Search

[07] 파이썬 코드 Hand-On 실습

생성일
2026/10/06 05:48
태그

1. 파이션 코드 테스트 진행

1번테스트 -> C:\awsbedrock\.env를 아래와 같이 만든다.
.env
JavaScript
복사
TEXT_REGION=us-east-1 IMAGE_REGION=us-west-2 TEXT_MODEL_ID=amazon.nova-lite-v1:0 IMAGE_MODEL_ID=stability.stable-image-core-v1:1
JavaScript
복사
pip install python-dotenv
JavaScript
복사
2번 테스트
01.config_test.py
JavaScript
복사
# -*- coding: utf-8 -*- import os from pathlib import Path from dotenv import load_dotenv # 1. Python 파일이 위치한 폴더 확인 BASE_DIR = Path(__file__).resolve().parent # 2. .env 파일 경로 ENV_FILE = BASE_DIR / ".env" print("현재 실행 파일:", __file__) print(".env 파일 경로:", ENV_FILE) print(".env 파일 존재:", ENV_FILE.is_file()) # 3. 환경변수 로드 if not ENV_FILE.is_file(): raise FileNotFoundError( f".env 파일이 없습니다: {ENV_FILE}" ) loaded = load_dotenv( dotenv_path=ENV_FILE, override=True ) print(".env 로드 결과:", loaded) # 4. 환경변수 출력 print("텍스트 리전:", os.getenv("TEXT_REGION")) print("이미지 리전:", os.getenv("IMAGE_REGION")) print("텍스트 모델:", os.getenv("TEXT_MODEL_ID")) print("이미지 모델:", os.getenv("IMAGE_MODEL_ID")) # 5. 설정 검증 names = [ "TEXT_REGION", "IMAGE_REGION", "TEXT_MODEL_ID", "IMAGE_MODEL_ID" ] missing = [name for name in names if not os.getenv(name)] if missing: print("설정 실패! 누락된 변수:", missing) else: print("설정 완료!")
JavaScript
복사
•
핵심은 텍스트와 이미지 생성에 서로 다른 모델을 사용한다는 점입니다.

2. AWSBedrock 에서 모델을 호출하는 두 가지 API 방식

첫째 : invoke_model()

둘째 : converse()

invoke_model() & converse() : AWS Bedrock 에서 모델을 호출하는 두 가지 API 방식

1) 먼저 핵심부터

•
invoke_model()과 converse()는 Python 프로그램에서 Amazon Bedrock이 AI 모델에게 질문을 보내는 방법 (API)
Python 프로그램 │ │ 질문: "AWS란 무엇인가요?" ▼ Amazon Bedrock │ ▼ AI 모델 │ ├── Amazon Nova ├── Claude ├── Llama └── 기타 모델
Plain Text
복사
이때 Python에서 Bedrock 모델을 호출하는 방법 중 대표적인 것이:
invoke_model()
Plain Text
복사
converse()
Plain Text
복사

2) 식당에 비유하면 쉽습니다

AWS Bedrock을 여러 나라 음식을 파는 식당이라고 생각해 보겠습니다.
Amazon Bedrock 식당 ├── Claude ├── Amazon Nova ├── Llama └── 기타 모델
Plain Text
복사
우리가 음식을 주문한다고 가정한다면

invoke_model()

각 나라음식 마다 주문 방법을 따로 배워야 하는 방식과 비슷합니다.
Claude 주문 방법 → Claude 방식 Nova 주문 방법 → Nova 방식 Llama 주문 방법 → Llama 방식
Plain Text
복사
모델마다 요청하는 JSON 형식을 알아야 합니다.

converse()

통합 주문서를 사용하는 것과 비슷합니다.
공통 주문서 │ ┌─────────┼─────────┐ ▼ ▼ ▼ Claude Nova Llama
Plain Text
복사
지원되는 모델이라면 비슷한 messages 구조로 대화할 수 있습니다.
그래서 초보자가 챗봇을 만들 때는 converse()가 이해하기 편합니다.

3) invoke_model()은 무엇인가?

invoke_model()은 모델의 고유한 입력 형식(Native request format) 을 이용하여 호출하는 방식입니다.
기본적인 모양은:
response = bedrock.invoke_model(modelId="모델-ID", body=body)
Plain Text
복사
여기서 중요한 것이:
body
Plain Text
복사
입니다.
body에 모델이 요구하는 형태의 JSON 데이터를 만들어 넣어야 합니다.
개념적으로:
사용자 질문 ↓ 모델에 맞는 JSON 작성 ↓ invoke_model() ↓ Bedrock ↓ AI 모델 ↓ 답변
Plain Text
복사

4) invoke_model()이 조금 어려운 이유

예를 들어 모델 A가 어떤 데이터를 요구한다고 가정해 보겠습니다.
{ "prompt": "안녕하세요" }
Plain Text
복사
그런데 모델 B는:
{ "messages": [ { "role": "user", "content": "안녕하세요" } ] }
Plain Text
복사
이와 같은 구조를 요구할 수 있습니다.
모델 A ↓ A 모델용 JSON 모델 B ↓ B 모델용 JSON
Plain Text
복사
이런 차이를 개발자가 알아야 합니다.
따라서 invoke_model()을 사용할 때는 현재 사용하는 모델의 요청/응답 형식을 AWS 문서에서 확인하는 습관이 중요

5) converse()는 무엇인가?

converse()는 Bedrock에서 지원하는 대화형 모델들을 공통된 대화 형식으로 호출하기 위한 API
대표적인 형태가:
import boto3 bedrock = boto3.client( "bedrock-runtime" ) response = bedrock.converse( modelId="모델-ID", messages=[ { "role": "user", "content": [ { "text": "AWS Bedrock이 무엇인가요?" } ] } ] )
Plain Text
복사
여기서 핵심은:
messages
Plain Text
복사

6) messages 가 무엇인가?

messages는 AI와 주고받는 대화내용이라고 생각하면 됩니다.
예를 들어:
사용자: 안녕하세요. AI: 안녕하세요. 무엇을 도와드릴까요? 사용자: AWS Bedrock이 무엇인가요?
Plain Text
복사
이런 대화를 프로그램에서는 messages 형태로 관리할 수 있습니다.
messages = [ { "role": "user", "content": [ {"text": "안녕하세요"} ] } ]
Plain Text
복사
여기서:
role
Plain Text
복사
누가 말했는가를 의미하고,
content
Plain Text
복사
무슨 말을 했는가를 의미합니다.

7) 그래서 converse 라는 이름을 사용합니다

converse라는 영어 자체가 대화하다 라는 의미입니다.
따라서:
bedrock.converse()
Plain Text
복사
보면 그냥 Bedrock 의 AI 모델과 대화한다. 라고 생각해도 되는 것이다.

8) 실제 코드도 비교해 보겠습니다

invoke_model 방식

개념적인 구조
import boto3 import json bedrock = boto3.client( "bedrock-runtime" ) body = { # 사용하는 모델에서 요구하는 # JSON 데이터를 작성 } response = bedrock.invoke_model( modelId="모델-ID", body=json.dumps(body) )
Plain Text
복사
핵심은:
body
Plain Text
복사
body 부분을 AI 모델에 맞게 작성해야 한다는 것입니다.

converse 방식

import boto3 bedrock = boto3.client( "bedrock-runtime" ) response = bedrock.converse( modelId="모델-ID", messages=[ { "role": "user", "content": [ { "text": "AWS Bedrock이 무엇인가요?" } ] } ] )
Plain Text
복사
이쪽은:
messages └── role └── content └── text
Plain Text
복사
라는 대화 중심 구조라고 이해하면 된다.

9) 그림으로 비교하면

invoke_model

사용자 │ │ 질문 ▼ Python │ │ │ 모델 전용 JSON 생성 ▼ invoke_model() │ ▼ Amazon Bedrock │ ▼ AI Model │ ▼ 답변
Plain Text
복사

converse

사용자 │ │ 질문 ▼ Python │ │ messages ▼ converse() │ ▼ Amazon Bedrock │ ▼ AI Model │ ▼ 답변
Plain Text
복사
가장 큰 차이는 중간 부분
invoke_model ↓ 모델별 요청 형식이 제 각각이다. converse ↓ 공통 messages 형식
Plain Text
복사

10) 모델을 변경할 때 차이가 더 잘 보입니다

예를 들어 처음에는 Claude를 사용하다가 나중에 Nova로 변경한다고 생각해 보겠습니다.

invoke_model

경우에 따라:
Claude ↓ Claude 요청 JSON ↓ invoke_model()
Plain Text
복사
Nova ↓ Nova 요청 JSON ↓ invoke_model()
Plain Text
복사
변경해야 합니다.
따라서 body 부분을 수정해야 할 가능성이 생기게 된다.

converse

Converse API를 지원하는 모델끼리라면:
messages ↓ converse() ↓ Claude
Plain Text
복사
messages ↓ converse() ↓ Nova
Plain Text
복사
처럼 기본 대화 구조를 유지하기 쉽다.

