Amazon Bedrock - co to jest i jak działa? Przewodnik po platformie AI od AWS

Co to jest Amazon Bedrock?

Amazon Bedrock to w pełni zarządzana usługa Amazon Web Services (AWS) do budowania aplikacji opartych na generatywnej sztucznej inteligencji. Daje dostęp do modeli kilkunastu dostawców przez jedno API. Znajdziesz tam Claude od Anthropic, modele GPT od OpenAI, Grok od xAI, otwarte modele Mistral AI, DeepSeek, Qwen czy Google Gemma, a także własną rodzinę AWS, czyli Amazon Nova. Nie uruchamiasz serwerów ani kart graficznych: modele działają na infrastrukturze AWS, a ty płacisz za faktyczne użycie.

Bedrock to coś więcej niż katalog modeli. Na tej samej platformie są narzędzia potrzebne do zbudowania gotowej aplikacji: bazy wiedzy do RAG (Knowledge Bases), filtry bezpieczeństwa (Guardrails), ocena jakości modeli, dostrajanie na własnych danych i AgentCore, czyli zestaw usług do uruchamiania agentów AI w produkcji.

AWS udostępnił Bedrocka wszystkim klientom we wrześniu 2023 roku. Usługa jest skierowana głównie do programistów i firm, które już pracują w chmurze AWS i chcą dodać AI do swoich produktów bez budowania infrastruktury od zera.

Informacje w tym artykule opisują stan na 18 października 2026 roku.

Jak działa Amazon Bedrock?

Bedrock działa w modelu bezserwerowym (serverless). Twoja aplikacja wysyła zapytanie do API Bedrocka i podaje identyfikator modelu, np. Claude Sonnet 5.5 albo Nova 2 Lite. Bedrock przekazuje zapytanie do wybranego modelu, a odpowiedź wraca do aplikacji w całości albo strumieniowo, fragment po fragmencie. O moc obliczeniową, skalowanie i dostępność dba AWS.

Modele firm trzecich działają na kontach AWS należących do zespołu Bedrocka (model deployment accounts). Dostawcy modeli, np. Anthropic czy OpenAI, nie mają do nich dostępu, więc nie widzą twoich promptów ani odpowiedzi.

Z modelami komunikujesz się przez kilka rodzajów API:

Converse API - jednolity format rozmowy dla wszystkich modeli, z obsługą narzędzi (tool use), obrazów i dokumentów. Zmiana modelu sprowadza się do podmiany identyfikatora,
InvokeModel - wywołanie w natywnym formacie danego dostawcy,
API zgodne z OpenAI (Chat Completions i Responses) oraz z Anthropic Messages - kod napisany pod OpenAI albo Anthropic przeniesiesz na Bedrocka, zmieniając tylko adres i klucz.

Do nowych aplikacji AWS zaleca endpoint bedrock-runtime, który obsługuje wszystkie te interfejsy. Drugi endpoint, bedrock-mantle, dokłada m.in. projekty i wbudowane narzędzia, takie jak wyszukiwanie w sieci.

Liczy się też to, gdzie fizycznie przetwarzane jest zapytanie. Bedrock oferuje trzy warianty:

in-region - zapytanie obsługuje jeden wybrany region AWS,
Geo cross-region - ruch rozkłada się między regiony jednego obszaru, np. Unii Europejskiej, więc dane nie opuszczają UE,
Global cross-region - zapytanie może trafić do dowolnego regionu komercyjnego na świecie. Ten wariant jest ok. 10% tańszy, ale nie gwarantuje, że dane zostaną w Europie.

Bedrock łączy się z resztą ekosystemu AWS: funkcjami Lambda, magazynem plików S3, orkiestracją Step Functions, szablonami CloudFormation, uprawnieniami IAM i monitoringiem CloudWatch. Model AI staje się dzięki temu kolejnym elementem architektury, a nie osobnym systemem.

Bądź na bieżąco z AI

Zapisz się na newsletter i otrzymuj najnowsze poradniki, recenzje narzędzi AI i rankingi prosto na swoją skrzynkę.

Bez spamu. Wypisz się w dowolnym momencie.

