AWS (Amazon) 集成

使用 LangChain Python 集成 AWS (Amazon)。

本页面涵盖了 LangChain 与 亚马逊云服务 (AWS) 平台的所有集成。

对话模型

Bedrock Mantle

AWS Bedrock Mantle API 通过 OpenAI 和 Anthropic 消息协议暴露模型。ChatOpenAIMantle 和 ChatAnthropicMantle 是访问这些模型的推荐接口。

这两个类都通过 bedrock_api_key 参数或 AWS_BEARER_TOKEN_BEDROCK 环境变量接受 Bedrock API 密钥。当两者都不可用时，它们都会从标准 AWS 凭证中派生短期 API 密钥并透明地刷新它们。

ChatOpenAIMantle 继承自 BaseChatOpenAI。请参阅相应的 响应 API 文档 以获取使用示例和功能。请参阅 AWS Mantle OpenAI 兼容 API 文档 以获取支持的模型。

ChatAnthropicMantle 继承自 ChatAnthropic 并针对 Mantle 上的 Anthropic 消息端点。请参阅 ChatAnthropic 文档以获取使用示例和功能。请参阅 AWS Mantle Anthropic API 文档 以获取支持的模型。

from langchain_aws import ChatOpenAIMantle, ChatAnthropicMantle

openai_model = ChatOpenAIMantle(
    model="openai.gpt-5.6-luna",
    region_name="us-east-1",
)

anthropic_model = ChatAnthropicMantle(
    model="anthropic.claude-opus-5-5",
    region_name="us-east-1",
)

Bedrock 对话

Amazon Bedrock 是一个完全托管的服务，提供来自 AI21 Labs、Anthropic、Cohere、Meta、OpenAI、Stability AI 和 Amazon 等领先 AI 公司的高性能基础模型 (FMs)，通过单个 API。由于 Amazon Bedrock 是无服务器的，因此您无需管理任何基础设施，并且可以使用您已经熟悉的 AWS 服务，将生成式 AI 功能安全地集成并部署到您的应用程序中。

AWS Bedrock 维护一个 Converse API，该 API 为 Bedrock 模型提供了一个统一的对话接口。您可以在此处查看所有 支持的模型列表。

请参阅 使用示例。

from langchain_aws import ChatBedrockConverse

嵌入模型

Bedrock

请参阅 使用示例。

from langchain_aws import BedrockEmbeddings

文档加载器

Amazon MemoryDB

Amazon MemoryDB 是一个持久化、内存数据库服务，提供超快性能。MemoryDB 与 Redis OSS 兼容，这是一个流行的开源数据存储，使您能够使用相同的灵活且友好的 Redis OSS API 和命令快速构建应用程序，这些 API 和命令是您今天已经使用的。

InMemoryVectorStore 类提供与 Amazon MemoryDB 连接的向量存储。

from langchain_aws.vectorstores.inmemorydb import InMemoryVectorStore

vds = InMemoryVectorStore.from_documents(
            chunks,
            embeddings,
            redis_url="rediss://cluster_endpoint:6379/ssl=True ssl_cert_reqs=none",
            vector_schema=vector_schema,
            index_name=INDEX_NAME,
        )

请参阅 使用示例。

Valkey

Valkey 是一个开源、高性能的键/值数据存储，支持缓存、消息队列等工作负载，并可以作为主要数据库。使用 ValkeyVectorStore 连接到 Amazon ElastiCache for Valkey 或 Amazon MemoryDB for Valkey。

from langchain_aws.vectorstores import ValkeyVectorStore

请参阅 使用示例。

检索器

Amazon Bedrock（知识库）

Amazon Bedrock 知识库 是一个 Amazon Web Services (AWS) 提供，它允许您使用您的私有数据来定制基础模型响应，从而快速构建 RAG 应用程序。

我们需要安装 langchain-aws 库。

pip

pip install langchain-aws

请参阅 使用示例。

from langchain_aws import AmazonKnowledgeBasesRetriever

工具

Amazon Bedrock AgentCore 浏览器

Amazon Bedrock AgentCore Browser 使智能体能够通过托管的 Chrome 浏览器与网页交互，用于导航、内容提取和 Web 自动化。

pip

pip install langchain-aws bedrock-agentcore playwright beautifulsoup4

请参阅 使用示例。

from langchain.agents import create_agent
from langchain_aws.tools import create_browser_toolkit

# Create toolkit
toolkit, browser_tools = create_browser_toolkit(region="us-west-2")

# Use with an agent
agent = create_agent(model=llm, tools=browser_tools)
result = await agent.ainvoke(
    {"messages": [{"role": "user", "content": "Go to example.com and get the heading"}]},
    config={"configurable": {"thread_id": "session-1"}}
)

# Cleanup when done
await toolkit.cleanup()

Amazon Bedrock AgentCore 代码解释器

Amazon Bedrock AgentCore Code Interpreter 使智能体能够在安全的、托管的沙盒环境中执行 Python、JavaScript 和 TypeScript 代码，用于计算、数据分析和可视化。

pip

pip install langchain-aws bedrock-agentcore

请参阅 使用示例。

from langchain.agents import create_agent
from langchain_aws.tools import create_code_interpreter_toolkit

# Create toolkit (async)
toolkit, code_tools = await create_code_interpreter_toolkit(region="us-west-2")

# Use with an agent
agent = create_agent(model=llm, tools=code_tools)
result = await agent.ainvoke(
    {"messages": [{"role": "user", "content": "Calculate factorial of 10"}]},
    config={"configurable": {"thread_id": "session-1"}}
)