11) 차이점을 표로 정리

구분
invoke_model()
converse()
목적
모델 직접 호출
모델과 대화
난이도
상대적으로 높음
상대적으로 쉬움
입력 방식
모델별 JSON
공통 messages 구조
모델 변경
코드 변경 가능성이 큼
상대적으로 편함
챗봇
가능
매우 적합
여러 번 대화
직접 관리
messages로 관리하기 편함
Tool Calling
모델별 형식 고려
통합 Tool Use 구조 제공
초보자 학습
나중에 자세히
먼저 추천

12) 그렇다면 무조건 converse()를 사용하면 되나요?

쉽게 기억하면:
invoke_model() │ └── 모델 자체를 직접 다루고 싶다. 모델별 고유의 요청 형식을 사용한다. converse() │ └── AI와 대화하고 싶다. 공통 messages 형식을 사용한다.
Plain Text
복사
•
특히 모델의 고유 기능이나 native inference parameter를 직접 사용해야 한다면 invoke_model()을 접하게 됩니다.
•
반대로 일반적인 생성형 AI 채팅, 멀티턴 대화, Tool Use를 구현할 때는 converse()가 편리합니다.

13) 앞서 실행한 Streamlit 챗봇에는?

현재처럼:
사용자 ↓ Streamlit ↓ Python ↓ Amazon Bedrock ↓ Nova / Claude ↓ 답변
Plain Text
복사
형태의 챗봇을 구현한다면 converse() 구조를 이해하는 것이 좋다.
Streamlit ↓ 사용자 질문 ↓ messages ↓ bedrock.converse() ↓ Amazon Nova ↓ AI 답변 ↓ Streamlit 화면 출력
Plain Text
복사
이 흐름을 이해하고 나서 invoke_model()을 배우면 두 API의 차이가 훨씬 명확해집니다.
한 줄 암기법은 이것입니다.
invoke_model() = 모델별 형식으로 직접 호출 / converse() = 공통 메시지 형식으로 대화형 호출

3. invoke_model() & converse() 비교 테스트 진행

1) invoke_model_example.py

02_invoke_model_example.py
JavaScript
복사
•
핵심은 텍스트와 이미지 생성에 서로 다른 모델을 사용한다는 점입니다.
# ============================================================ # 01_invoke_model_example.py # # Amazon Bedrock - InvokeModel API 실습 # 모델: Amazon Nova Lite # # ============================================================ # # [수업 목표] # # 1. InvokeModel API가 무엇인지 이해합니다. # # 2. InvokeModel에서는 모델이 요구하는 Native JSON 형식을 # 개발자가 직접 만들어 전달한다는 것 # 3. Python Dictionary를 json.dumps()를 이용하여 # JSON 문자열로 변환 # 4. invoke_model()의 응답 Body를 직접 읽고 # json.loads()로 변환 # 5. Converse API와 어떤 차이가 있는지 비교합니다. # ============================================================ # 0. 필요한 라이브러리 Import # ============================================================ import os import json import boto3 from dotenv import load_dotenv from botocore.exceptions import ClientError, NoCredentialsError # ============================================================ # boto3 # ------------------------------------------------------------ # Python 프로그램에서 AWS 서비스를 사용하기 위한 # AWS SDK입니다. # Python # ↓ # boto3 # ↓ # AWS API # json # ------------------------------------------------------------ # Python 데이터와 JSON 데이터를 변환하기 위해 사용합니다. # # InvokeModel에서는 이 json 라이브러리가 매우 중요합니다. # # Python Dictionary → JSON # # json.dumps() # # JSON → Python Dictionary # # json.loads() # # # dotenv # ------------------------------------------------------------ # .env 파일에 저장한 설정값을 Python으로 가져오기 위해 # 사용합니다. # ============================================================ # 1. .env 파일 읽기 # ============================================================ load_dotenv() # ============================================================ # .env를 사용하는 이유 # ------------------------------------------------------------ # Region이나 Model ID 등을 Python 코드에 직접 작성할 수도 # 있습니다. # 하지만 별도의 .env 파일로 분리하면 설정 변경이 쉽습니다. # # 예: # # TEXT_REGION=us-east-1 # TEXT_MODEL_ID=amazon.nova-lite-v1:0 # # Python에서는 os.getenv()로 읽습니다. # ============================================================ # 2. AWS Region 설정 # ============================================================ region = os.getenv( "TEXT_REGION", "us-east-1" ) # ============================================================ # 3. Foundation Model ID 설정 # ============================================================ model_id = os.getenv( "TEXT_MODEL_ID", "amazon.nova-lite-v1:0" ) # ============================================================ # Region과 Model ID의 차이 # ------------------------------------------------------------ # # Region # → 어느 AWS 리전의 Bedrock에 접속할 것인가? # # Model ID # → Bedrock에서 어떤 Foundation Model을 사용할 것인가? # # # 예: # # us-east-1 # ↓ # Amazon Bedrock # ↓ # amazon.nova-lite-v1:0 # ============================================================ # 4. 현재 설정 출력 # ============================================================ print("=" * 60) print("01. Amazon Bedrock InvokeModel API") print("=" * 60) print(f"AWS Region : {region}") print(f"Model ID : {model_id}") print("=" * 60) # ============================================================ # 5. Bedrock Runtime Client 생성 # ============================================================ client = boto3.client( "bedrock-runtime", region_name=region ) # ============================================================ # 왜 "bedrock-runtime"인가? # ------------------------------------------------------------ # Bedrock의 Foundation Model을 실제로 호출할 때 # bedrock-runtime Client를 사용합니다. # # 쉽게 생각하면: # # boto3.client() # ↓ # "bedrock-runtime" # ↓ # Bedrock 모델 실행용 Client 생성 # # 이후 이 client를 이용하여 # # client.invoke_model() # # 또는 # # client.converse() # # 등을 호출할 수 있습니다. # ============================================================ # 6. 사용자 질문 # ============================================================ prompt = "AWS EC2 인스턴스 생성 전 확인할 항목을 3개로 알려줘." print("\n[사용자 질문]") print(prompt) # ============================================================ # 7. InvokeModel Request Body 생성 # ============================================================ request_body = { "messages": [ { "role": "user", "content": [ { "text": prompt } ] } ], "inferenceConfig": { "maxTokens": 300, "temperature": 0.3 } } # ============================================================ # ★★★★★ 가장중요한 부분 5 ★★★★★ # # InvokeModel의 핵심 특징 # ------------------------------------------------------------ # # InvokeModel은 모델이 요구하는 Native Request 형식을 # 개발자가 직접 만들어야 합니다. # # 현재는 Amazon Nova Lite를 사용하므로 # Nova가 이해할 수 있는 구조로 Request Body를 만듭니다. # # # request_body # # { # "messages": [...], # "inferenceConfig": {...} # } # # # 중요한 점: # # 다른 모델을 사용하면 Native Request 구조가 # 달라질 수 있습니다. # # InvokeModel은 모델의 Native API 형식을 이해하는 것이 중요합니다. # [Converse와 가장 큰 차이] # # InvokeModel # # 모델별 Native Request 형식을 직접 처리 # # Converse # # Bedrock에서 제공하는 공통 messages 인터페이스 사용 # # ============================================================ # ============================================================ # 8. Python Dictionary → JSON 변환 # ============================================================ body = json.dumps(request_body) # ============================================================ # ★★★★★ 가장중요 강조 포인트 6 ★★★★★ # # 왜 json.dumps()가 필요한가? # ------------------------------------------------------------ # # request_body는 Python Dictionary입니다. # # type(request_body) # # dict # # # 하지만 invoke_model()의 body에는 JSON 형식의 # 데이터를 전달해야 합니다. # # # 따라서: # # Python Dictionary # # request_body # # ↓ # # json.dumps() # # ↓ # # JSON 문자열 # # # dumps의 의미를 다음처럼 기억하면 편합니다. # # dumps # Python → JSON 문자열 # # loads # JSON 문자열 → Python # # ============================================================ # ============================================================ # 9. InvokeModel API 호출 # ============================================================ try: print("\nInvokeModel API를 호출하고 있습니다...\n") response = client.invoke_model( modelId=model_id, contentType="application/json", accept="application/json", body=body ) # ======================================================== # ★★★★★ 가장중요 인트 7 ★★★★★ # # 이것이 InvokeModel API 호출의 핵심 코드입니다. # # client.invoke_model() # # # modelId # 어떤 모델을 사용할 것인가? # # contentType # 모델에게 보내는 데이터 형식 # # accept # 모델에서 받고 싶은 데이터 형식 # # body # 모델에게 전달할 실제 JSON 데이터 # # # 전체 구조: # # Python # ↓ # boto3 # ↓ # invoke_model() # ↓ # Amazon Bedrock # ↓ # Amazon Nova Lite # # ======================================================== # ======================================================== # 10. 응답 Body 읽기 # ======================================================== response_body = response["body"].read() # ======================================================== # ★★★★★ 가장중요 강조 포인트 8 ★★★★★ # # InvokeModel의 응답은 바로 일반 Python dict 안의 # 텍스트로 꺼내는 형태가 아니라 # response["body"]를 읽어야 합니다. # # # response # ↓ # response["body"] # ↓ # .read() # ↓ # 응답 데이터 # # ======================================================== # ======================================================== # 11. JSON → Python Dictionary 변환 # ======================================================== result = json.loads(response_body) # ======================================================== # ★★★★★ 가장주요 강조 포인트 9 ★★★★★ # # 모델에서 받은 JSON 응답을 Python에서 쉽게 사용하기 # 위해 json.loads()를 사용합니다. # # # JSON # ↓ # json.loads() # ↓ # Python Dictionary # # # 앞에서 사용한 dumps와 반대입니다. # # json.dumps() # Python → JSON # # json.loads() # JSON → Python # # ======================================================== # ======================================================== # 12. AI 답변 추출 # ======================================================== answer = result[ "output" ][ "message" ][ "content" ][0][ "text" ] # ======================================================== # 13. 결과 출력 # ======================================================== print("=" * 60) print("InvokeModel 응답") print("=" * 60) print(answer) print("=" * 60) # ============================================================ # 14. AWS 인증 오류 # ============================================================ except NoCredentialsError: print("\n[AWS 인증 오류]") print("AWS 인증정보를 찾을 수 없습니다.") print("다음 명령으로 AWS 인증 상태를 확인하세요:") print("aws sts get-caller-identity") # ============================================================ # 15. AWS Bedrock API 오류 # ============================================================ except ClientError as e: print("\n[AWS Bedrock 오류]") print( "Error Code :", e.response["Error"]["Code"] ) print( "Error Message :", e.response["Error"]["Message"] ) # ============================================================ # 16. 기타 오류 # ============================================================ except Exception as e: print("\n[프로그램 오류]") print("Error Type :", type(e).__name__) print("Message :", str(e))
JavaScript
복사
결과값
============================================================ 01. Amazon Bedrock InvokeModel API ============================================================ AWS Region : us-east-1 Model ID : amazon.nova-lite-v1:0 ============================================================ [사용자 질문] AWS EC2 인스턴스 생성 전 확인할 항목을 3개로 알려줘. InvokeModel API를 호출하고 있습니다... ============================================================ InvokeModel 응답 ============================================================ AWS EC2 인스턴스를 생성하기 전에 확인해야 할 항목은 다음과 같습니다: 1. **AMI(Amazon Machine Image) 선택**: - 필요한 운영체제(예: Ubuntu, Amazon Linux, Windows)와 버전을 확인합니다. - 특정 소프트웨어 또는 패키지가 미리 설치되어 있는지 확인합니다. 2. **인스턴스 유형(Instance Type)**: - 작업 부하에 맞는 CPU, 메모리, 네트워크 성능 등을 고려하여 적절한 인스턴스 유형을 선택합니다. - 예산을 고려하여 인스턴스 유형을 선택합니다. 예를 들어, 예약 인스턴스를 사용하는 것이 장기적으로 비용 효� ============================================================
JavaScript
복사

