一个团队希望在 Amazon Bedrock 上使用运行开源 LLM 的检索增强生成 (RAG)。RAG 源文档（CSV 和 DOCX 文件）存储在 S3 存储桶中。哪种方法所需的运维开销最少，可以实现对这些文件的 RAG？

正确答案是为 Amazon Bedrock 创建知识库，并配置引用 S3 存储桶的数据源，然后使用 Amazon Bedrock API 执行 RAG 查询。Amazon Bedrock 的知识库功能专门设计用于支持 RAG 工作负载，它能直接与 S3 存储桶集成，自动处理文档的摄取、分块、向量化和检索，从而最大限度地减少运维开销。 选项 A 涉及创建新模型，这与 RAG 的目的不符，RAG 旨在利用现有 LLM 结合外部知识，且运维开销更高。选项 B 建议使用 Amazon Neptune 存储向量，虽然可行，但 Bedrock 知识库提供了更集成、更简化的解决方案，运维开销更低。选项 C 描述了微调 LLM，这是一种不同的技术，主要用于调整模型行为，而不是有效地将外部文档引入 RAG 流程，并且部署 SageMaker 端点会增加额外的管理负担。