AWS GenAI Developer Professional（AIP-C01）備考指南：考綱、教材與四步準備法

🌏 English version

本文依官方資料與具名考生心得整理，不是應考實錄；作者沒有報考這張考試。「考什麼」以官方 exam guide為準；讀書順序、實作驗收與時間配置是本文建議。查證日期：2026-09-12。

AIP-C01 的重點是把基礎模型整合成能上線的應用。它把模型開發與訓練、進階 ML、資料與特徵工程列為不要求考生執行的工作。這不代表可以跳過所有相關知識：第 1 章仍包含微調模型的部署與生命週期、LoRA／adapter，以及 GenAI 輸入資料處理。

準備時要抓住這個分界：不用以模型研究或從零訓練為主線，卻要會判斷什麼時候需要客製化模型、如何串接資料，以及怎麼驗證整套系統。RAG、agent、guardrails、成本與延遲、評估與除錯，都是同一個應用的不同面向。

各家證照的價格、效期與門檻對照見站內的2026 年工程師 AI 證照有哪些，本文不重複。

這張適合誰

官方建議具備兩年以上生產級應用開發經驗（AWS 或開源技術），並有一般 AI／ML 或資料工程背景，以及一年 GenAI 實作經驗。這是目標考生的描述，不是報名資格限制，也不能把年資直接換成備考週數。

適合已經做過 LLM 應用、agent 或 RAG，想把實作經驗整理成 AWS 架構判斷能力的人。若目標偏向模型訓練與 ML pipeline，先比較 MLA-C01 的考綱；兩張有雲端、安全與部署的共通基礎，主線不同。

前置能力自評

官方列出的 AWS 基礎包括運算、儲存、網路、安全與身分管理、部署與 IaC、監控及成本最佳化。把它們換成下面幾個自評問題，比只問「我有沒有考過 SAA」具體：

能力	開始備考前，試著做到
AWS 應用開發	畫出 API Gateway、Lambda、S3 與資料庫的資料流，指出失敗時查哪裡
身分與網路	解釋應用角色如何取得模型、文件與工具的存取權，以及哪些請求應走私有網路
部署與營運	用熟悉的 IaC 工具重建環境，能回滾版本、查日誌與追蹤費用
GenAI 實作	建過能附來源的 RAG，能分辨「沒找到資料」和「找到卻答錯」
Agent 整合	接過外部工具，知道如何處理逾時、權限拒絕與需要人工核可的動作

只有 AWS 基礎不足，就補對應的雲端課程；只缺 Bedrock 經驗，就把既有 RAG 移植一次。兩邊都陌生，可先用 AIF-C01 指南建立詞彙與服務地圖，再回來做專案。不用為了報考 AIP 而先集滿其他證照，官方認證頁明確說沒有指定先修證照。

官方規格速覽

項目	內容
費用	US$300；實際幣別、稅費與折扣以報名頁為準
時間	180 分鐘
題數	75 題，其中 65 題計分、10 題不計分
題型	單選與複選（沒有 AIF-C01 那種 ordering 與 matching）
及格	量尺分數 750（範圍 100–1,000），補償計分
猜題	未作答算錯；猜錯不額外扣分，不要留白
效期	3 年
語言	英文、日文、韓文、簡體中文（沒有繁中）
先修	無

750 是量尺分數，不是答對 75%。官方採整體補償計分，不要求每章各自及格；複選題則要選齊所有正確選項才給分。

五章權重

章節	比重
1. Foundation Model Integration, Data Management, and Compliance	31%
2. Implementation and Integration	26%
3. AI Safety, Security, and Governance	20%
4. Operational Efficiency and Optimization for GenAI Applications	12%
5. Testing, Validation, and Troubleshooting	11%

第 1、2 章合計 57%，可先建立 RAG 與整合能力；第 3 章的安全治理，以及第 4、5 章的營運與評估，要跟著實作一起練。官方只公布章節權重，任務或技能點的條數不能換算成出題比例。