Jakie są zastosowania Amazon Bedrock?

Bedrock to platforma ogólnego przeznaczenia, więc zastosowań jest tyle, ile pomysłów na produkt z AI. Najczęściej firmy budują na nim:

chatboty i asystentów dla klientów lub pracowników, którzy odpowiadają na podstawie firmowej dokumentacji,
generowanie treści: opisy produktów, artykuły, posty, tłumaczenia i szkice odpowiedzi na maile,
narzędzia dla programistów do generowania i przeglądu kodu. Od czerwca 2026 roku na Bedrocku działa też Codex, agent kodujący OpenAI,
przetwarzanie dokumentów: streszczenia, klasyfikację i wyciąganie danych z faktur czy umów. Usługa Bedrock Data Automation zamienia dokumenty, obrazy, nagrania audio i wideo w ustrukturyzowane dane,
wyszukiwanie semantyczne w zasobach firmy, z użyciem modeli embeddingów i rerankingu,
agentów AI, którzy samodzielnie wykonują wieloetapowe zadania w firmowych systemach (więcej w części o automatyzacji),
generowanie obrazów i wideo modelami Stability AI i Luma AI oraz analizę nagrań wideo modelami TwelveLabs.

Bedrock dobrze sprawdza się też jako element automatycznych procesów analitycznych. Typowy scenariusz wygląda tak: plik trafia do S3, zdarzenie uruchamia funkcję Lambda, ta wysyła treść do modelu, a model zwraca streszczenie, kategorię albo wyodrębnione dane. Wynik ląduje w bazie lub hurtowni danych. Całość działa bez utrzymywania serwerów i skaluje się razem z liczbą plików.

Jakie modele generatywne AI są dostępne w Amazon Bedrock?

Według dokumentacji AWS Bedrock oferuje ponad 100 modeli bazowych od 19 dostawców. Najważniejsze grupy:

Anthropic Claude - rodzina Claude 5.x (m.in. Haiku 5.5, Sonnet 5.5 i Opus 5.5) oraz starsze wersje 4.x. Modele cenione za pracę z długimi dokumentami, kodem i zadaniami agentowymi,
OpenAI - od czerwca 2026 roku także zamknięte modele GPT (dziś m.in. GPT-5.5, GPT-5.6 i GPT-6), a obok nich otwarte modele gpt-oss,
xAI - modele Grok, dostępne od czerwca 2026 roku,
modele o otwartych wagach: Meta Llama, Mistral AI, DeepSeek, Qwen, Google Gemma, Moonshot AI (Kimi), MiniMax, Z.AI (GLM) i NVIDIA Nemotron. Zwykle są wyraźnie tańsze od modeli z czołówki,
Cohere, AI21 Labs i Writer - modele do zastosowań biznesowych. Cohere dostarcza dziś głównie modele embeddingów i rerankingu do wyszukiwania,
Stability AI, Luma AI i TwelveLabs - generowanie i edycja obrazów, generowanie wideo oraz analiza nagrań wideo,
Amazon Nova - własne modele AWS: Nova 2 Lite (tani model multimodalny z rozumowaniem), Nova 2 Sonic (rozmowy głosowe w czasie rzeczywistym), starsze Nova Micro, Lite i Pro oraz Nova Multimodal Embeddings.

Nova zastąpiła wcześniejszą rodzinę Titan. Modele tekstowe Titan AWS wyłączył w 2025 roku, a z tej linii zostały tylko modele embeddingów, np. Titan Text Embeddings V2.

Katalog szybko się zmienia, także w drugą stronę. Każdy model ma swój cykl życia: najpierw dostaje status Legacy, a po kilku miesiącach przestaje działać (EOL). W połowie września 2026 roku AWS wyłączył Nova Premier, a 30 września Nova Canvas i Nova Reel, czyli własne modele do generowania obrazów i wideo. Jeśli budujesz aplikację na lata, sprawdzaj daty wycofania na stronie modelu i pisz kod tak, żeby zmiana modelu była prosta.

