今天小李哥继续介绍国际上主流云计算平台亚马逊云科技AWS上的热门生成式AI应用开发架构。上次小李哥分享了利用谷歌云serverless代码托管服务Cloud Functions构建Gemini Pro API，这次我将介绍如何利用亚马逊的云原生服务Lambda调用OpenAI的最新模型ChatGPT 4o。由于我人在海外，平时都是利用国际上主流云计算平台帮助企业设计AI应用架构，我的文章也将集中在亚马逊、微软、谷歌和甲骨文云计算平台，目的是帮助大家打开视野，了解世界上最前沿的AI和云原生技术。
架构方案
首先我们简单介绍本方案的细节。本方案采用全托管Serverless云原生架构，涵盖了前端页面、API网关端点、后端应用和AI大语言模型托管平台。总体方案架构图如下:
前端页面：
前端页面方案使用了亚马逊云科技对象存储桶S3，我们使用S3托管前端的HTML, CSS, JS静态网页，在接收到用户请求时，S3会调用JS文件访问后端的API。
优势：使用S3的优势主要是低成本、和高扩展性，同时我们不需要维护前端基础设施。我们可以使用 S3 存储 EB 数量级的数据。S3 由亚马逊云科技托管，可以随着您增减数据的操作自动扩展和收缩。而且无需提前采购云资源，只需按实际使用量付费，具有极高性价比。同时S3具有极低的访问延迟和高吞度带宽，适用于大用户量访问。
API网关端点:
我们使用了亚马逊云科技的API Gateway作为后端API端点，用于接收前端发来的HTTPs访问请求，调用后端AI大模型生成回复，并加载到前端页面上。
优势: API Gateway支持高并发、具有高扩展性、安全性好、有效降低开发和运营成本。它同样是亚马逊云科技全托管的云原生服务，支持RESTful API和WebSocket API，特别适用于获取大模型流式响应。同时有效简化了API的创建、发布、监控、保护等。而且后端支持云原生Serverless代码托管服务lambda和容器服务ECS，帮助构建云上全云原生服务。
后端计算：
后端代码部署我们选择了大名鼎鼎的明星服务Amazon Lambda，用于接收API Gateway转发到后端的请求体，解析后调用AI大模型API，并生成响应体返回给客户端。
优势：无服务器Serverless简化运维，高扩展性、降低成本、低延时。小李哥目前在亚马逊云科技上已经不使用传统服务器开发应用了，目前只使用Lamda。主要原因就是Lambda采用全托管模式，开发人员只需要将代码上传即可运行代码，无需运维。他也可以自己作为一个网页服务器，无需搭建服务器也可以运行代码。同时采用即用即付的计费模式，根据API调用次数、运行时间和消耗资源计费。
AI大语言模型：
AI大语言模型我们使用了Open AI 5月最新发布的多模态模型 ChatGPT 4o，5月这次的发布会可谓震惊了世界，4o速度是GPT-4（特别是GPT-4 Turbo）的两倍，但价格只有一半，而且可以处理文本、视觉和音频多类型数据。
在国际上的主流基准测试中可谓是遥遥领先同类模型，如Claude Ops、Gemini 1.5等。可以完美应用于知识问答客服、文字生成、代码生成、智能助手、教育与培训多个场景。
Amazon Bedrock大语言模型平台
亚马逊云科技同时拥有自己的呀语言模型托管平台--Amazon Bedrock，它同样有非常多的优势。比如支持30多种不同AI模型厂商的大语言模型，如Amazon自家的Titan、Anthropic的Claude 3系列（Opus, Sonnet 3.5, Haiku）、AI21 Labs、Cohere多款向量模型、Meta Llama 2/3、Mistral AI、Stability AI Diffusion等，通过统一的Converse API就可以集中调用、集中管理。
另外Amazon Bedrock也提供了模型测试、知识库（RAG）、智慧体Agent、安全防护栏等多种原生服务，简化云上AI软件服务的集成和开发。同时保障企业内部数据的隐私性、安全性和合规性，训练数据、请求数据都不会用于模型的训练，支持创建企业内部的自定义私有模型，模型全生命周期加密并不会和其他用户共享。同时Amazon Bedrock 实施了自动检测滥用机制，输入不合规，如暴力、违法、仇恨、侮辱的内容，将会阻止回复和使用。
但是目前Amazon Bedrock上还没有支持OpenAI的模型，所以本次AI应用方案，小李哥没有使用该平台上的大语言模型。
2. 利用亚马逊云科技Serverless代码托管服务开发AI应用流程
1. 首先我们登录亚马逊云科技AWS，创建一个Lambda
2. 我们为Lambda函数起一个名字，如“LambdaName”。并且我们规定我们使用的开发语言和版本，如“Python3.10”，最后为Lambda分配一个调用亚马逊云科技平台上其他服务（SNS, Bedrock，S3等）的权限。在选择权限时，我们要尊从最小化权限的原则，提升应用安全。
3.下一步我们为Lambda函数创建前端调用的API端点。首先点击“Enable Function URL”，由于我们是测试环境，在Auth Type选择None，但是在真正的面相服务中，我们需要通过API Gateway在请求头添加API Key验证用户请求，提升应用安全。由于我们要通过前端页面访问后端，最后我们开启跨源资源共享CORS。
我们一般会在CORS配置中，如下图添加如下响应头。
{
"Access-Control-Allow-Origin": "*",
"Access-Control-Allow-Headers": "Content-Type",
"Access-Control-Allow-Methods": "GET, POST, OPTIONS"
}
4. 由于我们的GenAI应用会调用OpenAI API，我们需要如下操作在代码依赖中添加OpenAI SDK。
在本地创建一个文件夹
mkdir python
cd python安装OpenAI库
pip install openai -t .将依赖打包成zip
cd ..
