Amplify CLI 中 Lambda 访问 DynamoDB 关联表的权限配置指南
背景介绍
在使用 AWS Amplify 开发应用时,开发者经常会遇到需要从 Lambda 函数访问 DynamoDB 关联表的情况。关联表(也称为连接表或关系表)是 Amplify 自动生成的用于处理多对多关系的 DynamoDB 表。然而,默认情况下,通过 Amplify CLI 创建 Lambda 函数时,无法直接选择这些关联表进行权限配置。
问题分析
当开发者尝试通过 CLI 为 Lambda 函数配置存储权限时,关联表不会出现在可选列表中。这导致 Lambda 函数无法直接访问这些表,即使开发者知道表名并尝试通过代码访问,也会遇到权限不足的错误。
解决方案
1. 使用 custom-policies.json 文件
Amplify 提供了通过 custom-policies.json 文件为 Lambda 函数添加自定义 IAM 权限的能力。该文件应放置在函数目录下(amplify/backend/function/<function-name>/)。
2. 配置示例
以下是一个典型的 custom-policies.json 配置示例,允许 Lambda 函数对关联表执行查询和扫描操作:
[
{
"Action": [
"dynamodb:Query",
"dynamodb:Scan"
],
"Effect": "Allow",
"Resource": [
"arn:aws:dynamodb:*:*:table/ClientProfiles-*-${env}"
]
}
]
3. 动态环境变量
注意示例中使用了 ${env} 占位符,Amplify 会自动将其替换为当前环境名称。这种动态引用方式确保了权限配置在不同环境(如开发、测试、生产)中的正确性。
实施建议
-
明确表名模式:关联表通常遵循
<Model1><Model2>-<env>的命名模式,开发者需要了解这个命名规则。 -
最小权限原则:只授予 Lambda 函数执行必要操作所需的最小权限,如示例中仅允许 Query 和 Scan 操作。
-
多环境支持:使用
${env}变量确保权限配置在不同环境中都能正确工作。 -
部署验证:修改权限配置后,务必重新部署并测试 Lambda 函数以确保权限生效。
总结
通过 custom-policies.json 文件为 Lambda 函数添加自定义 IAM 权限是解决关联表访问问题的有效方法。开发者需要理解 DynamoDB 关联表的命名规则,并遵循 AWS 的安全最佳实践来配置权限。这种方法不仅适用于关联表,也可以用于其他需要自定义权限的场景。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
Spark-Prover-X1-7BSpark-Prover-X1-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer-X1-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00