本課程涵蓋透過 AWS Bedrock API 使用 Claude 模型,從基本請求到進階代理程式實作皆涵蓋在內。您將學習如何進行 API 呼叫、實作工具使用、建構 RAG 管線、使用 MCP 伺服器,並運用 Claude Code 與 Computer Use 等功能來實現自動化。
您將學到的內容完成本課程後,您將能夠
- 在 Amazon Bedrock 上運用 Anthropic 模型進行多輪對話並設定系統提示
- 運用結構化方法建構並評估提示
- 使用 JSON Schema 設計並整合自訂工具,以進行函式呼叫與批次處理
- 運用文字分塊、嵌入、BM25 搜尋及情境檢索技術開發 RAG 管線
- 設定並最佳化 Claude 的進階功能,包括擴展思考、視覺能力及提示快取
- 運用 Claude Code 進行自動化除錯與任務執行
- 實作 Model Context Protocol(MCP)以在用戶端應用程式中定義工具、資源及提示
- 透過串流、溫度控制及結構化資料擷取來最佳化推論
- 運用以模型為基礎與以程式碼為基礎的評分方法,為提示建構評估框架
Who it’s for
想要為其應用程式加入 AI 功能的開發人員
Before you start
- 熟悉 Python 程式設計
- 具備處理 JSON 資料的基本知識
- 擁有具備 Bedrock 存取權限的 AWS 帳戶
Inside the course
課程簡介
1 lesson從這裡開始了解基礎知識。
使用 API
9 lessons涵蓋 API 驗證、基本請求、對話管理、系統提示,以及結構化輸出生成。
提示工程
6 lessons學習撰寫真正有效的提示。聚焦於提示策略、評估框架,以及系統化測試方法。
工具使用
13 lessons以自訂工具與函式擴充 Claude。建構具備函式呼叫、多輪工具互動、批次工具呼叫的應用程式,並運用內建公用程式。
檢索增強生成
10 lessons生產級 RAG 系統的實作指南。涵蓋文字分塊、嵌入、結合 BM25 的混合搜尋、多索引架構、重新排序,以及情境檢索。
Model Context Protocol
12 lessons用於建構模組化 AI 應用程式的協定。定義自訂工具與資源、實作 MCP 伺服器與用戶端,並處理完整的整合生命週期。
代理程式
7 lessons兩項強大的 Anthropic 工具實際應用。Claude Code 加速開發工作流程,Computer Use 則能自動化 UI 互動。包含 MCP 整合模式。