某團隊想在 Amazon Bedrock 上使用開源 LLM 搭配 Retrieval Augmented Generation (RAG)。RAG 的來源文件 (CSV 和 DOCX 檔案) 儲存在 S3 儲存貯體中。哪種方法所需的營運開銷最少，能讓這些檔案啟用 RAG？

正確答案是「為 Amazon Bedrock 建立知識庫。設定參考 S3 儲存貯體的資料來源。使用 Amazon Bedrock API 執行 RAG 查詢。」這是因為 Amazon Bedrock 的知識庫功能專為 RAG 設計，可以直接從 S3 儲存貯體攝取多種文件格式（包括 CSV 和 DOCX），並自動處理向量化和索引。這大幅減少了操作開銷，因為無需手動管理向量資料庫或建立複雜的資料管道。 其他選項的缺點： 在 Amazon SageMaker Pipelines 中建立管道以產生新模型：這涉及模型訓練和部署，對於僅需 RAG 的情況過於複雜且不必要。 將資料轉換為向量。將資料儲存在 Amazon Neptune 資料庫中。將資料庫連接到 Amazon Bedrock：Neptune 是圖形資料庫，不適合直接儲存向量嵌入，且需要額外的資料轉換和管理工作。 使用 Amazon SageMaker 中的 AutoML 任務微調現有的 LLM：微調模型是改變模型行為，而非為 RAG 提供外部知識來源。這也不是最少操作開銷的 RAG 解決方案。