AIF-C01 考试领域深度解析:AI 与 ML 基础(2026)

TL;DR
- 领域 3(基础模型应用)占 AIF-C01 的 28%——比占比 20% 的“AI 与 ML 基础”高七个百分点。按领域编号顺序学习的人,会把最好的夜晚耗在最小的那一块上。
- 65 道题,90 分钟,分数按 100–1000 折算,700 分通过。 这大约每题 83 秒。AWS 不公布原始分到折算分的映射,所以“错 15 道也能过”是民间传说,不是算术。
- 真正让你丢分的是服务层面的细节,而不是理论。 按区域限定的 Bedrock 模型访问权限、推理配置文件的 IAM、RAG 与微调、Guardrails 与 SageMaker Clarify。这四件事你都能在一个下午的沙盒里弄坏。
这门考试真正面向谁
AIF-C01 属于基础级别,与 Cloud Practitioner 同级。没有先修要求,不考微积分,不考训练运行。如果你能读懂 IAM 策略,并能解释为什么聊天机器人有时会编造退款政策,你就已经越过了最难的概念门槛。
我遇到的现实候选人:被要求把模型接到内部应用上的开发者;接手了一笔没人解释得清的 Bedrock 账单的运维工程师;需要可信地谈论 RAG 的售前工程师。这门考试奖励广度而非深度——你需要知道哪个 AWS 服务能解决给定问题,而不是如何调优它。
如果你在它和更高级别之间做选择,几乎所有人都应遵循的顺序是:Cloud Practitioner(或同等经验)→ AIF-C01 → ML Engineer Associate。在没有 AWS 词汇基础的情况下直接跳到助理级 AI 材料,可行,但很痛苦。
五个领域以及分数实际落在哪里
权重直接来自官方考试指南。“题数”一列是我按 65 道题算出的——把它当作规划参考,而不是 AWS 的承诺。AWS 会在你的成绩报告上按领域报告结果,所以无论你是否提前规划,薄弱领域事后都会显现出来。
| # | 领域 | 权重 | 约占 65 题 | 容易出问题的地方 |
|---|---|---|---|---|
| 1 | AI 与 ML 基础 | 20% | 约 13 | 术语、学习类型、评估指标 |
| 2 | 生成式 AI 基础 | 24% | 约 16 | token、上下文窗口、嵌入、成本驱动因素 |
| 3 | 基础模型应用 | 28% | 约 18 | 推理参数、RAG、代理、提示工程 |
| 4 | 负责任 AI 指南 | 14% | 约 9 | 偏差、可解释性、Guardrails、Clarify |
| 5 | 安全、合规与治理 | 14% | 约 9 | IAM、KMS、PrivateLink、提示注入、数据驻留 |
领域 2 和领域 3 合计占试卷的 52%。这就是全部关键。领域 1 是人们搜索的关键词,但它只占五分之一的分。
领域 1:“AI 与 ML 基础”实际考什么
你需要清晰的定义,以及把一句业务描述映射到某个服务的能力。监督学习 vs 无监督学习 vs 强化学习,分类 vs 回归,训练 vs 推理,有标签 vs 无标签。经典的服务映射题:Comprehend 用于文本情感和实体,Rekognition 用于图像和视频,Forecast 用于时间序列,Personalize 用于推荐,Transcribe 和 Polly 用于语音,Textract 用于文档提取,当题目说“自定义模型”时选 SageMaker。
陷阱是指标。我做过的每一套练习题里都有一个场景:某一类错误代价很高,答案取决于你是否正确读出了这一点。
| 指标 | 当题干说……时选它 |
|---|---|
| Accuracy(准确率) | 类别均衡,两类错误代价大致相同 |
| Precision(精确率) | 假阳性有害——拦截合法交易、把正常邮件标记为垃圾邮件 |
| Recall(召回率) | 假阴性有害——漏掉欺诈、漏掉筛查、漏掉缺陷 |
| F1 | 在类别不均衡的数据集上需要一个数字 |
| RMSE / MAE | 回归,不是分类 |
| AUC-ROC | 跨阈值的排序质量 |
过拟合表现为“训练数据上表现很好,生产环境表现很差”——这种措辞指向更多数据、正则化或更简单的模型,而不是更多轮次。欠拟合则是镜像。
领域 2 和领域 3:两次学习搞定 52% 的分数
生成式 AI 基础是有杀伤力的词汇。一个 token 大约是一个单词的 ¾;1,000 个 token 接近 750 个英文单词。上下文窗口是提示加补全的硬上限,也是长聊天记录突然返回错误的原因。嵌入是向量,相似性搜索是最近邻,Transformer 是架构,扩散是图像路径。幻觉是模型的一种属性,不是你提交的 bug。
领域 3 是动手经验能换来回报的地方。推理参数会被直接问到:
temperature——随机性;0 接近确定性,越高越发散top_p/top_k——替代采样截断;调一个,不要两个都调max_tokens——补全的硬停止,也是你主要的成本杠杆stop_sequences——遇到标记就终止,而不是靠 token 上限
然后是架构对比,18 道题大部分都在这里:
| 方法 | 改变什么 | 适用于 | 成本特征 |
|---|---|---|---|
| 提示工程 | 什么都不改,只改输入 | 格式控制、语气、快速迭代 | 最低——无需训练,无额外基础设施 |
| RAG(Bedrock Knowledge Bases) | 你注入的上下文 | 私有或最新事实、引用、按用户过滤 | 嵌入 + 向量存储 + 额外输入 token |
| 微调 | 模型权重 | 大规模下一致的风格和格式 | 训练作业 + 自定义模型托管 |
| 持续预训练 | 权重,基于领域文本 | 专业词汇、超大型语料 | 最高——需要数据量和预算审批 |
考试提问时我的一条经验法则:事实会变 → RAG。行为和格式需要变 → 微调。带工具调用的代理式多步操作 → Bedrock Agents。不要用微调来教模型你每月都会变的退款政策;那是 RAG 问题。
