www.awsgood.com
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。
| # | 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。
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。
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