逐章準備

第 1 章：FM 整合、資料管理與合規（31%，最重）

官方把這章拆成六個任務。以下依序整理，實作先從向量儲存與檢索接起。

1.1 需求分析與方案設計：架構設計、用 Bedrock 做技術 PoC、依 AWS Well-Architected Framework 與 Generative AI Lens 建立標準化元件。

1.2 FM 選擇與設定：依 benchmark、能力、限制選模型；動態換模型的架構（Lambda、API Gateway、AppConfig）；韌性設計（Step Functions circuit breaker、Bedrock Cross-Region Inference、跨區部署、優雅降級）；客製化生命週期（SageMaker AI 微調部署、LoRA／adapter、Model Registry 版控、回滾、模型退役）。

1.3 資料驗證與處理管線：Glue Data Quality、SageMaker Data Wrangler、Lambda、CloudWatch；多模態（Bedrock 多模態模型、SageMaker Processing、Transcribe）；模型專屬的輸入格式（Bedrock API 的 JSON、對話格式）。

1.4 向量儲存設計：Bedrock Knowledge Bases 的階層組織、OpenSearch Service 與 Neural plugin、RDS 搭 S3 文件庫、DynamoDB 搭向量庫、metadata 框架（S3 物件 metadata、自訂屬性、標籤）、高效能索引（OpenSearch 分片、多索引、階層式索引）、與文件管理系統整合、資料維護（增量更新、即時變更偵測、同步流程、排程刷新）。

1.5 檢索機制與 RAG：chunking（Bedrock 內建、Lambda 固定大小、階層式）；embedding 選擇（Amazon Titan embeddings、維度與領域適配、Lambda 批次 embedding）；向量搜尋部署（OpenSearch、Aurora pgvector、Bedrock Knowledge Bases 託管向量庫）；進階搜尋（關鍵字＋向量混合、Bedrock reranker 模型）；查詢處理（查詢擴展、分解、轉換）；存取機制（function calling、用 MCP client 查詢向量庫、標準化檢索 API）。

1.6 Prompt 工程與治理：Bedrock Prompt Management 的角色定義、Bedrock Guardrails；互動式脈絡（Step Functions 澄清流程、Comprehend 意圖、DynamoDB 對話歷史）；prompt 治理（參數化模板、審核流程、S3 儲存庫、CloudTrail、CloudWatch Logs）；prompt 的 QA 與回歸測試；Bedrock Prompt Flows 的 prompt 鏈、條件分支、可重用元件。

怎麼準備：把 RAG 做到能比較設計取捨。先用 Bedrock Knowledge Bases 建好檢索，再挑一段以 Aurora pgvector 自行實作，對照 metadata 過濾、增量更新與維運責任。用相同問題比較 chunking、混合搜尋與 reranker；每次只改一個變因，保留查回的片段與答案。這些是實作安排，不代表各技能有相同配分。

第 2 章：實作與整合（26%）

2.1 agentic AI 與工具整合（多 agent、工具與狀態管理）：Strands Agents 與 AWS Agent Squad 做多 agent；MCP 處理 agent 與工具的互動；記憶與狀態管理；用 Step Functions 實作 ReAct 與 chain-of-thought；防護機制（停止條件、Lambda timeout、IAM 資源邊界、circuit breaker）；模型組合與協調；human-in-the-loop（Step Functions 審核核可、API Gateway 回饋）；MCP server 部署在 Lambda（輕量無狀態）或 ECS（複雜工具）。

2.2 部署策略：Lambda 隨選呼叫、Bedrock provisioned throughput、SageMaker endpoint 混合；容器部署依記憶體／GPU／token 吞吐調校；model cascading 與小型任務專用模型。