领域 4 和领域 5:人们跳过然后挂掉的 28%
负责任 AI 主要是词汇加上正确的 AWS 工具。公平性、可解释性、隐私、安全、真实性、透明度、可控性。偏差通过数据、标注甚至特征选择进入。SageMaker Clarify 检测偏差并解释预测;Model Monitor 监控生产中的漂移;Bedrock Guardrails 在运行时过滤有害内容并脱敏 PII。知道 Guardrails 是运行时保护、Clarify 是数据/模型层分析,这一条本身就能答对数量惊人的题目。
安全与治理是经典 AWS 运维戴着 AI 的帽子。最小权限 IAM、用于静态加密的 KMS 和传输中的 TLS、用于不得穿过公共互联网的流量的 VPC 终端节点和 PrivateLink、用于审计轨迹的 CloudTrail、用于发现 S3 中 PII 的 Macie。提示注入和越狱是新加入的条目——答案几乎总是输入验证 + Guardrails + 不授予模型超出任务所需的权限。
一次 02:40 的 Bedrock 故障,直接对应领域 3 和领域 5
一个聊天端点开始返回 500。告警在 02:40 进来,五分钟内错误率 100%。Lambda 日志显示如下:
An error occurred (AccessDeniedException) when calling the InvokeModel operation:
User: arn:aws:iam::111122223333:role/chat-api-prod is not authorized to perform:
bedrock:InvokeModel on resource:
arn:aws:bedrock:us-east-1:111122223333:inference-profile/us.anthropic.claude-3-5-sonnet-20241022-v2:0
because no identity-based policy allows the bedrock:InvokeModel action
IAM 策略是从旧教程复制来的,只限定到基础模型 ARN。有人在前一周为了追容量把代码切换到跨区域推理配置文件,而配置文件资源需要自己的权限。该策略对当初编写它时所针对的对象是正确的,但对现在运行的对象是错误的——这是一种非常常见的故障形态。
诊断花了四分钟:先用 aws sts get-caller-identity 确认角色,然后在 CloudTrail 中按 eventSource = bedrock.amazonaws.com 和 errorCode = AccessDenied 查询,显示出调用所指向的确切资源 ARN。修复方法是把推理配置文件 ARN 以及底层基础模型 ARN 加到同一条语句中。通过手工重新运行调用并得到带有 "stop_reason":"end_turn" 的正常响应来验证。告警在下一个评估周期清除。
# 这个账户/区域实际能看到哪些模型?
aws bedrock list-foundation-models --region us-east-1
--query 'modelSummaries[].{id:modelId,provider:providerName}' --output table
# 在归咎应用之前,先证明调用能工作
aws bedrock-runtime invoke-model --region us-east-1
--model-id anthropic.claude-3-haiku-20240307-v1:0
--cli-binary-format raw-in-base64-out
--body '{"anthropic_version":"bedrock-2023-05-31","max_tokens":64,"messages":[{"role":"user","content":"Explain RAG in one sentence."}]}'
/tmp/out.json && cat /tmp/out.json
由此得出两个习惯。模型 ID 和配置文件 ID 的变化比博客文章快,所以要列出来,而不是从文章(包括本文)里复制字符串。每次更换模型或增加区域时,都要重新检查策略——这正是 AIF-C01 在推理参数和 IAM 下考查的那类细节。
## 报名、费用和决定预约
考试通过 Pearson VUE 进行,可在考试中心或在线监考。费用按区域设定,美国约为 100 美元——做预算前请查看你当地的认证页面,因为货币和税务处理不同。认证有效期为三年。至少在你预约时间前 48 小时改期或取消,否则费用不退;我见过一位同事因为提前 30 小时才改期而损失了一次预约。
预约前,先冷做一套完整长度的练习题并打分。低于 65%?给自己三周,而不是十天。高于 80%?预约两周后的考试,并把间隔时间只花在领域 2 和领域 3 上。
## 一个适合值班间隙的 14 晚学习计划
七个晚上阅读,五个晚上练习,两个晚上复习。
1. 第 1–2 晚:领域 2 和领域 3 的材料——这是试卷的 52%,先做,并且开着控制台做。
2. 第 3–4 晚:领域 1 的词汇和上面的指标表。
3. 第 5 晚:领域 4 和领域 5,包括通读一遍 Guardrails 和 Clarify 的功能文档。
4. 第 6–8 晚:两套练习题,然后重读每道错题的解析——包括你猜对的题。
5. 第 9–12 晚:动手操作。在一个区域启用模型访问,构建一个小型 Knowledge Base,设置一个推理参数并观察输出变化。
6. 第 13–14 晚:限时完整模拟考试,然后只复习标记的题目。
如果你不想只是为了了解其形态而花几个晚上配置 Bedrock IAM 和 guardrails,
发表回复