Bedrock Knowledge Basesの作り方｜boto3でRAG構築

Amazon Bedrock Knowledge Bases（ナレッジベース）は、S3 などに置いた社内文書を、分割（チャンキング）・ベクトル化（エンベディング）・保存・検索まで AWS 側で受け持つ、RAG（検索拡張生成）の仕組みです。 作る手順は「ナレッジベース → データソース → 取り込み（同期）→ 検索」の4段階です。

作る・管理する API は bedrock-agent、検索する API は bedrock-agent-runtime と、クライアントが分かれています。 モデルを呼ぶ bedrock-runtime とも別です。

確認環境：boto3 1.43.112（botocore 1.43.112）、Python 3.11。AWS には接続せず、botocore に入っている bedrock-agent（API 版 2023-06-05、79 操作）と bedrock-agent-runtime（API 版 2023-07-26、35 操作）のサービス定義を読み、下のコードを botocore.stub.Stubber で実行して、リクエストの形と、送る前の検証エラーを確かめました。チャンキング・ベクトルストア・料金・応答の中身の意味は、AWS のドキュメントと料金ページで確かめています（確認日 2026年10月13日）。

全体の仕組み

[S3 の文書] --取り込み--> [パース] -> [チャンキング] -> [エンベディングモデル] -> [ベクトルストア]
                                                                                     |
[質問] -> [エンベディング] -> [ベクトルストアを検索] -> 上位 N 件のチャンク ------------+
                                    |
                    retrieve はここで返す / retrieve_and_generate は LLM に渡して答えを作る

エンベディングとベクトル検索の考え方は、関連記事「エンベディングとは？ベクトル検索とコサイン類似度を計算例で解説」で扱っています。

ナレッジベースの種類（boto3 の定義）

create_knowledge_base の knowledgeBaseConfiguration.type に入る値は4つでした。

ドキュメントでは、マネージド型（MANAGED）は Amazon Bedrock AgentCore が保存・インデックス・検索のインフラを管理し、既定ではエンベディングモデルの選択も要らないと説明されています。検索のときは vectorSearchConfiguration ではなく managedSearchConfiguration を使います。

① ナレッジベースを作る（S3 Vectors の例）

import boto3

REGION = "ap-northeast-1"
ACCOUNT = "123456789012"
agent = boto3.client("bedrock-agent", region_name=REGION)

kb = agent.create_knowledge_base(
    name="rjc-docs-kb",
    roleArn=f"arn:aws:iam::{ACCOUNT}:role/BedrockKBRole",
    knowledgeBaseConfiguration={
        "type": "VECTOR",
        "vectorKnowledgeBaseConfiguration": {
            "embeddingModelArn": f"arn:aws:bedrock:{REGION}::foundation-model/amazon.titan-embed-text-v2:0",
            "embeddingModelConfiguration": {
                "bedrockEmbeddingModelConfiguration": {"dimensions": 1024, "embeddingDataType": "FLOAT32"}
            },
        },
    },
    storageConfiguration={
        "type": "S3_VECTORS",
        "s3VectorsConfiguration": {
            "vectorBucketArn": f"arn:aws:s3vectors:{REGION}:{ACCOUNT}:bucket/rjc-vectors",
            "indexName": "rjc-docs-index",
        },
    },
)
kb_id = kb["knowledgeBase"]["knowledgeBaseId"]
print(kb_id, kb["knowledgeBase"]["status"])     # 作成直後は CREATING

Stubber で実行すると、上のパラメーターは検証を通り、create_knowledge_base: KB12345678 CREATING と表示されました（ID と状態は Stubber に入れた値です）。

ナレッジベースの状態（status）は、CREATING・ACTIVE・DELETING・UPDATING・FAILED・DELETE_UNSUCCESSFUL・UPDATE_UNSUCCESSFUL の7つでした。

ベクトルストアの選択肢

storageConfiguration.type に入る値は8つです。注意点は AWS のドキュメント「Supported vector stores」からまとめました。

Aurora PostgreSQL の pgvector を自分で扱う方法は、関連記事「pgvectorの使い方｜PostgreSQLでベクトル検索をコピペで構築」で扱っています。