2.3 企業整合：既有 API 整合、事件驅動鬆耦合；API Gateway 微服務、Lambda webhook、EventBridge；身分聯合、RBAC、最小權限存取 FM；AWS Outposts 與 Wavelength 處理資料落地與邊緣；CI/CD 與 GenAI gateway 架構（CodePipeline、CodeBuild、自動化測試、安全掃描、回滾、集中式抽象層）。

2.4 FM API 整合：Bedrock 同步 API、SDK 搭 SQS 非同步；Bedrock streaming API、WebSocket／SSE、chunked transfer；韌性（SDK 指數退避、API Gateway 速率限制、fallback、X-Ray）；智慧模型路由（靜態、Step Functions 依內容、依指標）。

2.5 應用整合與開發工具：API Gateway 處理串流與 token 上限；AWS Amplify UI 元件、OpenAPI、Bedrock Prompt Flows 無程式碼；Bedrock Data Automation；Amazon Q Developer 生成與重構程式碼；CloudWatch Logs Insights 搭 X-Ray 除錯。

怎麼準備：這章的 agent 內容跟站內的 Agent 生產線系列脈絡相通，但考試要的是 AWS 的具體實作對應 —— 知道「多 agent 要用什麼」不夠，要知道 Strands Agents 與 Agent Squad 各自的定位、MCP server 什麼時候放 Lambda 什麼時候放 ECS。

AgentCore 要讀到能分工。 依官方概覽，可先把 Runtime 對應到執行與隔離、Gateway 對應到工具接入、Identity 對應到身分與憑證、Memory 對應到跨互動脈絡、Observability 對應到追蹤除錯。練習把這些能力放進上面的 agent 資料流，解釋哪些交給託管服務、哪些仍由應用負責。服務持續新增功能，不代表每個新功能都已成為考點，範圍仍回到 exam guide。

第 3 章：AI 安全、資安與治理（20%）

3.1 輸入輸出安全控制：Bedrock Guardrails 的輸入過濾與回應過濾；自訂審核（Step Functions／Lambda）；降低幻覺（Knowledge Base grounding 加事實查核、信心分數、語意相似度、JSON Schema 結構化輸出）；縱深防禦（Comprehend 前置過濾、模型端 guardrail、Lambda 後處理、API Gateway 回應過濾）；prompt injection 與 jailbreak 偵測、輸入清洗、安全分類器、自動化對抗測試。

3.2 資料安全與隱私：VPC endpoint、IAM、Lake Formation、CloudWatch；PII 偵測用 Comprehend 與 Macie、Bedrock 原生隱私功能、S3 Lifecycle 保留；遮罩與匿名化。

3.3 治理與合規：SageMaker AI 的程式化 model card、Glue 資料血緣、metadata 標籤、CloudWatch 決策日誌；Glue Data Catalog 來源註冊、CloudTrail 稽核；持續監控（誤用、drift、政策違規偵測、偏誤 drift 監控、token 層級遮蔽、回應記錄、輸出政策過濾）。

3.4 負責任 AI：透明度（推理過程呈現、信心指標、來源歸屬、Bedrock agent tracing）；公平性（CloudWatch 公平性指標、用 Prompt Management／Prompt Flows 做 A/B、LLM-as-a-judge 自動評估）；政策合規（由政策生成 guardrail、model card 記錄限制、Lambda 合規檢查）。

怎麼準備：替同一個 RAG 加入有害內容、個資與越權查詢案例，分別檢查內容過濾、資料授權與稽核紀錄。JSON Schema 能檢查格式，不能保證答案真實；grounding 與事實查核仍要另外驗證。也不要把模型自行給的信心分數當成正確率。

第 4 章：營運效率與最佳化（12%）

4.1 成本最佳化：token 估算與追蹤、context window 最佳化、回應長度控制、prompt 壓縮與 context pruning；成本能力取捨、依查詢複雜度分層使用 FM、性價比；批次、容量規劃、自動擴展、provisioned throughput 最佳化；語意快取、結果指紋、邊緣快取、確定性請求雜湊、prompt caching。

