Promptfoo项目中的Bedrock Provider配置增强解析
2025-06-03 12:31:10作者:吴年前Myrtle
在Promptfoo项目的使用过程中,开发者发现了一个关于AWS Bedrock服务提供商的配置问题。该问题影响了结构化JSON输出的功能实现,值得深入分析其技术背景和解决方案。
问题背景
AWS Bedrock作为大语言模型的托管服务,在Promptfoo中被实现为一个Provider(服务提供商)。当前实现存在一个关键限制:当prompt函数返回额外配置时,Bedrock Provider无法正确识别和使用这些配置参数。
具体表现为:
- 开发者无法通过prompt函数传递"tools"和"tool_choice"等配置项
- 直接影响了对Anthropic模型的结构化JSON输出功能的测试
- 返回的prompt对象中的config部分被忽略
技术细节分析
在典型使用场景中,开发者期望通过以下方式配置结构化输出:
prompt: (vars: any) => {
return {
prompt: // 消息列表,
config: {
tools: [{
name: 'json',
description: '以JSON对象响应',
input_schema: jsonSchema,
}],
tool_choice: {
name: 'json',
type: 'tool',
},
},
}
}
然而,当前的AwsBedrockCompletionProvider.callApi实现仅接收prompt字符串,而忽略了上下文中的配置对象。这导致关键的模型控制参数无法传递到底层API调用。
解决方案实现
核心修改点在于增强Provider对完整prompt对象的处理能力:
- 修改API调用接口,使其接收完整的prompt对象而不仅是字符串
- 从prompt对象中提取config配置
- 将配置参数合并到最终的API请求参数中
- 确保不影响现有简单字符串prompt的使用场景
这种改进保持了向后兼容性,同时为高级用户提供了更灵活的配置方式。
技术意义
这一改进具有多方面价值:
- 功能完整性:完整支持Anthropic模型的结构化输出特性
- 测试能力增强:使得基于JSON Schema的输出验证成为可能
- 配置灵活性:为未来可能的其他配置项提供了扩展基础
- 开发体验:保持配置方式在不同Provider间的一致性
最佳实践建议
对于需要使用结构化输出的开发者,建议:
- 明确定义JSON Schema以确保输出格式符合预期
- 在prompt函数中完整声明tools和tool_choice配置
- 测试时验证输出是否确实符合指定的JSON结构
- 考虑在不同环境(开发/测试/生产)中使用一致的配置方式
该改进已随Promptfoo 0.112.5版本发布,开发者可以立即体验增强后的Bedrock Provider功能。
登录后查看全文
热门项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
最新内容推荐
电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 开源电子设计自动化利器:KiCad EDA全方位使用指南 Jetson TX2开发板官方资源完全指南:从入门到精通 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 基恩士LJ-X8000A开发版SDK样本程序全面指南 - 工业激光轮廓仪开发利器 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Python案例资源下载 - 从入门到精通的完整项目代码合集 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
222
238
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
671
156
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
661
312
React Native鸿蒙化仓库
JavaScript
261
322
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
859
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217