Lambdaから呼び出す

コンソールで確認できたRAGを、次はコンソール外からも使えることを確認します。実運用ではAPIから呼び出すケースが大半なので、Lambdaからナレッジベースに質問を投げて回答が返ることを確認します。

Lambda 側の処理は、RAGの基本パターンに沿って 2ステップ で組みます。

  1. ナレッジベースに質問を投げて、関連するチャンクを取得する(bedrock-agent-runtime の retrieve API)
  2. 取得したチャンクをプロンプトに埋め込んで、Bedrockを使ってみよう で使った converse API に渡し、回答を生成させる

前のセクションと同じ converse 呼び出しに、ナレッジ検索の1ステップを前に足しただけ の構成です。

1. IAM ロールと Lambda 関数を CloudFormation で作成する

Lambda 関数と、Bedrock 呼び出し権限を持たせた実行ロールを、CloudFormation テンプレートで一括作成します。関数の器作りをテンプレートに任せることで、本章の主題である RAG のコードに集中できます。

以下のテンプレートをダウンロードしてください。

テンプレートには、以下の2つのリソースが定義されています。

リソース 内容
rag-query-lambda-role Lambda 実行ロール。ナレッジベースからチャンクを取得する bedrock:Retrieve、Converse API を呼び出す bedrock:InvokeModel、および CloudWatch Logs 出力用のAWS管理ポリシー AWSLambdaBasicExecutionRole を持つ
rag-query Lambda 関数(Python 3.14 / arm64 / タイムアウト60秒)。この時点では中身は空のコードで、この後コンソール側で本物のコードに置き換える

CloudFormationのダッシュボードでスタックの作成 > 新しいリソースを使用(標準)をクリックし、スタック作成ウィザードを開きます。

1.1 ステップ1: スタックの作成

「前提条件 - テンプレートの準備」で既存のテンプレートを選択を選び、「テンプレートの指定」の「テンプレートソース」でテンプレートファイルのアップロードを選択します。「テンプレートファイルのアップロード」のファイルの選択からダウンロードした rag-lambda.yaml を指定し、次へをクリックします。

1.2 ステップ2: スタックの詳細を指定

「スタック名」に以下の値を入力します。

設定項目 値 設定の基準
スタック名 ai-platform-rag ハンズオン用に分かりやすい名前をつける

入力できたら次へをクリックします。

1.3 ステップ3: スタックオプションの設定

そのまま画面を下にスクロールし、「機能」セクションのAWS CloudFormation によって IAM リソースがカスタム名で作成される場合があることを承認します。にチェックを入れて次へをクリックします。

1.4 ステップ4: 確認して作成

内容を確認して、最下部の送信をクリックしてスタックを作成します。

1.5 スタックの作成完了確認

スタックのステータスが CREATE_COMPLETE になったら、スタック詳細画面の「リソース」タブに、RagQueryFunction(rag-query 関数)と RagQueryLambdaRole(rag-query-lambda-role ロール)の2つが CREATE_COMPLETE で並んでいることを確認します。

2. 環境変数を設定する

作成した Lambda 関数に、呼び出し先のナレッジベース ID と、回答生成に使うモデルの推論プロファイル ID を、環境変数として渡します。

まずナレッジベース ID を Bedrock コンソールから取得します。ナレッジベース詳細画面(ai-platform-rag-kb)の右側「ナレッジベースの概要」→「ナレッジベース ID」(APNGXQR7KQ のような文字列)の、右のコピーアイコンから控えます。

推論プロファイル ID は、Bedrockを使ってみよう で控えたものと同じ値(例: jp.anthropic.claude-sonnet-4-6)を使います。

Lambda コンソールで rag-query 関数を開き、「設定」タブ→「環境変数」を選択して「編集」をクリックします。「環境変数の追加」から、以下の2つを設定して「保存」します。

キー 値
KNOWLEDGE_BASE_ID 先ほど控えたナレッジベース ID
MODEL_ID 推論プロファイル ID(例: jp.anthropic.claude-sonnet-4-6)