4.2 效能與延遲：預先計算、延遲最佳化的 Bedrock 模型、平行請求、串流回應、benchmark；檢索速度（索引最佳化、查詢前處理、混合搜尋自訂評分）；吞吐量（token 處理最佳化、批次推論、併發管理）；temperature 與 top-k／top-p 的選擇、A/B 測試；API 呼叫剖析與向量庫查詢最佳化。

4.3 監控與可觀測性：CloudWatch 追蹤 token 用量、prompt 有效性、幻覺率、回應品質；異常偵測（token 暴衝、回應漂移）；Bedrock Model Invocation Logs；成本異常偵測；工具呼叫的可觀測性與多 agent 協調追蹤；向量庫營運監控；用 golden dataset 偵測幻覺、輸出 diff、推理路徑追蹤。

怎麼準備：先分清語意快取與 prompt caching：前者重用相似請求的結果，後者重用模型處理共用 prompt 前綴的計算。用重複問題與重複前綴各測一輪，記錄 token 用量、延遲與答案品質，並檢查快取如何失效、是否隔離不同使用者的資料。

第 5 章：測試、驗證與除錯（11%）

5.1 評估（9 個技能點）：品質指標（相關性、事實正確性、一致性、流暢度）；Bedrock Model Evaluations、A/B 與 canary、多模型評估、token 效率與延遲品質比；使用者回饋介面、評分系統、標註流程；持續評估、回歸測試、自動化品質閘門；RAG 評估與 LLM-as-a-Judge、人類回饋；檢索品質測試（相關性評分、脈絡匹配、檢索延遲）；Bedrock Agent evaluations、任務完成率、工具使用效果、多步推理品質；部署驗證（合成使用者流程、幻覺率與語意漂移檢查）。

5.2 除錯：context window 溢位、動態 chunking、截斷錯誤；FM API 整合失敗；prompt 測試框架與版本比較；檢索問題（embedding 品質診斷、drift 監控、向量化與 chunking 修正）；prompt 維護（CloudWatch Logs 找 prompt 混淆、X-Ray prompt 可觀測性、schema 驗證）。

怎麼準備：評估這塊跟站內的 RAG 評估框架重疊度高，可以先看那篇建立方法論，再對回 Bedrock 的具體工具。

準備方式

沿用 AWS 認證頁的四步流程：了解考試 → 補強知識 → 複習練習 → 評估準備度。AIP 要把這四步接到同一個可操作的專案，否則很容易看完課卻仍不會判斷架構。

需要多少時間？

原版十週計畫可當排程範本，不能當通過所需時間的統計。先看能力缺口，再排週數：

目前背景	準備重點
已用 Bedrock 維運 RAG 與 agent	先做診斷，補未接觸的任務、治理與長情境題
做過其他平台的 GenAI 應用	把既有設計對應到 AWS，補 IAM、部署、監控與服務限制
有 AWS 經驗，但只做過 prompt demo	先完成下方實作，再決定考試日期
AWS 與 GenAI 都陌生	先補基礎；不要直接套十週倒數

早期的 Christian Greciano beta 心得仍有參考價值：他已有四張 AWS 證照，卻因準備與練習不足而在考場時間吃緊，最後以 760 分通過。但 beta 有不同題數與時間，不能拿它描述標準版體驗。

標準版考生怎麼準備、考得怎樣

以下四篇都是在標準版開始提供後發表的第一人稱紀錄；前三篇明示應試或通過時間，第四篇則明示已取得 AIP。它們是少量、有明確背景的樣本，能幫你看見差異，不能推算「平均需要幾週」或某教材的通過率。