Dostępność modeli różni się też między regionami. Przykład ważny dla firm z Europy: najnowsze modele GPT są w regionach unijnych dostępne tylko przez profil Global, a Claude Opus 5.5 i Sonnet 5.5 mają profil EU, który utrzymuje przetwarzanie w Unii.

Poza modelami bezserwerowymi jest jeszcze Bedrock Marketplace z ponad setką modeli specjalistycznych. Te wdrażasz na dedykowanych instancjach i płacisz za czas ich działania, ale wywołujesz je przez to samo API.

Jak zacząć korzystać z Amazon Bedrock?

Załóż konto AWS. Nowe konta (założone od połowy lipca 2025 roku) dostają w ramach Free Tier 100 USD kredytów na start i do 100 USD więcej za wykonanie kilku zadań w konsoli. Jedno z nich to wysłanie promptu w playgroundzie Bedrocka. Darmowy plan trwa do 6 miesięcy albo do wyczerpania kredytów.
Wybierz region. W Polsce nie ma regionu AWS z Bedrockiem. Najbliżej jest Frankfurt (eu-central-1), a w Europie Bedrock działa też m.in. w Irlandii, Paryżu, Sztokholmie, Mediolanie, Hiszpanii, Zurychu i Londynie. Lista dostępnych modeli zależy od regionu.
Przetestuj modele w playgroundzie. W konsoli Bedrocka sprawdzisz modele bez pisania kodu i porównasz ich odpowiedzi. Od czerwca 2026 roku konsola ma odświeżony katalog modeli, porównywarkę i projekty.
Wygeneruj klucz API. Klucze API Bedrocka to najszybsza droga do pierwszego wywołania z kodu. Krótkoterminowe (ważne do 12 godzin) AWS zaleca w aplikacjach, a długoterminowe nadają się do eksperymentów. W produkcji standardem pozostają role i uprawnienia IAM.
Wyślij pierwsze zapytanie z kodu przez AWS SDK (np. boto3 w Pythonie) i Converse API albo przez SDK OpenAI lub Anthropic skierowane na endpoint Bedrocka.

W jednym ważnym punkcie wiele starszych poradników jest nieaktualnych. Nie musisz już ręcznie włączać dostępu do modeli na stronie Model access. Od 15 października 2025 roku wszystkie modele bezserwerowe są dostępne od razu we wszystkich regionach komercyjnych, a administrator ogranicza dostęp politykami IAM.

Wyjątki są dwa. Przed pierwszym użyciem modeli Anthropic trzeba jednorazowo wypełnić krótki formularz z opisem zastosowania. Modele części dostawców są rozliczane przez AWS Marketplace: subskrypcja włącza się automatycznie przy pierwszym wywołaniu, ale konto potrzebuje do tego odpowiednich uprawnień i ważnej metody płatności.

Ile kosztuje Amazon Bedrock?

Podstawą jest rozliczenie on-demand: płacisz za tokeny wejściowe (prompt) i wyjściowe (odpowiedź), bez abonamentu i zobowiązań. Modele graficzne i wideo naliczają opłaty za wygenerowany obraz albo sekundę nagrania. Przykładowe ceny w regionie us-east-1, w poziomie Standard:

Model	Wejście (1 mln tokenów)	Wyjście (1 mln tokenów)
gpt-oss-20b	0,07 USD	0,30 USD
Amazon Nova 2 Lite	0,30 USD	2,50 USD
Claude Sonnet 5.5	2,00 USD	10,00 USD

Ceny Nova 2 Lite i Claude Sonnet 5.5 dotyczą profilu Global. Profile Geo i in-region są ok. 10% droższe (Claude Sonnet 5.5 kosztuje w nich 2,20 USD i 11 USD), a stawki różnią się też między regionami.

Na rachunek wpływa poziom obsługi (service tier), który wybierasz w zapytaniu:

Standard - domyślna cena za tokeny,
Priority - o 75% drożej w zamian za szybsze odpowiedzi i pierwszeństwo przy dużym obciążeniu,
Flex - o 50% taniej, ale czas odpowiedzi jest dłuższy i mniej przewidywalny. Pasuje do zadań, które mogą poczekać,
Reserved - zarezerwowana przepustowość (w tokenach na minutę) na 1 lub 3 miesiące, po stałej cenie. Przeznaczona dla dużego, przewidywalnego ruchu, uruchamiana przez opiekuna konta AWS.