IAM ロール（サービスロール）

ナレッジベースが使うロールの信頼ポリシーです（ドキュメントの例をもとに、リージョンを東京にしています）。

{
  "Version": "2012-10-17",
  "Statement": [{
    "Effect": "Allow",
    "Principal": {"Service": "bedrock.amazonaws.com"},
    "Action": "sts:AssumeRole",
    "Condition": {
      "StringEquals": {"aws:SourceAccount": "123456789012"},
      "ArnLike": {"AWS:SourceArn": "arn:aws:bedrock:ap-northeast-1:123456789012:knowledge-base/*"}
    }
  }]
}

ドキュメントでは、作成後に knowledge-base/* の * を実際の ID に絞ることが勧められています。

② データソースをつなぎ、チャンキングを決める

ds = agent.create_data_source(
    knowledgeBaseId=kb_id,
    name="rjc-docs-s3",
    dataSourceConfiguration={
        "type": "S3",
        "s3Configuration": {
            "bucketArn": "arn:aws:s3:::rjc-docs-bucket",
            "inclusionPrefixes": ["manuals/"],
        },
    },
    vectorIngestionConfiguration={
        "chunkingConfiguration": {
            "chunkingStrategy": "FIXED_SIZE",
            "fixedSizeChunkingConfiguration": {"maxTokens": 300, "overlapPercentage": 20},
        }
    },
    dataDeletionPolicy="DELETE",
)
ds_id = ds["dataSource"]["dataSourceId"]

チャンキングの設定は、データソースを作るときに決めます。 S3 コネクタのドキュメントに「データソースにつないだあとでチャンキング戦略は変えられない」とあります。

チャンキング戦略の一覧

ドキュメントの説明で、選ぶときに効くものです。

チャンクの大きさと検索の精度の関係は、関連記事「RAGの精度改善の方法一覧｜原因の切り分けと評価指標の計算」で扱っています。

パース（文書の読み取り方）

parsingConfiguration.parsingStrategy の値は、BEDROCK_FOUNDATION_MODEL（基盤モデルで表や図も読む）・BEDROCK_DATA_AUTOMATION・SMART_PARSING・MULTI_MODAL_EMBEDDINGS の4つでした。指定しないときは、ドキュメントの「Amazon Bedrock default parser」が使われます。.txt・.md・.html・.doc/.docx・.xls/.xlsx・.pdf のテキストだけを読み、利用料はかかりません。図や表を含む文書には、Bedrock Data Automation か基盤モデルでのパースが勧められています。

③ 取り込み（同期）を実行する

start_ingestion_job は開始するだけで、すぐ返ります。 boto3 の bedrock-agent にはウェイター（終わるまで待つ機能）がなかったので、get_ingestion_job で状態を見ます。

import time

job = agent.start_ingestion_job(knowledgeBaseId=kb_id, dataSourceId=ds_id)["ingestionJob"]
while job["status"] in ("STARTING", "IN_PROGRESS"):
    time.sleep(10)
    job = agent.get_ingestion_job(
        knowledgeBaseId=kb_id, dataSourceId=ds_id, ingestionJobId=job["ingestionJobId"]
    )["ingestionJob"]
print(job["status"], job.get("statistics"))

statistics には、次のキーが入ります（値は Stubber に入れたものです）。

{'numberOfDocumentsScanned': 12, 'numberOfMetadataDocumentsScanned': 0,
 'numberOfNewDocumentsIndexed': 12, 'numberOfModifiedDocumentsIndexed': 0,
 'numberOfMetadataDocumentsModified': 0, 'numberOfDocumentsDeleted': 0, 'numberOfDocumentsFailed': 0}

S3 の文書を変えても、同期し直すまで検索結果には反映されません。 定期的に同期するなら、スケジュール実行（EventBridge Scheduler と Lambda など）から start_ingestion_job を呼ぶ方法があります。文書を直接インデックスに入れる ingest_knowledge_base_documents もあり、ドキュメントでは S3 と CUSTOM のデータソースが対象で、CUSTOM なら同期は要らないとされています（S3 では、S3 側も同じように変えないと次の同期で上書きされます）。