考生與時間	背景與做法	可採用的教訓
motuneko253，2026-04-18 應試	已有多張 AWS 證照，含 SAP；準備不到一週，以 CloudLicense 題組複習，805 分通過	這是資深 AWS 應試者的下限案例，不能移植成新手的一週計畫；他自己認為既有架構判斷能力有助於排除明顯不合適的選項。
豆蔵，2026-04-20	beta 曾失敗，標準版重新準備後通過；著重考綱、Bedrock 周邊服務、長情境的「需求與限制」拆解	有既有證照也可能被長題幹、同時滿足可擴展性／安全／成本的取捨卡住。把限制寫成清單，再選架構，比背服務名稱可靠。
ohway_death，2026-06-22	AWS 經驗四年，正用 CDK、GenAI 與 Step Functions 開發；5 月先用 SimuLearn、官方題與課程，6 月再做兩套題組並回查文件	他按每題兩分鐘、保留半小時複查，實際卻在 160 分鐘才完成全部題目、留下 25 題標記。標準版的計時演練必須留在計畫中，不能只做不計時題。
AsiaQuest 櫻井，2026-07-24	有 AI／基礎設施實務與 AWS 全證照背景；以 Skill Builder 題目、模擬考和 Black Belt 補服務用法	實務能縮短「服務在系統裡怎麼連」的理解，但這位作者也有很強的既有 AWS 背景。把官方練習和工作中沒碰過的服務並列補足，較適合一般讀者採用。

四人的背景落差很大，卻有兩個一致訊號。第一，標準版仍是長情境下的架構取捨題：先找資料駐留、權限、成本、延遲、營運責任等限制，再比較選項。第二，實務經驗不是用來免讀，而是讓你能把服務選擇接回資料流、失敗處理與監控。這也解釋為什麼「一週通過」與「需要多輪計時練習」可以同時成立。

把這些心得放進你的計畫時，採用做法，不複製時程：先做一輪限時題找弱項；每一題回查考綱或官方文件；再用一個能留下日誌、成本和安全拒絕紀錄的專案補弱。個人心得對實際題目範圍的描述只作學習線索，最終以官方 exam guide 為準。

第一步：了解考試，留下診斷紀錄

讀 exam guide，把每個 task 標成「做過」「能解釋」「不熟」。接著做官方 Practice Question Set，先不翻解答，記錄哪些答案是猜的。猜對也算待補，不要只收錯題。

每個弱點要能回到具體任務，例如「1.5 檢索」「2.1 工具整合」「5.2 除錯」。若問題是看不懂 IAM 條件，就補 IAM；若是不知道檢索失敗怎麼排查，就回去查實作日誌。不要因為錯了一題，重新從整門課第一堂看起。

第二步：補強知識，選一條主線

官方路徑：AIP-C01 Exam Prep Plan適合當範圍檢查表。AWS 公告確認它包含章節課程、練習評量及 SimuLearn 實作；更需要人帶著操作，可看官方 Advanced Generative AI Development on AWS課程，涵蓋 Knowledge Bases、AgentCore 與企業整合。

偏好影片加示範：可比較 Frank Kane／Stéphane Maarek 的 AIP-C01 課程。目前課程頁列出 AgentCore、Strands、Agent Squad、RAG、評估與完整模擬考。這是供應商公布的內容，本文沒有完課評測；先試看弱項章節，再決定是否購買，不需要同時買多門主課程。

實作主線：做一個能查文件、呼叫工具的企業助理。 以下是本文依考綱設計的練習，不是 AWS 官方 lab 或真題：

練習	做什麼	驗收時留下什麼
RAG 與資料更新	文件匯入 Knowledge Bases，對照不同 chunking 與檢索設定；加入更新與刪除文件案例	問題、預期來源、查回片段、答案與同步結果；能解釋為何漏查
Agent 與工具	接一個唯讀查詢工具，再加需要核可的寫入動作；模擬逾時、拒絕與重複請求	工具輸入輸出、權限邊界、停止條件；重試不會造成重複寫入
安全與治理	測試個資、有害內容、文件中的惡意指令與跨使用者查詢	各層攔截或拒絕紀錄，確認沒洩漏其他使用者資料
成本與評估	在固定題組比較模型、prompt 或快取設定，一次只改一項	任務成功率、來源支持程度、token 用量、延遲與回歸結果