Do tego dochodzą dwie starsze opcje:

Batch Inference - przetwarzanie wsadowe dużych zestawów zapytań, o 50% taniej niż on-demand. Wyniki dostajesz po pewnym czasie, nie od ręki,
Provisioned Throughput - wykupione jednostki modelu (model units) rozliczane godzinowo, bez zobowiązania albo na 1 lub 6 miesięcy. Dziś korzysta się z nich głównie przy modelach dostosowanych.

Nie każdy model obsługuje wszystkie opcje. Claude Sonnet 5.5 jest na przykład dostępny tylko w poziomie Standard, bez Priority, Flex i batcha. Przed planowaniem budżetu sprawdź kartę modelu w dokumentacji.

Koszty mocno obniża prompt caching. Jeśli wiele zapytań zaczyna się od tego samego kontekstu (instrukcje systemowe, długi dokument), Bedrock zapisuje go w pamięci podręcznej. Odczyt z cache kosztuje w modelach Claude zwykle 10% stawki za wejście (w Sonnet 5.5 nawet 5%), a w modelach Nova o 75% mniej niż zwykłe wejście. Zapis do cache bywa za to nieco droższy.

Osobno płacisz za:

dostrajanie modeli - trening liczony od liczby przetworzonych tokenów (reinforcement fine-tuning od godziny treningu) i przechowywanie modelu, 1,95 USD miesięcznie,
Custom Model Import - czas działania zaimportowanego modelu w jednostkach Custom Model Unit, liczony co minutę,
Knowledge Bases - w wersji zarządzanej 5 USD miesięcznie za GB zaindeksowanych danych i 1 USD za 1000 zapytań,
Guardrails - od 0,10 do 0,15 USD za 1000 jednostek tekstu (jednostka to do 1000 znaków), zależnie od filtra. Filtry słów są bezpłatne,
AgentCore - według zużycia poszczególnych usług, np. Runtime za vCPU-godziny i GB-godziny pamięci, liczone co sekundę.

Firmy z dużym ruchem zwykle łączą tryby: Standard albo Flex dla zmiennego ruchu, Reserved lub Provisioned Throughput dla stałego obciążenia i batch dla zadań, które mogą poczekać.

Czym Amazon Bedrock różni się od Google Vertex AI i Azure?

Zacznijmy od nazw, bo obie konkurencyjne platformy niedawno je zmieniły. Google Vertex AI od kwietnia 2026 roku rozwija się jako Gemini Enterprise Agent Platform. Google zapowiedział, że wszystkie usługi Vertex AI będą dostarczane już tylko w ramach nowej platformy. Po stronie Microsoftu odpowiednikiem Bedrocka jest Microsoft Foundry (wcześniej Azure AI Studio i Azure AI Foundry), który obejmuje też dawne Azure OpenAI.

Często spotykane zestawienie Bedrocka z Azure Machine Learning jest mylące. Azure ML służy do klasycznego uczenia maszynowego i MLOps, czyli budowania, trenowania i wdrażania własnych modeli. Jego odpowiednikiem w AWS jest Amazon SageMaker AI, a nie Bedrock.

Tak wypadają trzy platformy generatywnej AI:

	Amazon Bedrock	Gemini Enterprise Agent Platform (dawniej Vertex AI)	Microsoft Foundry
Chmura	AWS	Google Cloud	Azure
Własne modele dostawcy chmury	Amazon Nova	Gemini	modele Microsoftu, ścisła współpraca z OpenAI
Modele innych firm	Claude, GPT, Grok, Llama, Mistral, DeepSeek, Qwen i inne	Claude, Llama, Mistral i inne w Model Garden	OpenAI, Anthropic, Meta i inne (ponad 10 000 modeli)
Agenci	AgentCore	Agent Platform	Foundry Agent Service

Bedrock wyróżnia się szerokim wyborem modeli z czołówki w jednym miejscu: od 2026 roku obok Claude są tam także GPT i Grok. Nie ma za to modeli Gemini, od Google dostępne są tylko otwarte modele Gemma. Platforma Google mocniej łączy się z modelami Gemini i analityką w BigQuery, a Microsoft Foundry z usługami Azure i tożsamością Microsoft Entra.

