# 用 AWS SDK(boto3) 调 Bedrock 上的模型（示意，参数以官方文档为准）
import boto3
client = boto3.client("bedrock-runtime", region_name="us-east-1")

# 通过 Bedrock 统一入口调某个模型，请求体格式随所选模型而定
resp = client.invoke_model(
    modelId="anthropic.claude-3-5-sonnet",   # 在货架上挑一个模型
    body='{"messages":[{"role":"user","content":"你好"}], "max_tokens":200}'
)
# 好处：换成别家模型只需改 modelId，鉴权/网络/计费都走 AWS，数据不出自己的云

✋ 动手 10 分钟：写一段你的「上云选型」面试答案

今天没有代码要跑——最该练的是「把选型讲清楚」。请对着下面模板,填成属于你自己的一段话,大声念两遍:

# 面试问：「如果让你把这个 Agent 部署上线，你会怎么选平台？」
# 照这个框架组织你的回答（约束优先 → 功能其次 → 别过度设计）：

# 1) 先问约束：数据合规要求？公司现在用哪朵云？预算和团队规模？
# 2) 给默认方案：如果没有特殊约束，我会先用「直接调模型 API +
#    容器化(Docker)部一个 FastAPI 服务 + K8s 编排 + CI/CD 自动发布」，
#    这套最快最省，能满足绝大多数场景。
# 3) 按需升级：若要数据不出云/多模型/合规，就上对应云的托管平台
#    （AWS→Bedrock，GCP→Vertex），跟着公司现有云走；
#    只有需要自训练/微调专属模型时，才用 SageMaker 这类更重的平台。
# 4) 补一句工程化：无论哪种，都会配 Day55 的可观测和 Day56 的成本治理。

能把这段话不看稿讲顺,你就把整个阶段 11(Day57~60)串成了一个完整的「部署观」——这比记住任何一个产品名都值钱。