Amazon Bedrock Embeddings
Amazon Bedrock Embeddings convierte textos en una huella numérica de su significado usando los modelos de Amazon Bedrock, el servicio de IA de Amazon Web Services (AWS). Con esa huella, NappAI puede encontrar los documentos que dicen algo parecido a lo que buscas aunque usen otras palabras, por ejemplo en una base de conocimiento.
El componente se conecta a una base de datos vectorial, que lo usa tanto para guardar tus documentos como para buscar en ellos. Úsalo si tu empresa trabaja con AWS y quiere que los textos se procesen dentro de su cuenta.
Cuándo usarlo
- Dar a un agente el conocimiento de tus manuales, contratos o preguntas frecuentes, guardándolos en una base de datos vectorial.
- Montar un buscador interno que encuentre documentos por su significado y no solo por palabras exactas.
- Tu empresa ya tiene contratado AWS y quieres usar esa misma cuenta.
Configuración
Las claves de acceso de AWS y la región se guardan en la credencial, así que no se escriben en el componente.
| Campo | Qué hace |
|---|---|
| Credential (obligatorio) | La credencial del servicio Amazon Bedrock API. Elige una con Seleccionar una credencial o crea una con Crear nueva credencial. Consulta Credenciales. |
| Model Id | El modelo de Amazon Bedrock que calcula las huellas. Por defecto: amazon.titan-embed-text-v1, que es la única opción de la lista. |
Opciones avanzadas
| Campo | Qué hace |
|---|---|
| Endpoint URL | Una dirección de conexión a Amazon Bedrock distinta de la habitual. Déjalo vacío salvo que quien administra tu cuenta de AWS te indique otra. |
Procesamiento por lotes
Con el interruptor Batch Mode activado, el componente se ejecuta una vez por cada elemento de la lista que conectes en Batch Input y devuelve todos los resultados juntos en una lista. Parallel Executions indica cuántos elementos se procesan a la vez (de 1 a 5). Skip if Empty Batch Input salta el componente si la lista llega vacía, y Skip Branch if Empty Output detiene los componentes siguientes si el resultado está vacío. Más información en Conceptos clave.
Resultado
- Embeddings: el modelo que calcula las huellas, listo para usar. Conéctalo a la entrada Embedding de una base de datos vectorial: Astra DB, Cassandra, Chroma DB, Couchbase, Elasticsearch, FAISS, Milvus, MongoDB Vector Store, PGVector, Pinecone, Qdrant, Redis, Supabase Vector Store, Upstash, Vectara, Weaviate Cloud (v4). También lo aceptan otros componentes con una entrada de este tipo, como Semantic Text Splitter o Text Embedder.
Ejemplo
Una empresa de logística, Transportes Duero, quiere que su asistente responda con sus procedimientos internos de almacén.
- En un flujo de carga, divide los documentos en fragmentos con Recursive Character Text Splitter y pásalos a Chroma DB con Operation en
Add. - Añade Amazon Bedrock Embeddings y conecta su salida Embeddings a la entrada Embedding de Chroma DB.
- En el flujo del asistente, usa la misma colección de Chroma DB con el mismo componente Amazon Bedrock Embeddings para buscar los fragmentos que responden a cada pregunta.