W praktyce wybór zależy głównie od tego, w której chmurze firma już pracuje, i od modeli, których potrzebuje. Dane, uprawnienia i rozliczenia zostają wtedy w jednym miejscu, a przy wdrożeniach firmowych to zwykle waży więcej niż różnice w funkcjach.

Jak Amazon Bedrock dba o bezpieczeństwo danych?

AWS deklaruje kilka zasad, które są kluczowe dla firm:

prompty i odpowiedzi nie są używane do trenowania modeli i nie trafiają do ich dostawców,
dane są szyfrowane w tranzycie (TLS 1.2 lub nowszy) i w spoczynku, także własnymi kluczami w AWS KMS,
ruch między twoją siecią w AWS (VPC) a Bedrockiem może omijać publiczny internet dzięki AWS PrivateLink,
dostęp do modeli i funkcji kontrolujesz przez IAM, a w całej organizacji przez polityki SCP. Wywołania API rejestruje CloudTrail,
usługa jest objęta m.in. RODO, certyfikacjami ISO, SOC, CSA STAR i niemieckim C5, a w USA spełnia wymogi HIPAA i FedRAMP.

Jedno zastrzeżenie warto znać w 2026 roku. Część modeli wymaga przechowywania danych przez AWS. W niektórych modelach, m.in. GPT od OpenAI, AWS może zatrzymywać zapytania na potrzeby wykrywania nadużyć. Modele Claude Fable 5 i 5.1 działają tylko w trybie, w którym prompty i odpowiedzi są przechowywane do 30 dni i mogą zostać przejrzane przez AWS. Dane nadal nie trafiają do dostawców modeli. Tryb przechowywania (data retention) ustawiasz dla konta w danym regionie. W trybie zerowej retencji modele wymagające przechowywania są po prostu niedostępne.

Firmom z wymaganiami co do lokalizacji danych przydadzą się profile Geo EU (przetwarzanie zostaje w Unii) i uruchomiona w styczniu 2026 roku AWS European Sovereign Cloud w Brandenburgii. Bedrock działa także tam, choć z dużo mniejszym wyborem modeli.

Guardrails to warstwa zasad nakładana na rozmowę z modelem. Pozwala ustawić:

filtry treści (nienawiść, obelgi, treści seksualne, przemoc, nadużycia) dla tekstu i obrazów, razem z wykrywaniem ataków na prompt, takich jak prompt injection,
tematy zakazane, o których aplikacja nie ma rozmawiać, oraz filtry konkretnych słów,
wykrywanie i maskowanie danych osobowych (PII),
kontrolę osadzenia w źródłach (contextual grounding), która wyłapuje odpowiedzi niezgodne z dostarczonymi dokumentami,
Automated Reasoning checks, czyli matematyczną weryfikację odpowiedzi względem zapisanych reguł, np. firmowej polityki.

Guardrails działają nie tylko z modelami Bedrocka. Przez API ApplyGuardrail sprawdzisz dowolny tekst, także z modeli działających poza AWS. Od kwietnia 2026 roku administrator może też wymusić te same zabezpieczenia na wszystkich kontach w organizacji.

Jak monitorować wydajność modeli w Amazon Bedrock?

Bieżący monitoring zapewnia Amazon CloudWatch. Bedrock automatycznie publikuje tam metryki, m.in.:

liczbę wywołań, błędów i zapytań odrzuconych z powodu limitów (throttling),
opóźnienie odpowiedzi i czas do pierwszego tokena,
liczbę tokenów wejściowych, wyjściowych i odczytanych z cache,
szacowane zużycie limitu tokenów na minutę.

Na tej podstawie ustawisz alarmy, np. gdy rośnie liczba odrzuceń albo wydłuża się czas odpowiedzi. CloudWatch ma też gotowy pulpit Generative AI observability dla aplikacji i agentów AI.