先做出最小可重現版本，再擴充。用自己的 AWS 帳號實作，開始前設定 AWS Budgets 預算提醒，結束後清掉不用的端點、向量庫與儲存資源；預算提醒本身不會自動停止收費。

第三步：複習與練習，把服務名稱換成判斷規則

AIF 的「情境配對服務」到了 AIP，需要再說明為什麼另一個看似可行的選項不符合限制。以下是練習判斷的切入點，不是遇到關鍵字就選固定答案：

情境	優先檢查的取捨
企業知識常變動，答案必須附來源	檢索、同步與權限是否滿足需求，再判斷是否還需要模型客製化
Agent 要執行有副作用的工具	在工具執行層驗權限、核可與重複請求；不能只靠 prompt 告訴它小心
回答變慢	分開量檢索、模型與工具時間，再決定索引、模型、串流或併發的改善方向
API 正常，但答案不可靠	檢查找回的證據、prompt、模型輸出與評估標準；HTTP 成功不是任務成功
需要追查異常操作與回答	分清 API 稽核、應用日誌、模型互動紀錄與端到端追蹤各能回答什麼

需要更多練習時，Tutorials Dojo AIP-C01提供 review、timed、分章與隨機模式，附解釋與參考連結。可以先用 review mode 查缺口，再換 timed mode；這些是供應商功能說明，不代表本文驗證過它與真實考題的相似度。

錯題筆記不用抄整題，留下這張表就夠：

對應任務	我漏看的限制	為何原選項不合適	下次怎麼判斷	官方依據／重測結果
2.1 工具整合	寫入前必須核可	只加內容過濾，沒有擋住工具執行	先找動作的授權與核可位置	回查文件，重跑拒絕案例

長題幹先讀最後的要求，找出「最低成本」「最少維運」「資料不得離開指定區域」等限制，再回頭讀完整情境。複選題要逐一驗證所有選項；不能找到第一個合理答案就停。

第四步：評估準備度

目前 AIP 官方認證頁在第四步列的是 Official Pretest；不要直接照搬 AIF 資源表，假定兩張的課程與評量名稱完全一樣。再用尚未做過的完整題組計時，檢查讀題節奏。

本文建議在報名前確認：

• 能解釋正確答案，也能說出其餘選項違反哪個限制。
• 面對沒看過的題目，仍能從需求推出設計，而不是記得選項位置。
• 五章都有補弱紀錄；第 4、5 章不是只在考前翻過一次。
• 實作能重現檢索失敗、工具逾時與安全拒絕，並找到對應紀錄。
• 計時練習能完成，還有時間檢查不確定題。

重做熟悉題組的高分只能表示記得答案，不能當成準備完成。第三方正確率也無法直接換算成 AWS 的 750 量尺分數。

AI 輔考：用來追問推理，不當答案來源

可以把已查核的官方考綱與自己的錯題摘要交給 AI，請它扮演考官。這是本文建議的用法，沒有宣稱能提高多少分。範本：

只依我提供的 AWS 官方資料，針對 task 1.5 與 2.1 各設計一題原創情境題。
一次問一題，先不要給答案。等我回答後：
1. 指出我忽略的需求或限制。
2. 逐一解釋各選項何時適用、在本題為何不適用。
3. 標註支持判斷的來源段落；資料不足就說不足，不補造服務能力。
4. 改動一個限制後再問我，確認我能重新推理。
不要重建或宣稱提供真實考題。

把 AI 產出的「服務限制」「API 行為」逐項回查官方文件。錯題卡只放自己整理的概念與原創例子；不要上傳公司資料或受限制的題庫全文。考前再請它抽問容易混淆的設計取捨，比要求它生成一份很長的總整理更容易發現缺口。