④a retrieve：検索だけする

rt = boto3.client("bedrock-agent-runtime", region_name=REGION)

res = rt.retrieve(
    knowledgeBaseId=kb_id,
    retrievalQuery={"text": "有給休暇の申請方法は？"},
    retrievalConfiguration={
        "vectorSearchConfiguration": {
            "numberOfResults": 5,
            "overrideSearchType": "HYBRID",
            "filter": {"equals": {"key": "department", "value": "hr"}},
        }
    },
)
for r in res["retrievalResults"]:
    print(r["score"], r["location"]["s3Location"]["uri"], r["content"]["text"][:50])

Stubber で実行した表示です（値は Stubber に入れたもの）。

0.71 s3://rjc-docs-bucket/manuals/hr.pdf 有給休暇は勤怠システムから3日前までに申請します。

リクエストの形

応答の形

{
  "retrievalResults": [
    {
      "content": {"type": "TEXT", "text": "有給休暇は勤怠システムから3日前までに申請します。"},
      "location": {"type": "S3", "s3Location": {"uri": "s3://rjc-docs-bucket/manuals/hr.pdf"}},
      "score": 0.71,
      "metadata": {"x-amz-bedrock-kb-source-uri": "s3://rjc-docs-bucket/manuals/hr.pdf", "department": "hr"},
    }
  ],
  "guardrailAction": "NONE",     # ガードレールを付けたとき INTERVENED / NONE
  "nextToken": "…",
}

content.type は TEXT・IMAGE・ROW・AUDIO・VIDEO、location.type は S3・WEB・CONFLUENCE・SHAREPOINT・SQL など10種類が定義されていました。

メタデータで絞り込む filter の一覧

S3 の文書と同じフォルダに ファイル名.拡張子.metadata.json（10KB まで）を置くと、そのキーで絞り込めます（S3 コネクタのドキュメントの方法）。

{
  "metadataAttributes": {
    "department": {"value": {"type": "STRING", "stringValue": "hr"}, "includeForEmbedding": false},
    "year": {"value": {"type": "NUMBER", "numberValue": 2026}, "includeForEmbedding": false}
  }
}

"filter": {"andAll": [
    {"equals": {"key": "department", "value": "hr"}},
    {"greaterThanOrEquals": {"key": "year", "value": 2025}},
]}

④b retrieve_and_generate：検索して答えを作る

MODEL_ARN = "<回答に使うモデルの ARN（基盤モデルか推論プロファイル）>"

res = rt.retrieve_and_generate(
    input={"text": "有給休暇の申請方法は？"},
    retrieveAndGenerateConfiguration={
        "type": "KNOWLEDGE_BASE",
        "knowledgeBaseConfiguration": {
            "knowledgeBaseId": kb_id,
            "modelArn": MODEL_ARN,
            "retrievalConfiguration": {"vectorSearchConfiguration": {"numberOfResults": 5}},
            "generationConfiguration": {
                "promptTemplate": {
                    "textPromptTemplate": "次の検索結果だけを使って答えてください。\n$search_results$\n質問: $query$"
                }
            },
        },
    },
)
print(res["output"]["text"])
for c in res["citations"]:
    for ref in c["retrievedReferences"]:
        print(ref["location"]["s3Location"]["uri"])

# 続けて質問するときは sessionId を渡す
res2 = rt.retrieve_and_generate(sessionId=res["sessionId"], input={"text": "何日前まで？"},
                                retrieveAndGenerateConfiguration={...})

応答の形

{
  "sessionId": "sess-1",
  "output": {"text": "勤怠システムから3日前までに申請します。"},
  "citations": [
    {
      "generatedResponsePart": {"textResponsePart": {"text": "…", "span": {"start": 0, "end": 20}}},
      "retrievedReferences": [
        {"content": {"text": "…"}, "location": {"type": "S3", "s3Location": {"uri": "s3://…/hr.pdf"}}}
      ],
    }
  ],
  "guardrailAction": "NONE",
}

citations は、答えのどの部分（span）が、どの文書（retrievedReferences）に基づくかの対応です。 画面で出典を表示するときに使います。