Treść zapytań i odpowiedzi możesz zapisywać przez model invocation logging do CloudWatch Logs albo S3. Ta funkcja jest domyślnie wyłączona. Zanim ją włączysz, ustal, kto będzie miał dostęp do logów, bo trafiają do nich pełne prompty. Działania agentów śledzi AgentCore Observability, która zapisuje każdy krok w standardzie OpenTelemetry.

Jakość odpowiedzi to osobna sprawa. Służy do tego Amazon Bedrock Evaluations, działające w trzech trybach:

automatycznym - z metrykami dokładności, odporności i toksyczności, na gotowych lub własnych zbiorach danych,
LLM-as-a-judge - inny model ocenia odpowiedzi pod kątem m.in. poprawności, kompletności, wierności źródłom, przydatności oraz profesjonalnego stylu i tonu,
z udziałem ludzi - odpowiedzi oceniają twoi pracownicy według ustalonych kryteriów.

Osobno ocenisz system RAG: czy wyszukane fragmenty pasują do pytania i czy odpowiedź poprawnie cytuje źródła. Ewaluacja przydaje się zwłaszcza przy wyborze modelu i przed podmianą wersji modelu w działającej aplikacji.

Jakie limity obowiązują w Amazon Bedrock?

Każde konto AWS ma limity (quotas), które chronią wydajność usługi. W Bedrocku najważniejsze są:

TPM (tokens per minute) - liczba tokenów na minutę, osobno dla każdego modelu i regionu. Tokeny wejściowe i wyjściowe trafiają do jednej puli,
RPM (requests per minute) - liczba zapytań na minutę, tylko w części modeli,
dzienny limit tokenów dla wszystkich modeli łącznie, domyślnie 700 mln na region.

Przy nowszych modelach Claude i GPT trzeba uwzględnić tzw. burndown rate: tokeny wyjściowe liczą się do limitu TPM z mnożnikiem, np. 5 razy w Claude Sonnet 4.6 i 10 razy w Claude Opus 5.5 czy GPT-5.6. Na starcie każdego zapytania Bedrock rezerwuje z limitu tokeny wejściowe plus wartość parametru max_tokens, a niewykorzystaną część oddaje dopiero po zakończeniu odpowiedzi. Zawyżony max_tokens szybciej wyczerpuje limit, więc ustawiaj go realistycznie. Tokeny odczytane z cache do limitów się nie wliczają.

Wysokość limitów zależy od modelu i regionu. Profile cross-region mają osobne, zwykle dwa razy wyższe limity niż wywołania w jednym regionie. Nowe konta mogą dostać wartości niższe od tych z dokumentacji, bo AWS bierze pod uwagę wiek konta oraz historię użycia i płatności.

Wyższy limit zamówisz w konsoli Service Quotas. Limity nie rosną automatycznie, a AWS chętniej podnosi je kontom, które faktycznie wykorzystują obecny przydział.

Jak można automatyzować zadania w Amazon Bedrock?

Do automatyzacji służą przede wszystkim agenci AI, czyli aplikacje, w których model sam planuje kolejne kroki, wywołuje narzędzia (API, bazy danych, przeglądarkę) i sprawdza wyniki, aż wykona zadanie.

Tu w 2026 roku nastąpiła największa zmiana na platformie. Funkcja Agents for Amazon Bedrock, opisywana w większości poradników, nazywa się dziś Amazon Bedrock Agents Classic i od 30 lipca 2026 roku działa w trybie utrzymania. Nie przyjmuje nowych klientów i nie dostaje nowych funkcji ani modeli. Konta, które korzystały z niej w ostatnich 12 miesiącach, mogą jej używać dalej, ale AWS zaleca przejście na AgentCore.