3. Lambda関数のコードを書き換える

CloudFormation で作成された rag-query 関数は、中身が空のコードになっています。これを Bedrock Knowledge Bases を呼び出すコードに書き換えます。

rag-query 関数の「コード」タブを開き、エクスプローラーで index.py を選択して、以下の内容に置き換えます。

💡 ポイント
Bedrockを使ってみよう では lambda_function.py を編集しましたが、こちらは index.py になっています。これは CloudFormation でインラインコードを持つ Lambda 関数を作成すると、パッケージ内のファイル名が index.py になる仕様のためです。ハンドラも index.lambda_handler を指す形で作成してあるので、そのまま index.py の中身を置き換える形で問題ありません。
import os
import boto3

KNOWLEDGE_BASE_ID = os.environ["KNOWLEDGE_BASE_ID"]
MODEL_ID = os.environ["MODEL_ID"]
REGION = "ap-northeast-1"

agent_runtime = boto3.client("bedrock-agent-runtime", region_name=REGION)
bedrock = boto3.client("bedrock-runtime", region_name=REGION)


def lambda_handler(event, context):
    question = event.get("question", "こんにちは")

    retrieved = agent_runtime.retrieve(
        knowledgeBaseId=KNOWLEDGE_BASE_ID,
        retrievalQuery={"text": question},
    )
    knowledge = "\n\n".join(
        r["content"]["text"] for r in retrieved["retrievalResults"]
    )

    prompt = f"参考情報:\n{knowledge}\n\n質問: {question}"
    response = bedrock.converse(
        modelId=MODEL_ID,
        messages=[{"role": "user", "content": [{"text": prompt}]}],
    )
    answer = response["output"]["message"]["content"][0]["text"]
    return {"answer": answer}

コードを解説します。

agent_runtime = boto3.client("bedrock-agent-runtime", region_name=REGION)
bedrock = boto3.client("bedrock-runtime", region_name=REGION)

boto3のクライアントを2つ用意しています。ナレッジベースの検索は bedrock-agent-runtime クライアント、モデルの呼び出しは bedrock-runtime クライアントを使います。RAG は「検索」と「生成」という2種類の処理を組み合わせる仕組みなので、それぞれ担当するクライアントも別になっています。

retrieved = agent_runtime.retrieve(
    knowledgeBaseId=KNOWLEDGE_BASE_ID,
    retrievalQuery={"text": question},
)

retrieve API で、ナレッジベースから質問に近いチャンクを取得しています。retrievalQuery に渡した質問文が Bedrock 側で自動的にベクトル化され、意味的に近いチャンクが検索されて返ります。

knowledge = "\n\n".join(
    r["content"]["text"] for r in retrieved["retrievalResults"]
)

retrieve の戻り値 retrievalResults は、検索でヒットしたチャンクのリストです。各チャンクの本文テキストを \n\n で連結して、モデルに渡す knowledge としてまとめています。

prompt = f"参考情報:\n{knowledge}\n\n質問: {question}"

モデルに投げるプロンプトを組み立てています。「参考情報:」として先ほど検索したチャンクを貼り付け、その後に「質問: 」として元の質問文を続ける形です。モデルはこの参考情報を踏まえて回答を組み立てます。

response = bedrock.converse(
    modelId=MODEL_ID,
    messages=[{"role": "user", "content": [{"text": prompt}]}],
)
answer = response["output"]["message"]["content"][0]["text"]

Bedrockを使ってみよう で使ったのと同じ converse の呼び出しです。違いは、渡すプロンプトが「参考情報付き」に差し替わっているだけで、呼び出し方や応答の取り出し方は変わりません。

コードを貼り付けたら、左サイドバーの DEPLOY セクションにある「Deploy」ボタン(ショートカット: ⇧⌘U / Windows は Ctrl+Shift+U)を押して、Lambda に反映します。

4. 動作確認する

Lambda コンソールの「テスト」タブで、以下のテストイベントを作成して実行します。イベント名は任意(例: rag-test)です。

{
  "question": "ハンバーグはありますか?"
}

以下のような実行結果が返ります。

{
  "answer": "はい、ハンバーグはございます。ランチの『国産牛のハンバーグプレート』(1,800円、手ごねハンバーグ・季節のサラダ・ライスまたはパン付き)と、一品料理の『手ごねハンバーグ』(1,600円)がございます。"
}

コンソールのテスト画面で確認したのと同じ回答が、Lambda(API)からも取得できていることが分かります。この Lambda を API Gateway 経由で公開すれば、そのまま Q&A API として外部から使える構成にもできます。