プロンプトテンプレートで使える置き換え文字（ドキュメント）です。

retrieve と retrieve_and_generate の使い分け

retrieve の結果を自分で Converse API に渡す方法は、関連記事「Bedrock Python入門｜Converse APIでClaudeを呼ぶ」で扱っています。RAG を自前で組む場合との違いは、関連記事「RAGの作り方｜Pythonで動かす最小構成と精度の上げ方」で扱っています。

送る前に止まるエラー（ParamValidationError）

boto3 は、送る前にサービス定義で引数を検査します。Stubber で確かめたエラー文です。

最小値と型と必須は手元で止まりますが、列挙値（enum）の間違いはそのまま AWS に送られました。 AWS 側のエラー（ValidationException など）は ClientError で受け取ります。扱い方は、関連記事「boto3のエラーハンドリング｜ClientErrorのコード取得とリトライ設定」で扱っています。

料金の考え方

ナレッジベース（VECTOR 型）は、使った部品ごとに料金がかかります。 料金ページ（Amazon Bedrock pricing）の記載からまとめました。

マネージド型（MANAGED）は、料金ページに次の単価が載っていました。

試したあとは、ナレッジベースとは別に、自分で作ったベクトルストア（OpenSearch Serverless のコレクションなど）も消したかを確かめます。

よくある質問

Q. 対応しているファイル形式は？ A. ドキュメントでは、.txt・.md・.html・.doc/.docx・.csv・.xls/.xlsx・.pdf が挙げられ、1ファイル 50MB が上限（クォータ）です。

Q. 日本語の文書でも使えますか。 A. 多言語に対応したエンベディングモデル（Titan Text Embeddings V2・Cohere Embed Multilingual など）を選びます。ドキュメントの次元数の表では、Titan V2 は 1,024・512・256、Cohere Embed Multilingual は 1,024 です。

Q. LangChain や LlamaIndex から使えますか。 A. どちらにも Bedrock のナレッジベースを検索するための部品（Retriever）があります。LlamaIndex の使い方は、関連記事「LlamaIndex入門｜PythonでRAGを作るコピペ集」で扱っています。

まとめ

• 作る・同期は bedrock-agent、検索は bedrock-agent-runtime。手順は KB → データソース → 取り込み → 検索
• ベクトルストアは 8種類。S3 Vectors は浮動小数のみ・メタデータ 1KB、ハイブリッド検索は RDS・OpenSearch Serverless・MongoDB
• チャンキングは 既定約300トークン、FIXED_SIZE・HIERARCHICAL・SEMANTIC・NONE。作成後は変えられない
• retrieve は チャンクとスコア、retrieve_and_generate は 答えと引用。件数の既定は 5件
• boto3 は 最小値・型・必須を送る前に検査するが、enum の間違いは AWS 側で弾かれる

参考・出典

確認日はいずれも 2026年10月13日です。

• Amazon Bedrock ユーザーガイド「Retrieve data and generate AI responses with Amazon Bedrock Knowledge Bases」：https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base.html
• Amazon Bedrock ユーザーガイド「How content chunking works for knowledge bases」：https://docs.aws.amazon.com/bedrock/latest/userguide/kb-chunking.html
• Amazon Bedrock ユーザーガイド「Supported vector stores」：https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base-setup.html
• Amazon Bedrock ユーザーガイド「Configure and customize queries and response generation」：https://docs.aws.amazon.com/bedrock/latest/userguide/kb-test-config.html
• Amazon Bedrock ユーザーガイド「Create a service role for Amazon Bedrock Knowledge Bases」：https://docs.aws.amazon.com/bedrock/latest/userguide/kb-permissions.html
• Amazon Bedrock ユーザーガイド「Create a managed knowledge base」：https://docs.aws.amazon.com/bedrock/latest/userguide/kb-managed-create.html
• Amazon Bedrock 料金：https://aws.amazon.com/bedrock/pricing/
• Boto3 ドキュメント「AgentsforBedrockRuntime」：https://docs.aws.amazon.com/boto3/latest/reference/services/bedrock-agent-runtime.html

株式会社RJC ― SI事業・SES事業・AI駆動開発。RJCは一緒に成長を楽しめる会社です。