# Cleanup when done
await toolkit.cleanup()

Amazon Bedrock AgentCore 网络搜索

Amazon Bedrock AgentCore Web Search 使智能体能够从 Web 获取当前信息，并在每个结果上附带源 URL，通过您的 AWS 凭证而不是搜索 API 密钥进行身份验证。

pip

pip install langchain-aws bedrock-agentcore

请参阅 使用示例。

from langchain.agents import create_agent
from langchain_aws.tools import create_web_search_toolkit

# Needs a gateway with a web search connector target. The factory is synchronous.
toolkit, tools = create_web_search_toolkit(
    region="us-east-1",
    gateway_id="my-web-search-gateway-abc123",
)

try:
    agent = create_agent(model=llm, tools=tools)
    result = agent.invoke(
        {"messages": [{"role": "user", "content": "What changed in the most recent boto3 release?"}]}
    )
finally:
    toolkit.close()

沙盒

AgentCoreSandbox

Amazon Bedrock AgentCore Code Interpreter 沙盒后端用于 deepagents。

Get started

图

Amazon neptune

Amazon Neptune 是一个高性能的图分析和无服务器数据库，具有卓越的可扩展性和可用性。

对于下面的 Cypher 和 SPARQL 集成，我们需要安装 langchain-aws 库。

pip

pip install langchain-aws

亚马逊 Neptune 与 Cypher

请参阅 使用示例。

from langchain_aws.graphs import NeptuneGraph
from langchain_aws.graphs import NeptuneAnalyticsGraph
from langchain_aws.chains import create_neptune_opencypher_qa_chain

亚马逊 neptune 与 SPARQL

from langchain_aws.graphs import NeptuneRdfGraph
from langchain_aws.chains import create_neptune_sparql_qa_chain

记忆

Amazon Bedrock AgentCore 记忆

Amazon Bedrock AgentCore Memory 提供 LangGraph 智能体的托管持久化，能够在会话之间管理对话历史记录和状态，并具有自动扩展和高可用性。

pip

pip install langgraph-checkpoint-aws

from langgraph_checkpoint_aws import AgentCoreMemorySaver

# Create checkpointer
checkpointer = AgentCoreMemorySaver(
    memory_id="your-memory-id",
    region_name="us-west-2"
)

# Use with LangGraph
graph = workflow.compile(checkpointer=checkpointer)

# Invoke with thread_id and actor_id for conversation persistence
config = {
    "configurable": {
        "thread_id": "user-123",
        "actor_id": "my-agent"  # Required for AgentCore
    }
}
result = graph.invoke({"messages": []}, config)

关键特性：

• 托管的 infrastrucure，无需数据库设置
• 自动扩展和高可用性
• 通过 actor_id 隔离的多智能体支持
• 静态和传输中的加密

Amazon Bedrock AgentCore 记忆存储

Amazon Bedrock AgentCore Memory Store 提供 长期记忆，具有语义搜索功能，用于 LangGraph 智能体，能够在会话之间存储和检索用户偏好、事实和提取的记忆。

from langgraph_checkpoint_aws import AgentCoreMemoryStore

# Initialize store for long-term memories
store = AgentCoreMemoryStore(memory_id="your-memory-id", region_name="us-west-2")

# Use in a pre-model hook to save and retrieve memories
def pre_model_hook(state, config, *, store):
    actor_id = config["configurable"]["actor_id"]
    thread_id = config["configurable"]["thread_id"]
    namespace = (actor_id, thread_id)

    # Save a message
    store.put(namespace, str(uuid.uuid4()), {"message": msg})

    # Search for relevant memories
    results = store.search(("preferences", actor_id), query="user preferences", limit=5)
    return {"model_input_messages": state["messages"]}

链

亚马逊 Comprehend 内容审核链

亚马逊 Comprehend 内容审核链通过 Chain 架构和 LangChain 框架，实现了高效、自动化的内容审核。它适用于多种场景，帮助企业有效管理文本合规性。

Amazon Comprehend 是一款自然语言处理（NLP）服务，它利用机器学习技术在文本中揭示有价值的洞察和关联。

我们需要安装 boto3 和 nltk 库。

pip

pip install boto3 nltk

langchain-experimental 包已不再维护。从 langchain_experimental 导入的示例可能过时或已损坏，请谨慎使用。

from langchain_experimental.comprehend_moderation import AmazonComprehendModerationChain

运行时

Amazon Bedrock AgentCore 运行时

Amazon Bedrock AgentCore 运行时 提供了 管理式、无服务器的 LangGraph 智能体执行，具有内置的可观测性、自动扩展，并能与其他 AgentCore 服务无缝集成。

pip

pip install bedrock-agentcore

from bedrock_agentcore.runtime import BedrockAgentCoreApp

app = BedrockAgentCoreApp()

@app.entrypoint
def agent_invocation(payload, context):
    result = graph.invoke({"messages": [{"role": "user", "content": payload["prompt"]}]})
    return {"result": result["messages"][-1].content}

app.run()

使用 AgentCore CLI 进行部署：

# Configure your agent
agentcore configure

# Deploy to AgentCore Runtime
agentcore launch -e your_agent.py

---

官方原文：src/oss/python/integrations/providers/aws.mdx · 非官方翻译，译文由 AI 生成，以英文原文为准。