2) converse_model_example.py

03_converse_model_example.py
JavaScript
복사
# ============================================================ # 02_converse_example.py # # Amazon Bedrock - Converse API 실습 # 모델: Amazon Nova Lite # # ============================================================ # # [수업 목표] # # 1. Converse API의 목적을 이해합니다. # # 2. messages 기반의 대화 구조를 이해합니다. # # 3. InvokeModel과 달리 모델별 Native JSON을 직접 # 처리하는 부담을 줄여준다는 것을 이해합니다. # # 4. Chatbot / Multi-turn / Tool Use를 구현할 때 # Converse가 왜 편리한지 이해합니다. # # # [반드시 기억할 핵심] # # 사용자 # ↓ # messages # ↓ # client.converse() # ↓ # Amazon Bedrock # ↓ # Foundation Model # ↓ # response["output"]["message"] # ↓ # AI 답변 # # # InvokeModel에서 사용했던: # # json.dumps() # response["body"].read() # json.loads() # # 같은 작업을 직접 할 필요가 없습니다. # # ============================================================ # ============================================================ # 0. 필요한 라이브러리 Import # ============================================================ import os import boto3 from dotenv import load_dotenv from botocore.exceptions import ClientError, NoCredentialsError # ============================================================ # [중요 강조 포인트 1] # # 여기에는 json 라이브러리가 없습니다. # # InvokeModel 예제: # # import json # # Converse 예제: # # json import 없음 # # # 이유: # # Converse에서는 boto3가 Converse API에 맞는 # Python 구조를 받아 요청/응답 직렬화를 처리하므로, # 애플리케이션 코드에서 JSON 문자열을 직접 만들고 # 다시 파싱하는 과정이 필요하지 않습니다. # # 이것이 두 예제에서 눈에 보이는 차이 중 하나입니다. # # ============================================================ # ============================================================ # 1. .env 파일 읽기 # ============================================================ load_dotenv() # ============================================================ # 2. AWS Region 설정 # ============================================================ region = os.getenv( "TEXT_REGION", "us-east-1" ) # ============================================================ # 3. Model ID 설정 # ============================================================ model_id = os.getenv( "TEXT_MODEL_ID", "amazon.nova-lite-v1:0" ) # ============================================================ # 4. 현재 설정 출력 # ============================================================ print("=" * 60) print("02. Amazon Bedrock Converse API") print("=" * 60) print(f"AWS Region : {region}") print(f"Model ID : {model_id}") print("=" * 60) # ============================================================ # 5. Bedrock Runtime Client 생성 # ============================================================ client = boto3.client( "bedrock-runtime", region_name=region ) # ============================================================ # [중요 강조 포인트 2] # # InvokeModel과 Converse 모두 동일한 # # "bedrock-runtime" # # Client를 사용할 수 있습니다. # # # 차이는 Client를 만든 다음 호출하는 메서드입니다. # # # InvokeModel # # client.invoke_model() # # # Converse # # client.converse() # # # 따라서 두 API를 구분할 때 가장 먼저 확인할 부분은 # # "어떤 메서드를 호출했는가?" 입니다. # # ============================================================ # ============================================================ # 6. 사용자 질문 # ============================================================ prompt = "AWS EC2 인스턴스 생성 전 확인할 항목을 3개로 알려줘." print("\n[사용자 질문]") print(prompt) # ============================================================ # 7. Converse API 호출 # ============================================================ try: print("\nConverse API를 호출하고 있습니다...\n") response = client.converse( modelId=model_id, messages=[ { "role": "user", "content": [ { "text": prompt } ] } ], inferenceConfig={ "maxTokens": 300, "temperature": 0.3 } ) # ======================================================== # ★★★★★ 중요 강조 포인트 3 - 가장 중요 ★★★★★ # # Converse의 핵심은 messages입니다. # # # messages=[ # { # "role": "user", # "content": [ # { # "text": prompt # } # ] # } # ] # # # 대화를: # # 누가 말했는가? # → role # # 무엇을 말했는가? # → content # # 로 표현합니다. # # # role="user" # # 사용자 메시지 # # # role="assistant" # # AI 모델 메시지 # # # 따라서 대화가 여러 번 이어질 경우: # # user # ↓ # assistant # ↓ # user # ↓ # assistant # # 형태로 messages를 누적할 수 있습니다. # ======================================================== # ★★★★★ 중요 강조 포인트 4 ★★★★★ # # InvokeModel과 비교해 보세요. # # # InvokeModel: # # request_body = {...} # # body = json.dumps(request_body) # # response = client.invoke_model( # body=body, # ... # ) # # # Converse: # # response = client.converse( # messages=[...] # ) # # # Converse에서는 애플리케이션 코드가 # JSON 문자열을 직접 만들 필요가 없습니다. # # ======================================================== # ======================================================== # 8. AI 답변 추출 # ======================================================== answer = response[ "output" ][ "message" ][ "content" ][0][ "text" ] # ======================================================== # ★★★★★ 중요 강조 포인트 5 ★★★★★ # # Converse에서는: # # response["body"].read() # # json.loads() # # 를 직접 수행하지 않습니다. # # # 바로: # # response # ↓ # output # ↓ # message # ↓ # content # ↓ # text # # 로 접근할 수 있습니다. # ======================================================== # 9. 결과 출력 # ======================================================== print("=" * 60) print("Converse 응답") print("=" * 60) print(answer) print("=" * 60) # ======================================================== # 10. Stop Reason 확인 # ======================================================== print("\n[응답 정보]") print( "Stop Reason :", response.get("stopReason") ) # ======================================================== # ★★★★★ 중요 강조 포인트 6 ★★★★★ # # stopReason은 모델이 왜 응답 생성을 중단했는지를 # 알려주는 값입니다. # # 예: # # end_turn # # 현재 모델의 응답 턴이 정상적으로 끝남 # # # tool_use # # 모델이 Tool 사용을 요청함 # # # 특히 AI Agent를 만들 때 중요합니다. # # # 사용자: # # "서울 날씨 알려줘" # # ↓ # # Converse # # ↓ # # Nova 판단 # # "날씨 Tool이 필요하다." # # ↓ # # stopReason = "tool_use" # # ↓ # # Python이 Lambda 실행 # # ↓ # # Tool 결과를 Converse에 다시 전달 # # ↓ # # 최종 자연어 답변 # # ======================================================== # ======================================================== # 11. Token 사용량 확인 # ======================================================== print( "Token Usage :", response.get("usage") ) # ======================================================== # ★★★★★ 중요 강조 포인트 7 ★★★★★ # # usage에는 모델 호출에 사용된 토큰 관련 정보가 # 들어갑니다. # # 예: # # { # "inputTokens": 20, # "outputTokens": 100, # "totalTokens": 120 # } # # # inputTokens # # 모델에게 전달한 입력 토큰 # # # outputTokens # # 모델이 생성한 출력 토큰 # # # totalTokens # # 전체 토큰 # # # 실제 서비스에서는 사용량과 비용을 관찰할 때 # 중요한 정보가 됩니다. # # ======================================================== # ============================================================ # 12. AWS 인증 오류 # ============================================================ except NoCredentialsError: print("\n[AWS 인증 오류]") print("AWS 인증정보를 찾을 수 없습니다.") print("다음 명령으로 AWS 인증 상태를 확인하세요:") print("aws sts get-caller-identity") # ============================================================ # 13. AWS Bedrock API 오류 # ============================================================ except ClientError as e: print("\n[AWS Bedrock 오류]") print( "Error Code :", e.response["Error"]["Code"] ) print( "Error Message :", e.response["Error"]["Message"] ) # ============================================================ # 14. 기타 오류 # ============================================================ except Exception as e: print("\n[프로그램 오류]") print("Error Type :", type(e).__name__) print("Message :", str(e))
JavaScript
복사
결과값
============================================================ 02. Amazon Bedrock Converse API ============================================================ AWS Region : us-east-1 Model ID : amazon.nova-lite-v1:0 ============================================================ [사용자 질문] AWS EC2 인스턴스 생성 전 확인할 항목을 3개로 알려줘. Converse API를 호출하고 있습니다... ============================================================ Converse 응답 ============================================================ AWS EC2 인스턴스를 생성하기 전에 확인해야 할 항목은 다음과 같습니다: 1. **리전 선택**: - 인스턴스를 생성할 리전을 선택합니다. 리전은 인스턴스의 가용성, 지연 시간, 비용 등에 영향을 미칩니다. 특히 특정 지역에 서비스를 제공하는 경우 해당 지역에 가까운 리전을 선택하는 것이 좋습니다. 2. **AMI(Amazon Machine Image) 선택**: - AMI는 인스턴스의 기본 이미지를 정의합니다. 운영 체제, 소프트웨어 및 구성 파일이 포함되어 있습니다. 필요한 운영 체제와 소프트웨어가 포함된 AMI를 선택해야 합니다. �� ============================================================ [응답 정보] Stop Reason : max_tokens Token Usage : {'inputTokens': 40, 'outputTokens': 300, 'totalTokens': 340}
JavaScript
복사