zip -r openai-lambda-package.zip python5. 打包好后，我们将依赖上传添加到Lambda中，Lambda通过Layer管理、上传代码依赖
点击Lambda的Layer功能并创建一个Layer
上传依赖并配置Layer
创建成功后，将包含依赖的layer添加到Lambda函数中，就大功告成了！
6. 接下来我们将标准的OpenAI GPT4o的API代码，复制到Lamda中。
标准API示例代码如下：
import requests
import json
import os
openai_api_key = # put yout api key here
if openai_api_key is None:
raise ValueError("OpenAI API key is not set in environment variables.")
url = "https://api.openai.com/v1/chat/completions"
headers = {
"Content-Type": "application/json",
"Authorization": f"Bearer {openai_api_key}"
}
data = {
"model": "gpt-4o",
"messages": [
{
"role": "system",
"content": "You are a helpful assistant."
},
{
"role": "user",
"content": "Hello!"
}
]
}
response = requests.post(url, headers=headers, json=data)
# Check if the request was successful
if response.status_code == 200:
print("Response from OpenAI:", response.json())
print('\n')
print(response.json()['choices'][0]['message']['content'])
else:
print("Error:", response.status_code, response.text)同时复制代码到Lambda函数中，首先从响应体中提取用户前端输入，存到定义的变量中。同时，将OpenAI API调用代码复制到“TODO implement”中，最后定义响应前端的API响应格式。
import json
def lambda_handler(event, context):
input_text = event['body'] #此处从请求体中提取用户输入
# TODO implement #复制OpenAI API代码到本行
return {
'statusCode': 200,
'body': json.dumps('Hello from Lambda!')
} #此处定义响应头和响应数据
出于应用代码安全性的考虑，此处小李哥建议大家把OpenAI API示例代码中的openai_api_key不要存放到代码中。大家需要用亚马逊云科技的密码管理服务secret manager来储存、管理所有的密码、秘钥。Secret Manager的调用代码如下。
class GetSecretWrapper:
def __init__(self, secretsmanager_client):
self.client = secretsmanager_client
def get_secret(self, secret_name):
"""
Retrieve individual secrets from AWS Secrets Manager using the get_secret_value API.
This function assumes the stack mentioned in the source code README has been successfully deployed.
This stack includes 7 secrets, all of which have names beginning with "mySecret".
:param secret_name: The name of the secret fetched.
:type secret_name: str
"""
try:
get_secret_value_response = self.client.get_secret_value(
SecretId=secret_name #此处换成大家Secret Manager的名字
)
logging.info("Secret retrieved successfully.")
return get_secret_value_response["SecretString"]
except self.client.exceptions.ResourceNotFoundException:
msg = f"The requested secret {secret_name} was not found."
logger.info(msg)
return msg
except Exception as e:
logger.error(f"An unknown error occurred: {str(e)}.")
raise
7. 最后大家在Lambda的Function URL页面就可以获取API的URL，将URL复制到前端JS代码中，就可以搭建出基于亚马逊云科技的Open AI GenAI软件应用。
以上就是在亚马逊云科技AWS上利用OpenAI开发GenAI云服务应用的步骤和讲解，欢迎大家关注小李哥，解锁更多的人工智能和云计算结合的最新技术和解决方案，提升AI技能和职场竞争力，成为AI技术专家！