Amazon Bedrock AgentCore (ogólnodostępny od października 2025 roku) to zestaw usług do budowania i uruchamiania agentów w produkcji. Działa z dowolnym frameworkiem, np. Strands Agents, LangGraph, CrewAI, LlamaIndex, OpenAI Agents SDK czy Claude Agent SDK, i z dowolnym modelem, także spoza Bedrocka. Najważniejsze elementy:

Harness - zarządzana pętla agenta. Deklarujesz model, narzędzia i instrukcje, a resztą zajmuje się AgentCore. To zalecany punkt startu,
Runtime - izolowane środowisko uruchomieniowe. Pojedyncza sesja może trwać do 8 godzin, a w trybie Instances nawet do 14 dni,
Memory - pamięć krótko- i długoterminowa agenta,
Gateway - zamienia istniejące API i funkcje Lambda w narzędzia dostępne przez protokół MCP,
Identity - zarządza tożsamością agenta i jego dostępem do zewnętrznych usług w imieniu użytkownika,
Browser i Code Interpreter - przeglądarka oraz piaskownica do uruchamiania kodu,
Observability, Evaluations i Policy - śledzenie działań agenta, ocena jakości i reguły określające, co agentowi wolno.

Prostsze procesy wieloetapowe, bez autonomicznego agenta, złożysz w Amazon Bedrock Flows, wizualnym edytorze łączącym prompty, bazy wiedzy i funkcje Lambda. Klasyczną automatyzację zdarzeniową zapewniają AWS Lambda (kod uruchamiany w reakcji na zdarzenie, np. nowy plik albo wiadomość) i Step Functions (sekwencje kroków z obsługą błędów i ponowień). Wywołanie modelu z Bedrocka staje się wtedy jednym z kroków większego procesu.

Jakie są opcje personalizacji aplikacji AI z Amazon Bedrock?

Model z katalogu możesz dopasować do firmy na kilka sposobów, od najtańszego do najbardziej pracochłonnego:

Prompt engineering - dobrze napisane instrukcje i przykłady w prompcie. To pierwszy krok, który często wystarcza. Prompty z wersjami i zmiennymi przechowasz w Prompt Management.
RAG (Retrieval Augmented Generation) - model odpowiada na podstawie twoich dokumentów, wyszukiwanych w chwili zapytania. W Bedrocku służą do tego Knowledge Bases.
Dostrajanie (fine-tuning) - trenowanie modelu na twoich przykładach, gdy chodzi o styl, format odpowiedzi albo specjalistyczne zadanie.
Import własnego modelu - wgranie wag modelu wytrenowanego poza Bedrockiem.

Knowledge Bases występują dziś w dwóch odmianach. Managed Knowledge Base (od czerwca 2026 roku) to wariant, w którym AWS zarządza wszystkim: dzieleniem dokumentów, embeddingami, indeksem i rerankingiem. Podłączasz źródła, np. S3, SharePoint, Confluence, Google Drive, OneDrive, Salesforce, Zendesk albo stronę WWW, a baza sama się synchronizuje. Obsługuje też obrazy, audio i wideo, a wyniki filtruje według uprawnień użytkownika do dokumentów. W wariancie customer-managed wybierasz własną bazę wektorową, np. Amazon S3 Vectors, OpenSearch Serverless, Aurora PostgreSQL, Pinecone albo Neptune Analytics (GraphRAG). Knowledge Bases odpowiadają też na pytania o dane w hurtowni, zamieniając pytanie w zapytanie SQL.

Dostrajanie obejmuje trzy metody:

supervised fine-tuning - klasyczny trening na parach „polecenie i wzorcowa odpowiedź”,
reinforcement fine-tuning (od grudnia 2025 roku) - model uczy się na podstawie ocen swoich odpowiedzi, wystawianych przez funkcję albo model-sędziego. Obsługuje m.in. Nova 2 Lite, gpt-oss-20b i Qwen3 32B,
destylacja - duży model „nauczyciel” generuje dane, na których uczy się mniejszy i tańszy model.

Część dostosowanych modeli, m.in. Nova i modele po reinforcement fine-tuningu, uruchomisz w trybie on-demand z opłatą za tokeny. Pozostałe wymagają wykupienia Provisioned Throughput.

Custom Model Import pozwala wgrać wagi modeli o otwartej architekturze (m.in. Llama, Mistral, Qwen i gpt-oss) w formacie Hugging Face. Taki model działa bezserwerowo, a ty płacisz tylko za czas, w którym obsługuje zapytania. Po 5 minutach bez ruchu sam się wyłącza, a ponowne uruchomienie trwa kilkadziesiąt sekund.