3) Streamlit 웹 챗봇으로 완전히 바꾼 버전

•
텍스트와 이미지를 선택하여 작성 하는 스트링밍 챗봇
04.streaming_chatbot.py
JavaScript
복사
streamlit run 04.streaming_chatbot.py
JavaScript
복사
# ============================================================ # [시스템 아키텍처 및 기술 명세서] # 03_streaming_chatbot.py # ============================================================ # # 1. 프로그램 개요: # Amazon Bedrock의 최신 파운데이션 모델(Amazon Nova Lite, Stability AI Stable Image Core)을 # Streamlit 웹 프레임워크와 연동하여 실시간 스트리밍 대화 및 프롬프트 기반 고화질 이미지 생성을 # 제공하는 교육/실습용 통합 웹 애플리케이션입니다. # # 2. 핵심 함수(Functions) 명세: # - create_text_bedrock_client(): # * 역할: 텍스트 생성 전용 AWS Bedrock Runtime Boto3 클라이언트를 생성합니다. # * 특징: Streamlit의 @st.cache_resource 데코레이터를 적용하여 스크립트 재실행 시 # 중복 세션 연결을 방지하고 캐싱된 클라이언트를 재사용합니다. # - create_image_bedrock_client(): # * 역할: 이미지 생성 모델(Stable Diffusion)이 호스팅된 리전 전용 Bedrock 클라이언트를 생성합니다. # * 특징: 동일하게 리소스 캐싱을 통해 네트워크 오버헤드를 최소화합니다. # - convert_to_image_prompt(user_prompt): # * 역할: 사용자가 한국어(또는 비정형 언어)로 입력한 텍스트를 Nova Lite를 통해 # Stable Diffusion 규격에 최적화된 고품질 영문 프롬프트로 변환 및 확장합니다. # * 특징: 스트리밍이 필요 없는 단일 변환 작업이므로 converse API(동기)를 사용합니다. # # 3. 핵심 클래스(Classes) 및 예외 처리 구조: # - boto3.client: # * AWS Bedrock Runtime 서비스 엔드포인트와 통신하는 저수준 클라이언트 클래스입니다. # - ClientError (botocore.exceptions): # * AWS 서비스 측 HTTP 4xx/5xx 오류(잘못된 파라미터, 권한 부족, 모델 접근 비활성화 등)를 # 캡처하며 내부 error.response 구조를 통해 구체적 에러 코드와 메시지를 추출합니다. # - NoCredentialsError (botocore.exceptions): # * AWS CLI 인증 프로파일이나 환경변수(.env)의 자격 증명을 찾을 수 없을 때 발생하는 예외입니다. # # 4. 주요 상태 및 런타임 객체(Objects): # - text_bedrock / image_bedrock: # * 각각 TEXT_REGION과 IMAGE_REGION 엔드포인트로 바인딩된 BedrockRuntime.Client 객체입니다. # - st.session_state: # * Streamlit 세션 상태를 저장하는 딕셔너리형 래퍼 객체입니다. 사용자가 입력하거나 버튼을 클릭할 때 # 전체 스크립트가 위에서 아래로 재실행되어도 대화 기록(messages) 및 생성 이미지(generated_images)를 # 메모리에 유지합니다. # - placeholder (st.empty()): # * 화면의 특정 영역을 가변적으로 점유하는 컨테이너 객체입니다. 스트리밍 텍스트 청크(Delta)가 # 수신될 때마다 기존 텍스트를 실시간으로 덮어써서 타자기 효과를 구현합니다. # # ------------------------------------------------------------ # [동작 파이프라인] # # 기능 1 : AI 실시간 스트리밍 대화 # 사용자 입력 -> Streamlit st.chat_input -> Boto3 converse_stream API -> # Amazon Nova Lite -> EventStream 델타 수신 -> st.empty() 실시간 렌더링 -> session_state 저장 # # 기능 2 : AI 고화질 이미지 생성 # 사용자 입력 -> Nova Lite (converse API) -> 영어 프롬프트 변환 -> # Stable Image Core (invoke_model API) -> Base64 페이로드 디코딩 -> # PNG 바이너리 바이트 변환 -> st.image 화면 출력 및 다운로드 버튼 제공 # ============================================================ # ============================================================ # STEP 01. 라이브러리 Import # ============================================================ # 운영체제 환경변수 접근을 위한 Python 표준 라이브러리 import os # Bedrock InvokeModel API의 JSON 페이로드 직렬화/역직렬화 라이브러리 import json # Bedrock 이미지 모델이 반환하는 Base64 인코딩 문자열을 PNG 바이너리 바이트로 디코딩 import base64 # AWS 공식 Python SDK (Bedrock Runtime 통신용) import boto3 # 반응형 대화형 웹 인터페이스 구축 프레임워크 import streamlit as st # 로컬 .env 파일에 선언된 AWS 리전 및 모델 ID를 환경변수로 로드 from dotenv import load_dotenv # AWS API 호출 과정에서 발생하는 인증 오류 및 클라이언트 예외 처리 클래스 from botocore.exceptions import ( ClientError, NoCredentialsError ) # ============================================================ # STEP 02. .env 파일 읽기 # ============================================================ # .env 파일로부터 환경변수를 주입받아 os.getenv로 호출 가능하게 설정 load_dotenv() # ============================================================ # STEP 03. AWS Region 설정 # ============================================================ # Amazon Nova Lite 모델을 호출할 AWS 리전 (기본값: us-east-1 버지니아 북부) TEXT_REGION = os.getenv( "TEXT_REGION", "us-east-1" ) # Stability AI Stable Image Core 모델을 호출할 AWS 리전 (기본값: us-west-2 오리건) IMAGE_REGION = os.getenv( "IMAGE_REGION", "us-west-2" ) # ============================================================ # STEP 04. Bedrock Model ID 설정 # ============================================================ # 대화 및 프롬프트 변환을 담당할 Bedrock 텍스트 모델 식별자 TEXT_MODEL_ID = os.getenv( "TEXT_MODEL_ID", "amazon.nova-lite-v1:0" ) # 이미지 생성을 담당할 Bedrock 이미지 파운데이션 모델 식별자 IMAGE_MODEL_ID = os.getenv( "IMAGE_MODEL_ID", "stability.stable-image-core-v1:1" ) # ============================================================ # STEP 05. Streamlit 페이지 설정 # ============================================================ st.set_page_config( page_title="AWS Bedrock AI", page_icon="🐯", layout="centered", # 모바일 및 프로젝터 환경에서 가독성을 높이기 위해 중앙 정렬 initial_sidebar_state="collapsed" # 설정 사이드바는 초기 상태에서 접힘 처리 ) # ============================================================ # STEP 06. 학생 / 강의실용 대형 화면 CSS 주입 # ============================================================ # 빔프로젝터나 대형 모니터 환경에서 원거리 수강생도 코드와 글자를 # 명확하게 확인할 수 있도록 고대비/대형 폰트로 오버라이드합니다. # ============================================================ st.markdown( """ <style> /* 전체 웹 애플리케이션 배경 그라데이션 */ .stApp { background: linear-gradient(180deg, #f8fafc 0%, #f1f5f9 100%); } /* 메인 블록 너비 및 여백 설정 */ .block-container { max-width: 1100px; padding-top: 2rem !important; padding-bottom: 7rem !important; } /* 최상단 메인 헤더 H1 */ h1 { text-align: center; font-size: 52px !important; line-height: 1.3 !important; font-weight: 800 !important; color: #1e293b !important; letter-spacing: -1.5px; margin-bottom: 15px !important; } /* 보조 헤더 H2 */ h2 { font-size: 40px !important; line-height: 1.4 !important; font-weight: 800 !important; color: #1e293b !important; } /* 섹션 타이틀 H3 */ h3 { font-size: 28px !important; line-height: 1.5 !important; font-weight: 750 !important; color: #1e293b !important; } /* 캡션(부연 설명) 텍스트 */ [data-testid="stCaptionContainer"] { text-align: center !important; } [data-testid="stCaptionContainer"] p { font-size: 23px !important; line-height: 1.6 !important; font-weight: 500 !important; color: #94a3b8 !important; } /* 일반 마크다운 본문 폰트 크기 및 줄간격 */ .stMarkdown p { font-size: 22px !important; line-height: 1.8 !important; } /* 모드 선택 라디오 버튼 영역 */ [data-testid="stRadio"] { margin-top: 18px; margin-bottom: 30px; } [data-testid="stRadio"] label p { font-size: 25px !important; font-weight: 750 !important; line-height: 1.5 !important; color: #1e293b !important; } /* 입력 폼 라벨 타이틀 */ [data-testid="stWidgetLabel"] p { font-size: 24px !important; line-height: 1.5 !important; font-weight: 800 !important; color: #1e293b !important; } /* 프롬프트 입력용 텍스트 영역(TextArea) */ [data-testid="stTextArea"] textarea { font-size: 25px !important; line-height: 1.7 !important; min-height: 180px !important; padding: 20px !important; color: #1e293b !important; border-radius: 14px !important; } [data-testid="stTextArea"] textarea::placeholder { font-size: 22px !important; color: #94a3b8 !important; } /* 종횡비 선택 드롭다운(Selectbox) */ [data-testid="stSelectbox"] div[data-baseweb="select"] { min-height: 65px !important; font-size: 23px !important; } [data-testid="stSelectbox"] div[data-baseweb="select"] * { font-size: 23px !important; } /* 실행 액션 버튼 */ .stButton button { min-height: 72px !important; border-radius: 15px !important; font-size: 25px !important; font-weight: 800 !important; } .stButton button p { font-size: 25px !important; font-weight: 800 !important; } /* 대화 메시지 컨테이너 카드 */ [data-testid="stChatMessage"] { background-color: white; border: 1px solid #e2e8f0; border-radius: 18px; padding: 22px 26px; margin-top: 14px; margin-bottom: 14px; box-shadow: 0 3px 12px rgba(15,23,42,0.05); } [data-testid="stChatMessage"] p { font-size: 22px !important; line-height: 1.9 !important; } /* 하단 대화 입력바 */ [data-testid="stChatInput"] { background: white !important; border: 1px solid #cbd5e1 !important; border-radius: 18px !important; min-height: 82px !important; box-shadow: 0 8px 30px rgba(15,23,42,0.12) !important; } [data-testid="stChatInput"] textarea { font-size: 24px !important; line-height: 1.6 !important; min-height: 64px !important; color: #1e293b !important; } [data-testid="stChatInput"] textarea::placeholder { font-size: 21px !important; color: #94a3b8 !important; } /* 경고, 정보, 에러 알림 상자 */ [data-testid="stAlert"] { border-radius: 15px !important; padding: 18px !important; } [data-testid="stAlert"] p { font-size: 21px !important; line-height: 1.7 !important; font-weight: 500 !important; } /* 생성된 이미지 출력 카드 */ [data-testid="stImage"] img { border-radius: 18px; box-shadow: 0 8px 30px rgba(15,23,42,0.12); } /* 이미지 파일 다운로드 버튼 */ [data-testid="stDownloadButton"] button { min-height: 68px !important; border-radius: 15px !important; } [data-testid="stDownloadButton"] button p { font-size: 23px !important; font-weight: 800 !important; } /* 코드 스니펫 블록 */ code { font-size: 19px !important; line-height: 1.7 !important; } /* 사이드바 글자 크기 보정 */ [data-testid="stSidebar"] h1 { font-size: 34px !important; } [data-testid="stSidebar"] h2 { font-size: 28px !important; } [data-testid="stSidebar"] h3 { font-size: 24px !important; } [data-testid="stSidebar"] p { font-size: 19px !important; line-height: 1.6 !important; } /* Streamlit 기본 탑바 및 푸터 메뉴 제거 */ #MainMenu { visibility: hidden; } footer { visibility: hidden; } </style> """, unsafe_allow_html=True ) # ============================================================ # STEP 07 & 08. Bedrock Client 생성 (캐싱 리소스 함수 정의) # ============================================================ @st.cache_resource def create_text_bedrock_client(): """ 텍스트 모델(Nova Lite) 통신용 Bedrock Runtime 클라이언트 생성. st.cache_resource를 통해 앱 라이프사이클 동안 세션 객체를 재사용합니다. """ return boto3.client( service_name="bedrock-runtime", region_name=TEXT_REGION ) @st.cache_resource def create_image_bedrock_client(): """ 이미지 모델(Stable Image Core) 통신용 Bedrock Runtime 클라이언트 생성. 이미지 모델이 서비스되는 특정 리전(us-west-2 등)으로 독립 연결합니다. """ return boto3.client( service_name="bedrock-runtime", region_name=IMAGE_REGION ) # ============================================================ # STEP 09. 실제 Bedrock Client 싱글톤 인스턴스 획득 # ============================================================ text_bedrock = create_text_bedrock_client() image_bedrock = create_image_bedrock_client() # ============================================================ # STEP 10. Session State 상태 저장소 초기화 # ============================================================ # Streamlit은 사용자 입력 시 전체 코드를 처음부터 재실행하므로, # 휘발을 막기 위해 브라우저 세션에 대화 및 이미지 내역을 저장합니다. if "messages" not in st.session_state: st.session_state.messages = [] if "generated_images" not in st.session_state: st.session_state.generated_images = [] # ============================================================ # STEP 11. 이미지 Prompt 변환 함수 (Nova Lite 동기 호출) # ============================================================ def convert_to_image_prompt(user_prompt): """ 사용자가 전달한 한국어/비정형 텍스트를 Stable Image Core에 적합한 상세 영문 프롬프트로 재가공합니다. Nova Lite의 converse 동기 API를 사용합니다. """ # 프롬프트 엔지니어링 가이드라인 설정 instruction = f""" You are an expert prompt engineer for an AI image generation model. Convert the user's image request into one clear English image-generation prompt. Rules: 1. Preserve the user's requested main subject exactly. 2. Do not replace an animal with a human. 3. Do not add people unless the user explicitly asks for people. 4. Make the main subject very clear. 5. Add useful details about environment, lighting and composition. 6. Do not explain your answer. 7. Return only the final English image prompt. 8. Keep the prompt under 100 words. User request: {user_prompt} """ # Amazon Nova Lite Converse API 동기 호출 response = text_bedrock.converse( modelId=TEXT_MODEL_ID, messages=[ { "role": "user", "content": [{"text": instruction}] } ], inferenceConfig={ "maxTokens": 250, "temperature": 0.1 # 프롬프트 변환의 일관성을 위해 낮은 창의성(온도) 부여 } ) # 응답 페이로드에서 완성된 텍스트 블록 추출 content_blocks = response["output"]["message"]["content"] converted_text = "" for block in content_blocks: if "text" in block: converted_text += block["text"] return converted_text.strip() # ============================================================ # STEP 12 ~ 14. 메인 제목 및 모드 전환 위젯 # ============================================================ st.title("🐯 AWS Bedrock AI") st.caption("Amazon Nova Lite + Stable Image Core + Streamlit") mode = st.radio( "사용할 AI 기능", [ "🐯 AI 채팅", "🐯 이미지 생성" ], horizontal=True, label_visibility="collapsed" ) # ============================================================ # STEP 15. AI 채팅 모드 (실시간 스트리밍 대화) # ============================================================ if mode == "🐯 AI 채팅": # 대화 기록이 없을 때 나타나는 웰컴 카드 if len(st.session_state.messages) == 0: st.markdown( """ <h2 style="text-align:center; margin-top:40px;">🐯 무엇을 도와드릴까요?</h2> <p style="text-align:center; color:#64748b; font-size:22px; line-height:1.9;"> Amazon Nova Lite를 사용하는 AI 어시스턴트입니다.