用途
Amazon Bedrock Flows 是 Amazon Bedrock 的视觉化工作流构建器，用于端到端编排生成式 AI 应用。它把基础模型、提示词、知识库和 AWS 服务连接起来，目标是让用户不写编排代码也能搭建复杂 AI 流程。
主要能力
资料列出的核心能力包括：
- 视觉化流程构建器：通过拖放界面创建复杂工作流。
- 基础模型集成：连接多个模型与提示词。
- 知识库节点：基于 Bedrock Knowledge Bases 构建 RAG 流程。
- 条件分支：按条件决定执行路径。
- 迭代与循环：处理数组并重复操作。
- Lambda 与内联代码：在不部署的情况下编写自定义逻辑。
- 版本管理：为 A/B 测试与回滚提供流程版本。
- API 部署：通过 boto3 以编程方式调用流程。
资料还列出收益：无需代码、组件可复用、支持并行执行、具备版本控制、以别名提供生产级 API 调用、原生支持 Lambda、S3 与 Knowledge Base。
节点类型
流程控制节点：
- 输入节点（必需）：每个流程必须且只能有一个 Input 节点作为入口。
- 输出节点（必需）：每个流程至少有一个 Output 节点。
编排节点：
- Prompt 节点：用提示词模板调用基础模型，支持内联提示或引用已保存提示、
{{variable_name}}变量替换、完整推理配置以及多模型支持。 - Agent 节点：调用 Bedrock Agent 进行多轮交互。
数据节点：
- Knowledge Base 节点：执行带 RAG 的知识库查询，可配置
numberOfResults（1–100）与overrideSearchType（HYBRID 语义加关键词，或 SEMANTIC），同时返回生成结果与原始检索结果。 - S3 Retrieval 节点：从 S3 存储桶获取数据。
- S3 Storage 节点：将数据写入 S3 存储桶。
逻辑节点：
- Condition 节点：按条件分支执行，典型用例包括内容路由（情感、类别、语言）、错误处理（重试、回退）、功能开关（A/B 测试）、阈值检查（置信度分数）。
- Iterator 节点：遍历数组元素。
- Collector 节点：收集迭代器结果。Iterator 与 Collector 可组合成“迭代（文档）→ 逐个处理 → 收集（摘要）”的模式。
- DoWhile 循环节点（2025 新增）：在条件为真时重复执行，可用于迭代优化、带退避的重试、渐进增强与多步校验。
代码节点：
- Lambda Function 节点：执行外部 Lambda 函数，要求流程执行角色具有
lambda:InvokeFunction权限，Lambda 需接收事件负载并返回 JSON 响应。 - Inline Code 节点（2025 新增，预览）：直接执行 Python 代码而无需部署 Lambda，运行 Python 3.x、可访问标准库、采用类似 Lambda 的事件与上下文模式、迭代更快。限制包括：仍处于预览阶段（需查阅 AWS 文档确认可用性）、不支持外部依赖（pip 包）、存在执行时间限制、仅限 Python 3.x。
使用方式
资料给出三步快速入门与对应代码。
第一步，创建流程。用 boto3 的 bedrock-agent 客户端调用 create_flow，提供 name、description、executionRoleArn 以及包含 nodes 与 connections 的 definition。示例构建了一个文档问答流程：FlowInput 输入节点、SearchKB 知识库节点、FlowOutput 输出节点，并用 Data 类型连接串联。
第二步，部署流程。依次调用 prepare_flow（校验配置）、create_flow_version（创建版本）、create_flow_alias（创建别名），别名的 routingConfiguration 指向某个流程版本。
第三步，调用流程。用 bedrock-agent-runtime 客户端的 invoke_flow，传入 flowIdentifier、flowAliasIdentifier 以及 inputs 数组（包含 content、nodeName、nodeOutputName），然后遍历返回的 responseStream，从 flowCompletionEvent 判断完成原因，并从 flowOutputEvent 取得输出内容。
资料中各节点的配置示例展示了通过 inputs 中的 expression 字段在节点之间传递数据，例如 FlowInput.document、SearchKB.generatedResponse、GenerateResponse.modelCompletion 等。
适用场景
资料给出的适用场景包括：多步 AI 工作流（串联多次模型调用）、RAG 应用（从知识库检索并生成回答）、基于条件的动态路由、数据处理管道（转换与丰富数据）、智能体编排以及生产部署（稳定且带版本的 AI 应用）。
限制
资料明确提到的限制集中在 Inline Code 节点：仍处于预览阶段、不支持外部依赖、有执行时间限制、仅限 Python 3.x。Lambda 节点方面要求执行角色具备调用权限、Lambda 需接受事件负载并返回 JSON。其余如配额、价格、区域可用性、流程规模上限等信息暂未提供。