标控制面板，业务影响力可视化，合规性监控，
取证可追溯性和审计日志记录，用户互动跟踪、模型行为模式跟踪）。
技能 4.3.4：创建工具性能框架来确保为基础模型优化工具操作和利用率（例如，
使用调用模式跟踪，收集性能指标，工具调用可观测性和多代理协调跟踪，用于异常
检测的使用率基准）。
技能 4.3.5：创建向量存储操作管理系统，确保优化向量存储操作和可靠性，用于
增强基础模型（例如，对向量数据库使用性能监控，自动化索引优化例程，数据质量
验证流程）。
技能 4.3.6：开发特定于基础模型的故障排除框架，用于识别传统 ML系统中没有的
GenAI独有故障模式（例如，使用黄金数据集检测幻觉，使用输出差异对比技术开展
回复一致性分析，通过推理路径跟踪来识别逻辑错误，专用可观测性管道）。
任务 5.1：为 GenAI实施评估系统。
技能 5.1.1：制定全面的评估框架，在传统 ML的评估方法之外，利用新方法来评估
基础模型输出的质量和有效性（例如，使用相关性、事实准确率、一致性和流畅性指标）。
技能 5.1.2：创建系统化模型评估系统来确定优化配置（例如，使用 Amazon Bedrock
模型评估、A/B测试和基础模型的金丝雀测试，多模型评估，通过成本性能分析来
衡量词元效率，延迟-质量比率和业务成果）。
技能 5.1.3：开发以用户为中心的评估机制，根据用户体验持续改进基础模型性能
（例如，使用反馈界面，针对模型输出的评级系统，用于评估回复质量的注释工作流）。
技能 5.1.4：创建系统化质量保证流程，维护一致的基础模型性能标准（例如，使用
持续评估工作流，对模型输出进行回归测试，部署自动化质量控制机制）。
技能 5.1.5：开发全面的评估系统，确保从多个角度对基础模型输出进行全面评估
（例如，使用 RAG 评估，使用 LLM-asa-Judge技术进行自动质量评估，人员反馈
收集界面）。
技能 5.1.6：实施检索质量测试，评估和优化检索组件来增强基础模型（例如，使用
相关性评分，上下文匹配验证，检索延迟测量）。
技能 5.1.7：开发代理性能框架，确保代理高效且正确地执行任务（例如，任务
完成率量度，工具使用有效性评估，Amazon Bedrock代理评估，多步骤工作流中的
推理质量评估）。
技能 5.1.8：创建全面的报告系统，高效地向利益攸关方传递绩效指标和见解，用于
实施基础模型（例如，使用可视化工具，自动报告机制，模型比较可视化）。
技能 5.1.9：创建部署验证系统，用于在基础模型更新期间保持可靠性（例如，使用
合成用户工作流，针对幻觉率和语义漂移的 AI 特定输出验证，通过自动质量检查确保
回复一致性）。
任务 5.2：对 GenAI应用程序进行故障排除。
技能 5.2.1：解决内容处理问题，确保在基础模型交互中完善地处理必要的信息（例如，
使用上下文窗口溢出诊断、动态分块策略、提示设计优化、与截断相关的错误分析）。
技能 5.2.2：诊断和解决基础模型集成问题，识别并修复特定于 GenAI服务的 API
集成问题（例如，使用错误日志记录、请求验证、回复分析）。
技能 5.2.3：对提示工程问题进行故障排除，利用基本提示调整之外的方法，提高
基础模型的回复质量和一致性（例如，使用提示测试框架、版本比较、系统化改进）。
技能 5.2.4：对检索系统问题进行故障排除，识别并解决影响信息检索有效性的问
题，来增强基础模型（例如，使用模型回复相关性分析、嵌入质量诊断、漂移监控、
向量化问题解决、分块和预处理补救、向量搜索性能优化）。
技能 5.2.5：对提示维护问题进行故障排除，来持续改进基础模型交互的性能（例如，
使用模板测试和 CloudWatch Logs来诊断提示混淆，使用 X-Ray实施提示可观测性
管道，使用架构验证来检测格式不一致的情况，使用系统化提示优化工作流）。