<br> AWS에 대해 자유롭게 질문해 주세요. </p> """, unsafe_allow_html=True ) st.info("🐯 예: EC2와 Lambda의 차이점을 초보자도 이해할 수 있도록 설명해 주세요.") # 세션 상태에 저장되어 있던 기존 대화 메시지들을 순차적으로 화면에 렌더링 for message in st.session_state.messages: with st.chat_message(message["role"]): st.markdown(message["content"]) # 사용자 프롬프트 입력창 prompt = st.chat_input("AWS에 대해 질문을 입력하세요...") if prompt: # 사용자 질문을 세션 상태에 추가하고 화면에 출력 st.session_state.messages.append({"role": "user", "content": prompt}) with st.chat_message("user"): st.markdown(prompt) # ==================================================== # STEP 16. Bedrock Converse 규격에 맞게 메시지 포맷 변환 # ==================================================== bedrock_messages = [] for message in st.session_state.messages: bedrock_messages.append( { "role": message["role"], "content": [{"text": message["content"]}] } ) # ==================================================== # STEP 17. Amazon Nova Lite 호출 및 실시간 스트리밍 처리 # ==================================================== with st.chat_message("assistant"): try: # ConverseStream API 호출: 텍스트 생성 완료를 기다리지 않고 청크 단위로 스트림 수신 response = text_bedrock.converse_stream( modelId=TEXT_MODEL_ID, messages=bedrock_messages, inferenceConfig={ "maxTokens": 1000, "temperature": 0.4 } ) # 스트리밍 텍스트를 실시간으로 덮어쓸 동적 플레이스홀더 컨테이너 placeholder = st.empty() full_response = "" # EventStream을 순회하며 실시간 청크(delta) 수신 for event in response["stream"]: if "contentBlockDelta" in event: delta = event["contentBlockDelta"].get("delta", {}) if "text" in delta: full_response += delta["text"] # 생성 중 커서(▌) 효과 표시 placeholder.markdown(full_response + " ▌") # 완성된 최종 답변을 확정 렌더링 (커서 제거) placeholder.markdown(full_response) # 어시스턴트의 최종 답변을 세션 히스토리에 영구 저장 st.session_state.messages.append( { "role": "assistant", "content": full_response } ) # AWS 로컬 자격 증명(Access Key / IAM Role) 누락 예외 except NoCredentialsError: st.error("🐯 AWS 인증정보를 찾을 수 없습니다.") st.code("aws sts get-caller-identity") # Bedrock API 수준의 에러(권한 부족, 모델 접근 비활성화 등) 핸들링 except ClientError as error: error_code = error.response.get("Error", {}).get("Code", "Unknown") error_message = error.response.get("Error", {}).get("Message", str(error)) st.error("🐯 AWS Bedrock 텍스트 생성 오류") st.write("**Error Code**") st.code(error_code) st.write("**Error Message**") st.code(error_message) # 기타 Python 런타임 일반 예외 처리 except Exception as error: st.error("🐯 텍스트 생성 중 오류가 발생했습니다.") st.code(f"{type(error).__name__}: {error}") # ============================================================ # STEP 18. AI 이미지 생성 모드 # ============================================================ else: # 이미지 생성 기능 소개 영역 st.markdown( """ <h2 style="text-align:center; margin-top:40px; margin-bottom:25px;">🐯 AI 이미지 생성</h2> <p style="text-align:center; color:#64748b; font-size:22px; line-height:1.9; margin-bottom:25px;"> 한국어 또는 영어로 원하는 이미지를 설명하세요.<br> Nova Lite가 이미지 생성용 Prompt를 만든 후 Stable Image Core가 이미지를 생성합니다. </p> """, unsafe_allow_html=True ) st.info("🐯 예: 잔디밭에 앉아 있는 귀여운 아기 호랑이") # STEP 19. 사용자 이미지 묘사 프롬프트 입력 image_prompt = st.text_area( "만들고 싶은 이미지를 설명하세요", placeholder="예: 잔디밭에 앉아 있는 귀여운 아기 호랑이", height=190 ) # STEP 20. 이미지 출력 종횡비 선택 (정사각형, 가로, 세로) aspect_ratio = st.selectbox( "이미지 비율", ["1:1", "16:9", "9:16"], index=0 ) # STEP 21. 이미지 생성 실행 트리거 버튼 generate_button = st.button("🐯 이미지 생성", type="primary", use_container_width=True) # STEP 22. 생성 버튼 클릭 시 파이프라인 시작 if generate_button: # 빈 문자열 입력 유효성 검사 if not image_prompt.strip(): st.warning("🐯 만들고 싶은 이미지를 먼저 입력해 주세요.") else: try: # STEP 23. Nova Lite를 통해 한국어 프롬프트를 최적화된 영문 프롬프트로 변환 with st.spinner("🐯 Nova Lite가 이미지 Prompt를 만들고 있습니다..."): converted_prompt = convert_to_image_prompt(image_prompt.strip()) if not converted_prompt: raise RuntimeError("Nova Lite가 이미지 Prompt를 생성하지 못했습니다.") # STEP 24. 교육 목적으로 프롬프트 변환 전후의 결과를 시각적으로 대조 출력 st.markdown("### 🐯 사용자가 입력한 Prompt") st.code(image_prompt.strip()) st.markdown("### 🐯 Stable Image Core에 전달되는 Prompt") st.code(converted_prompt) # STEP 25 & 26. Stable Image Core 네이티브 규격의 JSON 요청 Body 구성 request_body = { "prompt": converted_prompt, "aspect_ratio": aspect_ratio, "output_format": "png" } request_json = json.dumps(request_body) # STEP 27. Bedrock InvokeModel API 동기 호출 (이미지 생성 작업 요청) with st.spinner("🐯 Stable Image Core가 이미지를 생성하고 있습니다..."): response = image_bedrock.invoke_model( modelId=IMAGE_MODEL_ID, contentType="application/json", accept="application/json", body=request_json ) # STEP 28 & 29. 스트림 형태의 Response Body를 바이트로 읽고 JSON 역직렬화 response_body = response["body"].read() result = json.loads(response_body) # STEP 30 & 31. 모델 측 오류 응답 및 이미지 배열 데이터 포함 여부 검증 if result.get("errors"): raise RuntimeError(str(result["errors"])) if "images" not in result or not result["images"]: raise RuntimeError("Stable Image Core 응답에 이미지 데이터가 없습니다.") # STEP 32 & 33. Base64 텍스트 데이터를 디코딩하여 순수 PNG 바이너리 바이트로 변환 base64_image = result["images"][0] image_bytes = base64.b64decode(base64_image) # STEP 34. 생성된 이미지 정보를 세션 히스토리에 기록 st.session_state.generated_images.append( { "original_prompt": image_prompt.strip(), "converted_prompt": converted_prompt, "image": image_bytes } ) # STEP 35. 생성된 이미지를 화면에 렌더링 st.image( image_bytes, caption=f"사용자 요청: {image_prompt.strip()}", use_container_width=True ) # STEP 36. 생성 완료 성공 알림 표시 st.success("🐯 이미지 생성이 완료되었습니다.") # STEP 37. 사용자 로컬 저장을 위한 다운로드 버튼 제공 st.download_button( label="🐯 이미지 다운로드", data=image_bytes, file_name="stable_image_core.png", mime="image/png", use_container_width=True ) # AWS 인증 오류 핸들링 except NoCredentialsError: st.error("🐯 AWS 인증정보를 찾을 수 없습니다.") st.write("다음 명령으로 AWS 인증 상태를 확인하세요.") st.code("aws sts get-caller-identity") # Bedrock API 호출 예외 시 현재 환경변수 및 에러 코드 출력 except ClientError as error: error_code = error.response.get("Error", {}).get("Code", "Unknown") error_message = error.response.get("Error", {}).get("Message", str(error)) st.error("🐯 AWS Bedrock 호출 오류") st.write("**Error Code**") st.code(error_code) st.write("**Error Message**") st.code(error_message) # 디버깅을 위한 현재 환경변수 값 동시 노출 st.write("**TEXT_REGION**") st.code(TEXT_REGION) st.write("**TEXT_MODEL_ID**") st.code(TEXT_MODEL_ID) st.write("**IMAGE_REGION**") st.code(IMAGE_REGION) st.write("**IMAGE_MODEL_ID**") st.code(IMAGE_MODEL_ID) # 기타 Python 실행 예외 핸들링 except Exception as error: st.error("🐯 이미지 생성 중 오류가 발생했습니다.") st.code(f"{type(error).__name__}: {error}") # ============================================================ # STEP 38. 사이드바 (실행 환경 정보 확인 및 세션 초기화) # ============================================================ with st.sidebar: st.header("🐯 Bedrock 설정") # 텍스트 모델 정보 st.subheader("🐯 텍스트 모델") st.write("**Region**") st.code(TEXT_REGION) st.write("**Model ID**") st.code(TEXT_MODEL_ID) st.write("**채팅 API**") st.code("ConverseStream") st.write("**Prompt 변환 API**") st.code("Converse") st.divider() # 이미지 모델 정보 st.subheader("🐯 이미지 모델") st.write("**Region**") st.code(IMAGE_REGION) st.write("**Model ID**") st.code(IMAGE_MODEL_ID) st.write("**사용 API**") st.code("InvokeModel") st.divider() # 대화 기록 초기화 및 런타임 리로드 if st.button("🐯 대화 내용 삭제", use_container_width=True): st.session_state.messages = [] st.rerun()
JavaScript
복사
streamlit run streaming_chatbot.py
JavaScript
복사