資源一覽：每種工具負責一件事

資源	用途	選用提醒
官方 exam guide	範圍與任務清單	公開文件；用來核對所有教材
Official Practice Question Set	初次熟悉官方題目風格	由 AIP Exam Prep 入口進入；不是完整考試
AIP Exam Prep Plan	補課與章節複習主線	各項課程的免費／訂閱標示以登入後為準
Builder Labs、Cloud Quest、Jam	引導式實作或挑戰	AWS 認證頁列為練習方式；挑與弱項相關的活動
SimuLearn	情境判斷與動手練習	官方公告確認納入 AIP 準備路徑
Official Pretest	最後檢查準備度	現行 AIP 認證頁第四步列出的評量
Kane／Maarek 課程	影片、示範與模擬考	付費選項；先試看，查現行課綱與售價
Tutorials Dojo	分章複習與計時練習	付費選項；把解答連結用來查證，不只背答案

本次 Skill Builder 分類頁未回傳可讀的課程明細，因此不沿用舊版精確到分鐘的總時數、項目數與訂閱價格。上表中的官方資源用途以 AWS 認證頁與公告為據，購買前再確認登入後的實際內容與費用。

十週安排範本

以下以每週約 8–10 小時安排，是給已有基礎者的讀書計畫，不是 AWS 建議時數或考生平均值。除了各週主題，從第一個 lab 起就保留日誌、成本與評估紀錄：

週次	主題	完成條件
第 1 週	考綱、官方練習題、前置補課	做出按 task 分類的弱點清單
第 2–3 週	第 1 章：模型、資料、RAG 與 prompt	留下一組檢索設計比較與資料更新紀錄
第 4–5 週	第 2 章：agent、工具、部署與 API	能重現逾時、權限拒絕及核可流程
第 6–7 週	第 3 章：安全、隱私與治理	重跑惡意輸入、個資與越權案例
第 8 週	第 4 章：成本、延遲與監控	比較設定改動的成本與品質，找出瓶頸
第 9 週	第 5 章：評估、回歸與除錯	用固定題組攔下退步版本，定位失敗原因
第 10 週	Pretest、完整計時與補弱	回看錯題原因，確認仍有哪些任務不熟

若實作驗收還沒完成，就延長對應週次。把第 4、5 章各留一週，是為了避免監控與除錯被壓縮成考前最後一晚；它們也應貫穿前面的實作。

應考前與考試當天

• 語言與加時：AIP 目前沒有繁體中文。非英語母語者選英文考試，可依 Before Testing在報名前申請 ESL +30；不要假定選其他語言也適用。
• 身分核驗：報名姓名需與證件相符。依所在地與測驗方式確認證件要求；若沒有應試國家合格的政府證件，官方另有護照及第二證件規定，以預約通知為準。
• 考場或線上監考：官方提供 Pearson VUE 考場與線上選項。選線上就先完成預約通知要求的系統與環境檢查，選考場就先確認交通及報到時間。
• 時間分配：以標準版規格換算，平均每題約 2.4 分鐘；這是總時間的算術平均，還沒扣複查時間。卡住先選目前最合理答案並標記，避免後面的題目留白。
• 成績通知：官方通常在考後五個工作天內提供結果；涉及安全或技術審查時例外。不要把別人當晚收到徽章的時間當成保證。

判斷教材是否過期

AWS 公告在 2026-03-17 的更新中確認：標準版加入 Bedrock AgentCore，beta 最後應試日為 2026-03-31。

舊教材不等於整套作廢。 RAG、IAM、評估與成本取捨仍可沿用；需要補的是現行考綱的缺口。選教材時做三件事：

• 對照五章任務，特別檢查 AgentCore、Strands Agents、Agent Squad、MCP 與工具安全是否有內容，而不只是出現在宣傳標題。
• 看範例是否仍符合現行服務限制、模型支援與部署方式；有疑問就回官方文件確認。
• 把 beta 心得的題數、時間與考點印象分開標記，不拿來取代標準版規格。

