在打印窗口把「目标」选为「另存为 PDF」即可保存,页面已带 awsgood.com 版权水印。 返回原文

www.awsgood.com

AIF-C01 考试领域深度解析:生成式 AI 基础

2026-11-10 AIF-C01 AI 从业者 约 4 分钟

TL;DR

大多数人挂科时差的是 30 分,而不是 300 分

AIF-C01 没考过的人,通常不是栽在注意力机制的冷知识上。他们失利的真正原因是:把"AI"当成一个宽泛的话题来学,结果一上来就遇到关于推理参数、检索数据流以及 bedrock:InvokeModel 上的 IAM 条件的问题。

我见过有三年控制台经验的运维工程师在这门考试上碰壁。AWS 的知识是能迁移过来的,术语却不行。这份卷子默认你至少通过 API 发送过一次提示词,并看过响应体里的 usage.input_tokens。没有这段经历,领域 3 的题目读起来就像一堆噪音。

这是一门广度型考试。在单一领域钻得很深对你毫无帮助——权重是公开的,分值分布是刻意设计的。

官方公布的五个领域及其权重含义

# 领域 权重 65 题中的大致题数*
1 AI 与机器学习基础 20% ~13
2 生成式 AI 基础 24% ~16
3 基础模型的应用 28% ~18
4 负责任 AI 的准则 14% ~9
5 AI 解决方案的安全、合规与治理 14% ~9

*这是我根据官方公布的百分比算出来的;AWS 并不公布各领域的具体题数。

领域 3 是最大的板块,也是最偏实战的一块:RAG 与微调的取舍、智能体(agents)、提示工程模式、Bedrock 功能、成本与延迟的权衡。领域 2 是它底下的术语层。两者合计占卷面的 52%,所以在这两块上花一小时,大致相当于在治理上花两小时。

领域 1 涵盖监督学习与无监督学习、回归与分类、精确率/召回率/F1,以及一个常见陷阱——什么时候用机器学习是错的、一个简单的规则引擎反而更便宜。领域 4 是偏见、公平性、可解释性、人在回路(human-in-the-loop)审核,以及 AWS 的负责任 AI 工具。领域 5 则是你的本职工作能派上用场的地方:IAM、KMS 加密、VPC 终端节点、PrivateLink、数据驻留,以及责任共担模型在基础模型场景下如何变化。

深入这 24%:"生成式 AI 基础"到底考什么

这个领域在纸面上看着不大,但落到题目上就是"你会调低哪个参数让输出更可预测"或"为什么同一个提示词隔 20 分钟返回的摘要不一样"。具体子主题如下:

然后是参数,这里最容易拿分:

参数 作用 陷阱
temperature 按比例缩放 token 选择中的随机性 设为 0 只能降低方差,并不能保证输出完全相同
top_p 核采样(nucleus sampling)的截止阈值 在 temperature 和 top_p 中只调一个,不要两个都调
max_tokens 限制响应长度 答案会被截断,但不会报错
stop_sequences 遇到指定字符串时停止生成 被截断的输出仍然按输出 token 计费

temperature 这一行是大家最爱争的。实践中,在 Bedrock 上把 temperature 设为 0 能得到接近可重复的输出,但不是逐字节完全相同——推理侧的批处理和浮点非确定性依然存在。如果考试选项说"temperature 为 0 能保证确定性输出",那是错的。

一次凌晨两点的 Bedrock 故障,同时覆盖了领域 3 和领域 5

2025-11-18,02:14 UTC。一个客户的工单摘要 Lambda 开始每次调用都抛错,告警落到了我头上,因为他们唯一的运维人员正在睡觉。CloudWatch 里的那行日志很直白:

An error occurred (AccessDeniedException) when calling the InvokeModel operation: User: arn:aws:iam::111122223333:user/ticket-summarizer-role is not authorized to perform: bedrock:InvokeModel on resource: arn:aws:bedrock:us-east-1::foundation-model/anthropic.claude-3-5-sonnet-20241022-v2:0


第一反应是把 IAM 策略放宽。这是错误的直觉。真正的原因是,几个月前模型访问权限是在 `us-west-2` 申请的,而

参考来源