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。
- 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retrieveAPI) - 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
converseAPI 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。