教材只寫 SageMaker、沒有加 AI，頂多是命名沒有更新，不能單憑名稱判斷整套過期。買課前先試看最不熟的章節，確認它真的示範失敗處理、評估與取捨。

考完之後

依 AWS 續期規則，AIP-C01 效期為三年，續期方式是通過最新版本的同一張考試。若帳號有可用五折券，以目前美元定價計算，折後考試費是 US$150；實際結帳金額仍看報名頁。

考過 AIP-C01 也能續期你已持有且仍有效的 AIF-C01、MLA-C01 與 Data Engineer – Associate。效期從完成續期行動當天起算三年，不是在原到期日後再加三年，也不會直接授予你尚未取得的證照。

重考政策規定：未通過須等十四個日曆天，每次重考須重新付費；通過後兩年內不能重考同一考試。若改成新的 exam guide 及新的考試代碼，可報考新版，不能把所有考綱微調都當成例外。

會變動的資訊（報名前再確認）

項目	現況（2026-09-12 查證）	什麼時候要重查
考綱內容	已含 Bedrock AgentCore（2026-03 refresh）	每次 AWS re:Invent 之後
五章權重	31 / 26 / 20 / 12 / 11	每次改版
費用與題數	$300、75 題（65 計分）、180 分鐘	每季
續期路徑	只能重考，但可續掉 AIF／MLA／DEA	每半年
語言	英日韓與簡中，無繁中	每半年

更新紀錄

• 2026-09-12：補入四份標準版後的獨立考生紀錄，明確區分 beta 與標準版，將一週通過等個案放回其 AWS 背景與應試條件，而非當作一般時程。
• 2026-09-12：參照 AIF-C01 指南補上前置自評、四步準備法、教材比較、實作驗收、錯題與 AI 輔考範本、應考提醒；調整十週安排，移除技能條數換算配分與舊教材全部失效的說法，釐清微調範圍及續期規則，同步英文版。

參考資料

• AWS Certified Generative AI Developer – Professional 官方認證頁

• AIP-C01 官方 exam guide（HTML）

• AWS 公告：擴充 AI 認證組合（含 AgentCore refresh 與 beta 結束日）

• AWS Skill Builder — AIP-C01 Exam Prep

• AWS Recertification（續期路徑與五折券）

• AWS Certification — After Testing（重考政策）

• AIP-C01 Domain 1：FM、資料與檢索

• AIP-C01 Domain 2：Agent 與應用整合

• AIP-C01 Domain 3：安全與治理

• AIP-C01 Domain 4：效率與監控

• AIP-C01 Domain 5：評估與除錯

• Bedrock AgentCore 官方概覽

• Bedrock prompt caching：前綴重用與模型支援

• AWS Budgets：預算通知與動作

• AWS Before Testing：ESL 與身分核驗

• Frank Kane／Stéphane Maarek AIP-C01 課程 — 課程內容依供應商頁面，非本文完課評測

• Tutorials Dojo AIP-C01 練習題 — 練習模式依供應商說明

• Christian Greciano：AIP-C01 beta 應考心得 — 個人經驗，非標準版配分證據

標準版考生心得

• motuneko253：AIP-C01 合格體驗記 — 2026-04-18 應試、805 分；資深 AWS 證照背景
• 豆蔵：AWS Generative AI Developer 合格與 W 全冠 — 2026-04 標準版通過，含 beta 失敗後的復盤
• ohway_death：AIP-C01 受驗記 — 2026-06 標準版的學習、計時與通過紀錄
• AsiaQuest：AIP-C01 攻略方法 — 2026-07 的取得者經驗與 Skill Builder／Black Belt 準備方式

站內相關

• 2026 年工程師 AI 證照有哪些
• AWS AI Practitioner（AIF-C01）備考路徑
• Google PMLE 備考路徑
• RAG 評估框架