5) Weather 정보 & KBO 랭킹 정보 보여주는 AI 챗봇 만들기

사전작업
1.
geopy 설치
python -m pip install geopy
JavaScript
복사
2.
geopy 설치 확인
python -m pip show geopy
JavaScript
복사
3.
필요한 라이브러리 전체 설치
python -m pip install --upgrade boto3 streamlit python-dotenv httpx geopy
JavaScript
복사
라이브러리
역할
boto3
AWS Bedrock 호출
streamlit
챗봇 웹 화면
python-dotenv
.env 환경변수 읽기
httpx
날씨 API 호출
geopy
도시 이름을 위도·경도로 변환
python -c "from geopy.geocoders import Nominatim; print('geopy 정상 설치')"
JavaScript
복사
(.venv) C:\awsbedrock>python -c "from geopy.geocoders import Nominatim; print('geopy 정상 설치')" geopy 정상 설치
JavaScript
복사
05.weather_baseball_chatbot.py
JavaScript
복사
실행명령어
streamlit run 05.weather_baseball_chatbot.py
JavaScript
복사
# -*- coding: utf-8 -*- """ ================================================================================ [전체 코드 구조 및 함수 / 객체 / 클래스 구성 안내] ================================================================================ 1. 클래스 (Classes): - Nominatim (geopy.geocoders): 도시명을 위도/경도로 변환하는 지오코딩 엔진 - Session (boto3.Session): AWS 자격 증명 관리 세션 - ClientError / ProfileNotFound (botocore.exceptions): AWS SDK 예외 처리기 - Path (pathlib.Path): 파일 경로 핸들러 2. 주요 전역 객체 (Global Objects): - BASE_DIR: 현재 실행 경로 객체 - TOOL_CONFIG: AWS Bedrock Converse API용 Function Calling 설정 딕셔너리 - st.session_state: 세션 동안 채팅 내역을 유지하는 저장소 3. 주요 함수 (Functions): - create_bedrock_client(): Bedrock Runtime 클라이언트 생성 및 캐싱 - get_coordinates(city_name): 도시명을 위도/경도로 변환 - get_weather(city_name): Open-Meteo API 호출 날씨 조회 - get_kbo_ranking(season): 2026시즌 KBO 순위 데이터 반환 - execute_tool(tool_name, tool_args): 도구 요청 라우터 - run_conversation(messages): Bedrock Converse API Tool Use 반복 루프 제어 ================================================================================ """ import os import re import json from pathlib import Path import boto3 import httpx import streamlit as st from dotenv import load_dotenv from geopy.geocoders import Nominatim from botocore.exceptions import ClientError, ProfileNotFound # ============================================================ # 01. 환경변수 및 AWS 기본 설정 # ============================================================ BASE_DIR = Path(__file__).resolve().parent load_dotenv(BASE_DIR / ".env") AWS_REGION = os.getenv("AWS_REGION", "ap-northeast-2") AWS_PROFILE = os.getenv("AWS_PROFILE", "bedrock_admin") MODEL_ID = os.getenv("BEDROCK_MODEL_ID", "apac.amazon.nova-micro-v1:0") AWS_ACCESS_KEY_ID = os.getenv("AWS_ACCESS_KEY_ID") AWS_SECRET_ACCESS_KEY = os.getenv("AWS_SECRET_ACCESS_KEY") AWS_SESSION_TOKEN = os.getenv("AWS_SESSION_TOKEN") # ============================================================ # 02. Streamlit 화면 기본 구성 & 완벽한 화면 정중앙 레이아웃 CSS # ============================================================ st.set_page_config( page_title="Weather & KBO AI Chatbot", page_icon="⛰️", layout="centered" ) if "messages" not in st.session_state: st.session_state.messages = [] is_chat_empty = len(st.session_state.messages) == 0 # 장가계 고화질 산림/안개 배경 ZHANGJIAJIE_BG_URL = "https://images.unsplash.com/photo-1543097692-fa13c6cd8595?auto=format&fit=crop&w=1920&q=85" # 기본 공통 스타일 (배경, 폰트, 대화창) common_css = f""" .stApp {{ background: linear-gradient(rgba(15, 23, 42, 0.4), rgba(20, 20, 25, 0.5)), url("{ZHANGJIAJIE_BG_URL}") !important; background-size: cover !important; background-position: center !important; background-repeat: no-repeat !important; background-attachment: fixed !important; }} header[data-testid="stHeader"] {{ background: transparent !important; }} h1 {{ color: #ffffff !important; text-shadow: 0 3px 14px rgba(0, 0, 0, 0.7) !important; font-weight: 700 !important; text-align: center !important; }} div[data-testid="stCaptionContainer"] p {{ color: #fef08a !important; text-shadow: 0 2px 8px rgba(0, 0, 0, 0.6) !important; text-align: center !important; }} .stMarkdown p {{ color: #f8fafc !important; text-shadow: 0 2px 8px rgba(0, 0, 0, 0.6) !important; text-align: center !important; }} /* 채팅 카드 스타일 */ div[data-testid="stChatMessage"] {{ background: rgba(253, 250, 243, 0.94) !important; backdrop-filter: blur(10px) !important; border-radius: 14px !important; border: 1px solid #d8c3a5 !important; box-shadow: 0 8px 24px rgba(20, 15, 10, 0.22) !important; margin-bottom: 0.9rem !important; }} div[data-testid="stChatMessage"] p, div[data-testid="stChatMessage"] td, div[data-testid="stChatMessage"] th {{ color: #2b1d0c !important; text-shadow: none !important; text-align: left !important; }} """ if is_chat_empty: layout_css = f""" <style> {common_css} /* 1. 제목 및 안내문 컨테이너: 화면 높이 기준 중앙 상단에 배치 */ .block-container {{ max-width: 680px !important; min-height: 100vh !important; padding-top: calc(50vh - 150px) !important; /* 화면 정중앙에 자리잡도록 동적 마진 계산 */ padding-bottom: 0 !important; display: flex !important; flex-direction: column !important; align-items: center !important; justify-content: flex-start !important; }} h1 {{ font-size: 2.3rem !important; margin: 0 !important; padding: 0 !important; }} div[data-testid="stCaptionContainer"] {{ margin-top: 0.2rem !important; margin-bottom: 0.2rem !important; }} .stMarkdown p {{ margin-top: 0.2rem !important; margin-bottom: 1.2rem !important; font-size: 1.05rem !important; }} /* 2. 검색창(stBottom): 하단 고정을 완전히 해제하고 화면 정중앙으로 강제 배치 */ div[data-testid="stBottom"] {{ position: fixed !important; top: calc(50vh + 35px) !important; /* 안내 문구 바로 아래에 밀착 */ bottom: auto !important; left: 50% !important; transform: translateX(-50%) !important; width: 100% !important; max-width: 650px !important; background: transparent !important; box-shadow: none !important; border: none !important; padding: 0 !important; z-index: 9999 !important; }} div[data-testid="stBottom"] > div {{ background: transparent !important; padding: 0 !important; }} /* 3. 우드(Wood) 스타일 검색창 본체 */ div[data-testid="stChatInput"] {{ border-radius: 26px !important; border: 2px solid #855b32 !important; background: #fbf6ee !important; box-shadow: 0 10px 30px rgba(25, 15, 5, 0.45), inset 0 1px 2px rgba(255, 255, 255, 0.9) !important; padding: 6px 14px !important; transition: all 0.25s ease !important; }} div[data-testid="stChatInput"]:focus-within {{ border-color: #533418 !important; background: #ffffff !important; box-shadow: 0 12px 36px rgba(40, 20, 5, 0.55) !important; transform: translateY(-2px); }} div[data-testid="stChatInput"] textarea {{ font-size: 15px !important; font-weight: 500 !important; color: #382413 !important; background: transparent !important; }} div[data-testid="stChatInput"] textarea::placeholder {{ color: #9c836d !important; }} div[data-testid="stChatInput"] button {{ border-radius: 50% !important; background-color: #855b32 !important; color: #ffffff !important; transition: all 0.2s ease !important; }} div[data-testid="stChatInput"] button:hover {{ background-color: #533418 !important; transform: scale(1.1) !important; }} </style> """ else: layout_css = f""" <style> {common_css} .block-container {{ max-width: 720px !important; padding-top: 2rem !important; padding-bottom: 6.5rem !important; }} div[data-testid="stBottom"] {{ background: linear-gradient(180deg, rgba(15, 23, 42, 0) 0%, rgba(18, 14, 10, 0.85) 45%, rgba(12, 9, 6, 0.95) 100%) !important; padding-top: 8px !important; padding-bottom: 16px !important; }} div[data-testid="stChatInput"] {{ border-radius: 24px !important; border: 