Jak budować chatbota z Amazon Bedrock?

Chatbot na Bedrocku składa się z kilku elementów:

Model. Do rozmów z klientami dobrze sprawdzają się np. Claude Sonnet i Haiku albo modele GPT. Przy dużym ruchu i prostych pytaniach przetestuj też tańsze modele, np. Nova 2 Lite. Porównaj je w playgroundzie na własnych przykładach.
Logika rozmowy. Converse API przyjmuje historię wiadomości i instrukcję systemową, w której opisujesz rolę bota, ton i zakres tematów. Historię rozmowy przechowuje twoja aplikacja (np. w bazie DynamoDB) albo AgentCore Memory.
Wiedza firmowa. Żeby bot odpowiadał na pytania o produkty, cennik czy procedury, podłącz Knowledge Base. Bot wyszuka wtedy pasujące fragmenty dokumentów i odpowie na ich podstawie, z odnośnikami do źródeł.
Zabezpieczenia. Guardrails zablokują tematy spoza zakresu, odfiltrują szkodliwe treści i zamaskują dane osobowe.
Interfejs. Najczęściej backend to funkcja Lambda wystawiona przez API Gateway, a odpowiedź trafia do widżetu na stronie strumieniowo, żeby użytkownik nie czekał na całość.
Monitoring. Metryki w CloudWatch i ocena odpowiedzi w Evaluations pokażą, czy bot odpowiada trafnie.

Jeśli chatbot ma nie tylko odpowiadać, ale też działać, np. sprawdzać status zamówienia albo umawiać wizyty, zbuduj go jako agenta w AgentCore i podłącz firmowe systemy jako narzędzia. Do asystentów głosowych AWS przygotował model Nova 2 Sonic, który prowadzi rozmowę głosową w czasie rzeczywistym. Długą instrukcję systemową i stałe dokumenty warto objąć prompt cachingiem, bo powtarzają się w każdym zapytaniu.

Opinie o Amazon Bedrock i jego przyszłość

Bedrock ma mocne strony, które doceniają zwłaszcza firmy pracujące już w AWS:

dostęp do wielu czołowych modeli (Claude, GPT, Grok, Nova i kilkanaście rodzin otwartych) bez osobnych umów z każdym dostawcą,
dane zostają w środowisku AWS, nie służą do trenowania modeli i nie trafiają do ich dostawców,
komplet narzędzi produkcyjnych: RAG, Guardrails, ewaluacja, agenci i monitoring,
integracja z usługami, których firma i tak używa (IAM, S3, Lambda, CloudWatch), i jeden rachunek za wszystko.

Ma też słabsze strony:

złożony cennik: poziomy obsługi, profile regionalne, mnożniki limitów i opłaty za usługi dodatkowe utrudniają przewidzenie kosztów,
niskie domyślne limity na nowych kontach, które trzeba podnosić wnioskami,
różna dostępność modeli i funkcji w regionach, a część nowości trafia najpierw do USA,
szybkie zmiany: modele są regularnie wycofywane, a całe usługi potrafią przejść w tryb utrzymania, jak Agents Classic,
próg wejścia dla osób spoza AWS, bo IAM, regiony i limity wymagają nauki,
brak modeli Gemini.

Kierunek rozwoju widać wyraźnie. AWS stawia na agentów (AgentCore co kilka miesięcy dostaje nowe komponenty), na zgodność z API OpenAI i Anthropic, dzięki której łatwo przenieść istniejący kod, oraz na otwieranie katalogu dla kolejnych dostawców, także bezpośrednich konkurentów, takich jak OpenAI. Bedrock jest dziś bardziej platformą do budowania kompletnych systemów AI niż samym dostępem do modeli. Dla firm, które już działają w AWS, to zwykle najprostsza droga do wdrożenia generatywnej AI. Warto tylko od początku projektować aplikację tak, żeby wymiana modelu na nowszy nie wymagała przepisywania kodu.