Web playgrounds डेमो के लिए बेहतरीन होते हैं। आप टेक्स्ट का एक ब्लॉक पेस्ट करते हैं, मॉडल को एक सटीक सारांश (summary) जनरेट करते हुए देखते हैं, और टैब बंद कर देते हैं। लेकिन यह इंजीनियरिंग नहीं है। प्रोडक्शन वर्क का मतलब है APIs, एरर हैंडलिंग, और ऐसा कोड जो आपके सोते समय भी चलता रहे। यदि आपको एक निर्धारित समय पर मीटिंग ट्रांसक्रिप्ट्स, सपोर्ट टिकट्स, या रिसर्च पेपर्स को प्रोसेस करने की आवश्यकता है, तो आपको एक पाइपलाइन की जरूरत होगी।
यह गाइड ठीक वही बनाने के बारे में है: Python, Python के लिए AWS SDK (boto3), और Amazon Bedrock का उपयोग करके एक हल्का, ऑटोमेटेड डॉक्यूमेंट समराइजेशन (document summarization) स्क्रिप्ट। हम Anthropic के Claude 3 Haiku का उपयोग करेंगे, जो टेक्स्ट समराइजेशन कार्यों के लिए स्पीड और लागत (cost) के बीच एक बेहतरीन संतुलन बनाता है।
Bedrock और Claude 3 Haiku क्यों?
Amazon Bedrock एक मैनेज्ड सर्विस है जो AWS APIs के एक सिंगल सेट के माध्यम से फाउंडेशन मॉडल्स को उपलब्ध कराती है। बाहरी एंडपॉइंट्स को जोड़ने और अलग-अलग बिलिंग और सुरक्षा मॉडल्स के साथ जूझने के बजाय, आप स्टैंडर्ड IAM कंट्रोल्स के साथ एक AWS एंडपॉइंट को कॉल करते हैं। आपका डेटा आपके AWS एनवायरनमेंट के भीतर ही रहता है।
Claude 3 Haiku, Anthropic के Claude 3 परिवार का सबसे हल्का (leanest) मॉडल है। इसे रिस्पॉन्सिवनेस और कम लागत के लिए बनाया गया है, जो इसे हाई-वॉल्यूम समराइजेशन के लिए आदर्श बनाता है, जहाँ आप सरल रीडिंग टास्क के लिए बड़े मॉडल्स की भारी क्षमता (horsepower) के लिए भुगतान किए बिना प्रेडिक्टेबल आउटपुट चाहते हैं।
आपको क्या चाहिए
कोई भी कोड लिखने से पहले, सुनिश्चित करें कि आपके पास निम्नलिखित चीजें तैयार हैं:
- एक एक्टिव AWS अकाउंट।
- लोकल पर Python 3.9 या उससे उच्च वर्ज़न इंस्टॉल होना चाहिए।
- AWS CLI को उन क्रेडेंशियल्स के साथ कॉन्फ़िगर किया गया हो जिनके पास Bedrock मॉडल्स को इनवोक (invoke) करने की अनुमति हो। यदि आपने अभी तक
aws configureनहीं चलाया है, तो अभी करें। यदि बाद में आपको परमिशन एरर मिलते हैं, तो आपको संभवतः अपने IAM यूजर या रोल के साथ उचित Bedrock invocation परमिशन जोड़नी होगी। - AWS Bedrock कंसोल के अंदर विशेष रूप से Anthropic Claude 3 Haiku के लिए मॉडल एक्सेस सक्षम (enabled) होना चाहिए। AWS के लिए यह आवश्यक है कि आप किसी भी मॉडल को कॉल करने से पहले प्रत्येक मॉडल प्रोवाइडर के लिए स्पष्ट रूप से ऑप्ट-इन (opt in) करें।
स्टेप 1: मॉडल एक्सेस सक्षम करें
Bedrock आपको सीधे (out of the box) मॉडल्स को कॉल करने की अनुमति नहीं देता है। आपको पहले कंसोल में स्विच ऑन करना होगा।
- AWS Management Console में लॉग इन करें।
- Amazon Bedrock खोजने के लिए सर्च बार का उपयोग करें।
- लेफ्ट नेविगेशन पैनल में, Model access चुनें।
- Modify model access पर क्लिक करें।
- Anthropic (Claude 3 Haiku) के लिए बॉक्स को टिक करें और अपना अनुरोध सबमिट करें।
एक बार जब स्टेटस बदलकर "Access granted" हो जाए, तो आप कोड से मॉडल को कॉल करने के लिए तैयार हैं।
स्टेप 2: अपना एनवायरनमेंट सेटअप करें
एक क्लीन Python एनवायरनमेंट डिपेंडेंसीज़ को आइसोलेटेड और रिप्रोड्यूसिबल रखता है। अपना टर्मिनल खोलें और ये कमांड चलाएं:
mkdir bedrock-summarizer && cd bedrock-summarizer
python3 -m venv venv
source venv/bin/activate
pip install boto3
Windows यूजर्स को एक्टिवेशन कमांड को venv\Scripts\activate से बदलना चाहिए। pip install boto3 पूरा होने के बाद, आपके पास AWS APIs से बात करने के लिए आवश्यक सब कुछ होगा।
स्टेप 3: स्क्रिप्ट लिखें
summarize.py नाम की एक फाइल बनाएं। इसका लक्ष्य डिस्क से एक डॉक्यूमेंट पढ़ना, उसे Bedrock Converse API को सौंपना और एक संक्षिप्त सारांश प्रिंट करना है।
नीचे एक पूर्ण, वर्किंग इम्प्लीमेंटेशन दी गई है। हम Converse API का उपयोग करते हैं क्योंकि यह उस रॉ JSON फॉर्मेटिंग को एब्स्ट्रैक्ट (abstract) कर देता है जिसकी विभिन्न मॉडल प्रोवाइडर्स को अपेक्षा होती है। आप बस मैसेज की एक लिस्ट और इन्फरेंस सेटिंग्स पास करते हैं।
import boto3
def summarize_document(text: str) -> str:
client = boto3.client("bedrock-runtime")
model_id = "anthropic.claude-3-haiku-20240307-v1:0"
messages = [
{
"role": "user",
"content": [
{
"text": (
"Provide a concise summary of the following document. "
"Focus on the main points and avoid unnecessary detail:\n\n"
f"{text}"
)
}
]
}
]
response = client.converse(
modelId=model_id,
messages=messages,
inferenceConfig={
"temperature": 0.3,
"maxTokens": 512
}
)
summary = response["output"]["message"]["content"][0]["text"]
return summary.strip()
