如何用 AtScale 与 Amazon Bedrock AgentCore 在 AWS 上为智能体 AI 构建语义层
AWS 博客演示以 AtScale 为语义层、在 Amazon Redshift 上构建 Customer 360 模式并供 Strands 智能体查询。
AWS 博客演示以 AtScale 为语义层、在 Amazon Redshift 上构建 Customer 360 模式并供 Strands 智能体查询。
AWS 博客与 Strategy 联合演示如何以 Strategy Mosaic 作为语义层,为运行在 Amazon Bedrock AgentCore 上的 Strands 智能体提供 Customer 360 数据服务。
AWS 演示如何用 Denodo Platform 作为语义层,为运行在 Amazon Bedrock AgentCore 上的智能体提供对分散企业数据的治理访问。
Eon 工程团队基于 Amazon Bedrock AgentCore Gateway 构建统一 MCP 网关,替代各工具独立凭证和本地 MCP 进程,实现对 AWS、GCP、Azure 三云调查工具的统一访问。
AWS 与 Keyfactor 发布参考架构,用 X.509 PKI 和 Keyfactor EJBCA 为多智能体系统建立密码学身份,弥补 MCP 无内置认证标准的缺口。
Octave 在 AWS Machine Learning Blog 上讲解了如何用 Amazon Bedrock 为质量管理系统 Reliance 构建多租户 AI 基础设施,这套基础架构将每个用例的部署时间缩短了 50%。
AWS 演示如何在 Amazon SageMaker HyperPod 上对 GPT-OSS-20B 进行微调,使其用法语、德语、西班牙语或意大利语推理。该开源权重模型基线仅 22% 的测试用例用目标语言推理(法语、西班牙语、意大利语均为 0%)。
AWS 讲解了如何通过 AWS PrivateLink 让 Amazon Quick 在不经过公网的情况下私有连接本地数据源。
AWS Solutions Architecture 团队发布三篇系列的第一篇,介绍生产级多智能体系统 Deep Insight 如何解决多智能体系统的五大生产挑战,系统已开源。
推荐理由:AWS 团队以自研开源系统拆解多智能体落地的五类生产挑战,给出架构、模型分配与隔离执行的完整可复用方案。
AWS 机器学习博客演示了基于 Strands Agents 的自适应智能体智能框架(AAIF),用本地小语言模型处理常规任务,复杂请求则经 Amazon Bedrock 路由到云端模型。
AWS 介绍在单台 trn2.48xlarge(含 16 个 Trainium2 加速器)上用 torchtitan 训练 Qwen3 的三种方式:Transformers v5 建模后端、torchtitan 原生 Qwen3,以及 NKI MoE 内核。
非营利组织 U.S. Hunger 使用 Amazon Quick 让领导层直接探索组织数据,并已向高管、技术、Full Cart 项目、财务与合规等职能的 17 名同事开放。
Hugging Face 发布 TorchNeuron 系统级性能分析教程第一篇,讲解如何在 AWS Trainium 芯片上用 torch.profiler 定位推理耗时。
作者 Dan McAteer 介绍自己用 Claude Mods 定制 Claude Code 工作流的实践,认为 Mods 是可由用户和 Claude 共同构建的“注意力界面”。
OpenAI 介绍其如何为 ChatGPT 构建 LLM 驱动的广告技术栈。该技术栈用于理解对话意图,保持广告与回答分离,并在大规模场景下投放相关广告。
i14 的 Laplace 3B 用线性注意力替代 softmax attention,循环状态固定为每序列 29.5 MB,不随上下文增长。
Simon Willison 介绍他用 Claude Code 迭代 12 个版本、321 次 agent 提交完成的浏览器 RTS 游戏 Battle Drones,支持手机和桌面游玩。
AWS 在博客中演示如何用 Amazon Quick 作为界面、Amazon Bedrock AgentCore 作为智能层,构建对话式供应链智能方案。
GitHub Blog 访谈 Vlad Mihalcea、Patrick Baumgartner 和 Frank Delporte 三位 Java Champion,分享他们在生产与开源项目中使用 GitHub Copilot 的具体做法。
一位独立经营的 Schlotzsky's 和 Cinnabon 特许加盟商使用 ChatGPT Work,将菜单重新定价的时间减少了 95%,并搭建了新的工作流程,有望释放 10 万美元现金流。原文称现金对账时间减少 94%。
GitHub Copilot 应用中的智能体会话可直接在 VS Code 中打开继续,对话、代码改动和工作树(worktree)上下文全部保留。开发者可逐行审查智能体的 diff、手动编辑文件、用集成终端运行 npm install、npm test 等本地验证,并继续向 Copilot 提问或推送更新到会话关联的 pull request。
GitHub 介绍其为密钥扫描训练的上下文感知分类器,用正则候选生成加微调 ModernBERT 分类的两阶段管线,替代原有 LLM 管线。新管线使 post-push 扫描中位执行时间下降 86%,服务成本降低 98% 以上,仓库所有者加权接受率提高 11.5%,并已扩展到 push protection。
GitHub Blog「GitHub Copilot app for Beginners」系列新篇讲解四种让 Copilot 适配项目的方式:custom instructions、agent skills、custom agents 和 MCP servers。
GitHub 发文称 AI 正在改变开发者工作方式,提出三项需要加强的技能:学会指挥 AI 智能体而非仅使用、不轻信 AI 的第一个答案、用 AI 解更大的问题。
GitHub 官方教程介绍如何在 GitHub Copilot app 中用 /create-canvas 技能以自然语言描述生成可定制的 canvas 界面,如看板、发布清单或仪表盘,无需手写代码。
Mistral 介绍了为欧洲能源运营商迁移 40,000 行 Fortran 77 储层模拟代码到 C++ 的做法。团队在迁移前先搭建数值对齐校验框架,用 Vibe CLI 生成超过一百个智能体配合 Mistral OCR 重建文档,并发现结构化工作流加人工审核门比完全自主或全手动更可靠,首个冲刺完成 300,000 行中的 40,000 行。
推荐理由:Mistral 复盘了用智能体迁移 4 万行 Fortran 77 到 C++ 的流程,先行建立数值对齐校验和结构化人审工作流的经验可迁移到类似大型遗留系统改造。