本次分享会介绍 RAG 实践中的一些经验积累，包括一些通用思路以及如何利用亚马逊云科技的服务 (如 Amazon Bedrock/Amazon OpenSearch) 优化基于 RAG 的生成式 AI 应用开发。

演讲提纲：

1. RAG 场景的特点和分析
2. RAG 技术经验总结
3. 如何使用亚马逊云科技的相关服务更好的构建基于 RAG 场景的应用

听众收益

1. 深入了解 RAG 的项目落地的挑战和解决思路
2. 更好的构建基于 RAG 场景的应用

本次分享将会介绍大语言模型 PE 原理、优化重点以及基于 Amazon Bedrock Claude 模型在不同任务下的 PE 最佳实践。

演讲提纲：

1. 提示词原理
2. 提示词优化
3. Claude PE 分任务案例

听众收益：

1. 了解基于大语言模型的 PE 原理
2. 了解不同任务下的优化实践

本次分享将会介绍 LLM-based Agent 特性，业界发展情况以及如何利用 Agent 构建生成式 AI 应用，让你快速借助 LangChain 和 Agents for Amazon Bedrock 构建企业自己的可落地的生成式AI应用。

演讲提纲：

1. LLM-based Agent 总揽
2. Agent 开发框架与 LangChain
3. 如何使用 Agents for Amazon Bedrock 构建生成式 AI 应用

听众收益：

1. 了解 LLM-based Agent 特性与发展
2. 初步掌握如何利用 LLM-based Agent 构建生成式 AI 应用

本次分享将会介绍生成式 AI 应用架构面临的挑战与优化方案，并演示如何使用 Amazon Bedrock 与 Amazon SageMaker Large Model Inference 镜像构建端到端的生成式应用。

演讲提纲：

1. 大模型推理面临的挑战
2. 通过 Amazon SageMaker 和 Amazon Bedrock 降低大模型推理复杂度
3. 构建端到端的生成式 AI 应用与 Demo 演示

听众收益：

1. 了解如何通过 Amazon Bedrock 快速构建云原生生成式 AI 应用
2. 了解如何优化大模型推理延迟与吞吐