AWS Certified Generative AI Developer – Professional（AIP-C01）备考指南：考试大纲与学习计划

AWS Certified Generative AI Developer – Professional（AIP-C01）考查如何将基础模型和生成式 AI 应用集成到生产系统中。除了 RAG、Agent 和提示管理，还涉及数据与合规、安全治理、成本优化、评估和排障。重点是生产约束下的工程取舍，不是训练基础模型。

考试范围可能调整，请以 AWS 最新 AIP-C01 考试指南为准。

适合谁？需要什么基础？

适合负责生成式 AI 应用、平台集成或治理的工程师。AWS 目标考生画像强调生产应用和生成式 AI 实践经验；这不是报名限制。准备前建议已有 AIF-C01 所覆盖的概念基础，并熟悉云计算、安全身份、应用集成和监控。

AIF-C01 偏 AI 概念；MLA-C01（请留意该考试版本更新）偏 ML 工程；AIP-C01 则偏生成式 AI 系统的生产集成。

考试大纲与权重

Domain	官方名称	主要关注点	权重
1	Foundation Model Integration, Data Management, and Compliance	模型集成、数据管理与合规	31%
2	Implementation and Integration	Agent、模型和企业系统集成	26%
3	AI Safety, Security, and Governance	AI 安全、内容安全和治理	20%
4	Operational Efficiency and Optimization for GenAI Applications	运行效率、成本和性能优化	12%
5	Testing, Validation, and Troubleshooting	测试、验证与排障	11%

Domain 1 占比最大；Domain 5 虽然权重较低，仍需掌握生产验证和问题定位。权重是计分内容占比，详细技能以官方指南为准。

五个 Domain 怎么学

Domain 1：基础模型集成、数据管理与合规

先分析业务需求、模型能力和部署限制，再处理数据来源、权限、驻留和合规。向量数据库或知识库需要考虑数据更新、索引和生命周期，而不只是建好后能查询。

容易混淆： 先选模型，再补数据与合规要求；或没有模型不可用时的替代方案。先记录数据敏感度、允许的处理位置、质量要求和回退路径，再选模型与检索方案。

Domain 2：实现与集成

覆盖 Agent 和工具集成、模型部署策略、FM API、企业系统及应用工作流集成。理解检索、模型、工具和业务系统之间的数据流，以及每个环节的权限和失败处理。

容易混淆： Demo 能调用工具，就认为具备生产能力。还要考虑身份验证、最小权限、幂等、审计、超时和人工审批。

Domain 3：AI 安全、安保与治理

学习如何保护模型输入输出、控制有害内容和滥用，并将身份、人工监督和治理要求落实到应用中。

容易混淆： 只配置内容护栏，却忽略 Agent 权限、敏感数据泄露和人工审批。按风险场景列出控制、负责人和审计证据。

Domain 4：运行效率与优化

比较模型质量、延迟、吞吐量和成本；理解 token 用量、缓存、模型路由等选择对生产系统的影响，并用业务指标判断优化是否有效。

容易混淆： 单独追求低成本或低延迟，导致回答质量或业务结果变差。为每个方案设质量、延迟和单位请求成本目标，再比较替代方案。

Domain 5：测试、验证与排障

建立测试集、评估标准和回归流程，分析模型、检索、提示、工具或下游系统哪一层导致问题。

容易混淆： 只凭主观感觉判断输出好坏，或把检索失误误判成模型问题。用可复现的测试样例和分层排查流程定位问题。

建议的学习顺序

先复习 AIF-C01 的生成式 AI 和基础模型概念。
学模型、数据与合规，再学应用和 Agent 集成。
补安全治理、成本性能取舍。
用测试评估和排障场景串联前面内容。

三个准备度自测

如何验证 RAG 回答有可靠依据，并在提示或模型更新后做回归？
Agent 调用内部工具时，身份、权限和人工审批如何设计？
成本上升时，如何判断应调整模型、上下文、缓存还是调用频率？

如果有两题答不清楚，先复习对应领域，再增加练习量。

备考三步

读官方指南。 按五个 Domain 的任务目标列出熟悉和薄弱项。
画生产数据流。 标出数据来源、模型、检索或工具、业务动作、权限、评估与监控。
练习并复盘。 按 Domain 和错误原因归类错题，回到对应官方目标复习。