2px solid #855b32 !important; background: #fbf6ee !important; box-shadow: 0 6px 20px rgba(45, 30, 15, 0.3) !important; padding: 6px 14px !important; }} div[data-testid="stChatInput"]:focus-within {{ border-color: #533418 !important; background: #ffffff !important; box-shadow: 0 8px 26px rgba(60, 35, 15, 0.45) !important; }} div[data-testid="stChatInput"] textarea {{ color: #382413 !important; background: transparent !important; }} div[data-testid="stChatInput"] button {{ border-radius: 50% !important; background-color: #855b32 !important; color: #ffffff !important; }} </style> """ st.markdown(layout_css, unsafe_allow_html=True) # 메인 헤더 st.title("⛰️ Weather & KBO AI Chatbot") st.caption("AWS Bedrock · Amazon Nova · Streamlit") st.write("장가계의 웅장한 풍경과 함께 실시간 날씨 및 2026 KBO 프로야구 순위를 안내해 드립니다.") # ============================================================ # 03. AWS Bedrock 클라이언트 생성 함수 # ============================================================ @st.cache_resource def create_bedrock_client(): try: if AWS_ACCESS_KEY_ID and AWS_SECRET_ACCESS_KEY: session = boto3.Session( aws_access_key_id=AWS_ACCESS_KEY_ID, aws_secret_access_key=AWS_SECRET_ACCESS_KEY, aws_session_token=AWS_SESSION_TOKEN, region_name=AWS_REGION ) else: session = boto3.Session( profile_name=AWS_PROFILE, region_name=AWS_REGION ) except ProfileNotFound: session = boto3.Session(region_name=AWS_REGION) return session.client("bedrock-runtime") # ============================================================ # 04. 위치 변환 유틸리티 (도시명 -> 위도/경도) # ============================================================ def get_coordinates(city_name: str): geolocator = Nominatim( user_agent="bedrock_weather_kbo_chatbot", timeout=10 ) location = geolocator.geocode(f"{city_name}, South Korea") if location is None: raise ValueError(f"'{city_name}'의 위치 좌표를 찾을 수 없습니다.") return location.latitude, location.longitude # ============================================================ # 05. 도구(Tool) 1: 실시간 날씨 조회 # ============================================================ def get_weather(city_name: str) -> dict: try: if not city_name or not city_name.strip(): raise ValueError("도시 이름이 입력되지 않았습니다.") latitude, longitude = get_coordinates(city_name) url = "https://api.open-meteo.com/v1/forecast" request_params = { "latitude": latitude, "longitude": longitude, "current": ["temperature_2m", "relative_humidity_2m", "weather_code", "wind_speed_10m"], "timezone": "Asia/Seoul", } response = httpx.get(url, params=request_params, timeout=10.0, follow_redirects=True) response.raise_for_status() data = response.json() current = data.get("current", {}) return { "status": "success", "city": city_name, "temperature": f"{current.get('temperature_2m')}°C", "humidity": f"{current.get('relative_humidity_2m')}%", "wind_speed": f"{current.get('wind_speed_10m')} km/h", } except Exception as e: return {"status": "error", "message": str(e)} # ============================================================ # 06. 도구(Tool) 2: 2026 KBO 순위 조회 # ============================================================ def get_kbo_ranking(season: str = "2026") -> dict: raw_data = [ (1, "kt wiz", 144, 90, 5, 49, 0.647, "0.0"), (2, "삼성 라이온즈", 144, 83, 3, 58, 0.589, "8.0"), (3, "KIA 타이거즈", 144, 79, 2, 63, 0.556, "12.5"), (4, "LG 트윈스", 144, 78, 1, 65, 0.545, "14.0"), (5, "두산 베어스", 144, 73, 5, 66, 0.525, "17.0"), (6, "SSG 랜더스", 144, 65, 5, 74, 0.468, "25.0"), (7, "롯데 자이언츠", 144, 64, 3, 77, 0.454, "27.0"), (8, "NC 다이노스", 144, 64, 2, 78, 0.451, "27.5"), (9, "한화 이글스", 144, 57, 4, 83, 0.407, "33.5"), (10, "키움 히어로즈", 144, 50, 4, 90, 0.357, "40.5"), ] standings = [] for rank, team, games, won, drawn, lost, wra, diff in raw_data: standings.append({ "rank": rank, "team": team, "games": games, "wins": won, "draws": drawn, "losses": lost, "win_rate": wra, "game_diff": diff, }) return { "status": "success", "season": "2026", "ranking": standings } # ============================================================ # 07. Bedrock Tool 설정 # ============================================================ TOOL_CONFIG = { "tools": [ { "toolSpec": { "name": "get_weather", "description": "특정 한국 도시의 현재 날씨와 기온, 습도, 풍속을 조회합니다.", "inputSchema": { "json": { "type": "object", "properties": { "city_name": { "type": "string", "description": "날씨를 조회할 한국 도시 이름 (예: 서울, 부산, 대전 등)" } }, "required": ["city_name"] } } } }, { "toolSpec": { "name": "get_kbo_ranking", "description": "2026 KBO 프로야구 팀 순위표(순위, 팀명, 경기수, 승, 무, 패, 승률, 게임차)를 조회합니다.", "inputSchema": { "json": { "type": "object", "properties": { "season": { "type": "string", "description": "시즌 연도 (기본값: '2026')" } } } } } } ] } def execute_tool(tool_name: str, tool_args: dict): if tool_name == "get_weather": return get_weather(tool_args.get("city_name", "")) elif tool_name == "get_kbo_ranking": return get_kbo_ranking(tool_args.get("season", "2026")) return {"status": "error", "message": f"지원하지 않는 도구: {tool_name}"} # ============================================================ # 08. Bedrock Converse 처리 루프 # ============================================================ def run_conversation(messages: list): client = create_bedrock_client() system_prompt = [ { "text": "당신은 한국의 날씨와 KBO 야구 순위를 안내하는 AI 어시스턴트입니다. " "한국어로 따뜻하고 친절하게 답변하고, <thinking> 등의 추론 과정 태그는 사용자 화면에 절대 노출하지 마세요. " "야구 순위를 안내할 때는 반드시 get_kbo_ranking 도구의 반환 결과를 바탕으로 깔끔한 마크다운 표(Table)로 출력하세요." } ] while True: response = client.converse( modelId=MODEL_ID, messages=messages, system=system_prompt, toolConfig=TOOL_CONFIG ) stop_reason = response["stopReason"] output_message = response["output"]["message"] messages.append(output_message) if stop_reason == "tool_use": tool_requests = [c["toolUse"] for c in output_message["content"] if "toolUse" in c] tool_results = [] for req in tool_requests: t_id = req["toolUseId"] t_name = req["name"] t_input = req.get("input", {}) t_result = execute_tool(t_name, t_input) tool_results.append({ "toolResult": { "toolUseId": t_id, "content": [{"json": t_result}], "status": "success" } }) messages.append({"role": "user", "content": tool_results}) else: final_text = "".join([c["text"] for c in output_message["content"] if "text" in c]) final_text = re.sub(r"<thinking>.*?</thinking>", "", final_text, flags=re.DOTALL).strip() return final_text # ============================================================ # 09. Streamlit 대화 인터페이스 # ============================================================ for msg in st.session_state.messages: if msg["role"] in ["user", "assistant"] and isinstance(msg["content"], list): text_content = "".join([c.get("text", "") for c in msg["content"] if isinstance(c, dict) and "text" in c]) if text_content: with st.chat_message(msg["role"]): st.write(text_content) if user_prompt := st.chat_input("원하는 질문을 입력해 보세요 (예: 서울 날씨 어때?, 2026 KBO 순위 알려줘)"): with st.chat_message("user"): st.write(user_prompt) st.session_state.messages.append({ "role": "user", "content": [{"text": user_prompt}] }) with st.chat_message("assistant"): with st.spinner("2026 최신 데이터를 확인하고 있습니다..."): try: answer = run_conversation(st.session_state.messages) st.write(answer) except ClientError as e: error_msg = e.response['Error']['Message'] st.error(f"AWS Bedrock 오류: {error_msg}") except Exception as e: st.error(f"실행 중 예외 오류 발생: {str(e)}") st.rerun()
JavaScript
복사