if __name__ == "__main__":
with open("document.txt", "r", encoding="utf-8") as f:
document_text = f.read()
result = summarize_document(document_text)
print("\n--- Summary ---\n")
print(result)
यहाँ कुछ व्यावहारिक विवरण दिए गए हैं जिन पर ध्यान देना महत्वपूर्ण है:
- boto3.client("bedrock-runtime") उस रनटाइम एंडपॉइंट को टारगेट करता है जो इन्फरेंस (inference) को हैंडल करता है। सुनिश्चित करें कि
~/.aws/configमें आपका AWS रीजन Bedrock को सपोर्ट करता है और आपने उसी रीजन में Haiku को इनेबल किया है। - Model ID
anthropic.claude-3-haiku-20240307-v1:0वह सटीक आइडेंटिफायर है जिसकी Bedrock अपेक्षा करता है। इसे बिल्कुल सही तरीके से कॉपी करें। - Temperature को 0.3 पर सेट करना आउटपुट को सटीक (grounded) रखता है। समराइजेशन के लिए, आप सोर्स टेक्स्ट के प्रति निरंतरता और सटीकता चाहते हैं, न कि रचनात्मक सजावट। यदि आप टेम्परेचर को 1.0 की ओर बढ़ाते हैं, तो मॉडल वाक्यांशों (phrasing) के साथ अपनी मर्जी चलाने लगता है और कभी-कभी विवरणों को मनगढ़ंत बना देता है।
- प्रॉम्प्ट खुद विशिष्ट है। मॉडल पर एक अस्पष्ट "summarize this" के साथ रॉ टेक्स्ट फेंकने के बजाय, हम स्पष्ट रूप से मुख्य बिंदुओं के लिए पूछते हैं और इसे फालतू बातों (fluff) को छोड़ने का निर्देश देते हैं। इस तरह की स्पष्टता अनुपयोगी आउटपुट को उस चीज़ से अलग करती है जिसे आप वास्तव में शिप (ship) कर सकते हैं।
जिस भी टेक्स्ट फाइल का आप सारांश चाहते हैं, उसे उसी डायरेक्टरी में रखें और उसका नाम document.txt रखें।
स्टेप 4: इसे चलाएं
अपने वर्चुअल एनवायरनमेंट को एक्टिव रखते हुए, इसे चलाएं:
python summarize.py
यदि आपके क्रेडेंशियल्स और मॉडल एक्सेस सही हैं, तो आपको कुछ ही सेकंड के भीतर अपने टर्मिनल पर एक साफ-सुथरा सारांश प्रिंट होता हुआ दिखाई देना चाहिए। यदि आपको एक्सेस एरर मिलता है, तो अपने IAM परमिशन की दोबारा जांच करें और पुष्टि करें कि आपने कंसोल में Claude 3 Haiku को इनेबल किया है।
स्क्रिप्ट से आगे बढ़ना
This pipeline is intentionally simple, but it is the foundation for real automation. Here is how you can extend it without adding bloat.
Batch processing. Swap the single file read for a loop over a directory. Drop fifty PDFs or text files into an input folder, iterate through them, and write the summaries to an output folder. If you want to ingest PDFs directly, you will need a preprocessing step with a library like PyPDF2 or pdfplumber to extract raw text before it hits Bedrock.
Chunking strategy. Very long documents may exceed the model’s context limit. When that happens, split the text into logical chunks by paragraph or section, summarize each chunk individually, and then pass the intermediate summaries back through the model for a final synthesis. This two-stage approach keeps you under token limits while preserving coverage of the full document.
Error handling. Production code should catch boto3.exceptions.ClientError specifically. AWS may throttle your requests if you call the API too aggressively. Wrap your converse call in a retry loop with exponential backoff, or use a library like tenacity to handle rate limits gracefully.
Prompt engineering. The difference between a mediocre summary and a useful one often comes down to the prompt. Ask for bullet points if you need scanability. Ask for a one-paragraph executive summary if the audience is senior leadership. You can even pass formatting constraints, such as "Limit the summary to three sentences" or "Return the output as JSON with keys for topic, key_points, and action_items."
The Real Takeaway
Moving from a chat playground to a working script is the inflection point where AI becomes infrastructure. Once this pipeline runs locally, you can lift it into an AWS Lambda function triggered by S3 uploads, schedule it on ECS Fargate, or hook it into an existing data workflow. The API call is the easy part. The engineering value comes from wrapping that call in logic that handles files, errors, and formatting so you never have to copy and paste text into a browser again.
For additional context and variations on this setup, see the original walkthrough on Dev.to. If you want to discuss AWS architectures, LLM pipelines, or prompt engineering with a community of builders, join the conversation over at [GyaanSetu AI on Telegram](https://t.me/GyaanSet