---
format: "aidr-story-markdown/v1"
id: "1942b786e21c063428ee874bf17d0e574d12aebc536382fd260e6aa78c2d3b02"
canonical_url: "https://aidr.today/1942b786?lang=vi"
title: "Thiết kế các kiểm soát AI có trách nhiệm cho Amazon Aurora PostgreSQL"
lang: "vi"
requested_lang: "vi"
available_langs: ["en","vi"]
translation_fallback: null
fallback_fields: []
published_at: "2026-11-18T21:38:22.000Z"
category: "Data"
topics: ["amazon","safety","data-engineering"]
source_urls: ["https://aws.amazon.com/blogs/machine-learning/design-responsible-ai-controls-for-amazon-aurora-postgresql/"]
summary: "Tìm hiểu cách giúp các câu trả lời của RAG chatbot có thể truy xuất nguồn gốc bằng Amazon Aurora PostgreSQL, pgvector và Amazon Bedrock Guardrails, thông qua việc ghi lại các nguồn, điểm số và dấu vết guardrail trong SQL."
---

# Thiết kế các kiểm soát AI có trách nhiệm cho Amazon Aurora PostgreSQL

> [Open the canonical story](<https://aidr.today/1942b786?lang=vi>)

**Published:** 2026-11-18T21:38:22.000Z
**Category:** Data
**Topics:** amazon, safety, data\-engineering

## Summary

Tìm hiểu cách giúp các câu trả lời của RAG chatbot có thể truy xuất nguồn gốc bằng Amazon Aurora PostgreSQL, pgvector và Amazon Bedrock Guardrails, thông qua việc ghi lại các nguồn, điểm số và dấu vết guardrail trong SQL\.

## Sources

- [Story source](<https://aws.amazon.com/blogs/machine-learning/design-responsible-ai-controls-for-amazon-aurora-postgresql/>)

