GitHub Copilot 提供了 Agentic Engineering 工作流的实践指南，涵盖 Plan、Build、Verify 和 Observe 四个阶段。开发者可利用 Copilot 在 Slack/Teams 中整合分散上下文、创建 GitHub Issues、使用 Plan Mode 制定计划，并利用 Session continuity 跨设备持续工作。
推荐理由：文章阐述了 Agentic Engineering 工作流的四个阶段，帮助开发者将精力从重复劳动转移到决策制定上。
Claude Code 可作为远程 Agent 在 Amazon Bedrock AgentCore 上运行，每个任务在独立的 AgentCore runtime session 中执行，结果以 GitHub pull request 返回。
Taxbit 在其数字资产税务合规平台中嵌入了 Taxbit Assist AI 助手，该助手基于 Amazon Bedrock AgentCore 构建，用于帮助合规团队在产品仪表板内查找答案。该实践强调了答案必须可引用、具备角色和组织感知能力，并详细介绍了知识库构建、上下文分块、检索流程、安全数据处理和生产环境质量评估的工程细节。
Greenlight Financial 利用 Amazon Bedrock AgentCore 构建了 Luna 自主 SOC 解决方案，每月无需人工干预解决超过 90% 的 3,000-4,000 个安全和风险案例。该系统采用分层多智能体架构，包含超过 30 个专业 Agent，并利用 Episodic Memory 实现持续学习，将平均例行案例的分类时间缩短至秒级。
推荐理由：Greenlight Financial 利用 Amazon Bedrock AgentCore 构建了自主 SOC 解决方案，实现了超过 90% 的安全风险案例的自动化处理。
Okta Cross App Access (XAA) 结合 Amazon Bedrock AgentCore 用于治理 AI 智能体访问权限，确保智能体仅在授权范围内为用户行动。
Amazon Bedrock AgentCore 引入 Gateway 解决 Agent 规模化时的治理问题，通过 Gateway 统一接收 Okta 的 ID-JAG 并评估 Cedar 策略，取代了 Part 1 中 Agent 直接调用 MCP Server 的模式。
Serverless MCP server 部署在 Amazon ECS Fargate 上，为 AI agent 提供企业数据湖访问，实现集中化、Agent-agnostic 的数据访问。该架构通过元数据驱动方式，仅需 JSON metadata 文件即可暴露新数据集，无需为每个数据集编写集成代码。测试中，上下文范围限定使端到端交互延迟控制在 15–20 秒范围内。
NVIDIA 的 Aerial wireless 软件和 Sionna 等开源工具已获得全球开发者 10 倍增长，5G/6G 工具下载量超 100 万，超过 8,000 个研究机构使用。
Amazon Marketplace使用VLM和OCR构建内容质量评估系统，将完整页面渲染为单张快照进行VLM整体评估，并结合OCR的文本可读性信号训练CatBoost分类器。该融合模型在5,478个产品详情页上达到0.94的准确率和0.95的F1分数，通过SHAP生成可操作的改进建议，使修订后的页面质量得分平均提升1.4分。
推荐理由：该系统通过VLM、OCR和CatBoost融合评估A+内容，并利用SHAP生成可操作的改进建议，实现内容质量的量化与提升。
NVIDIA 通过全栈协同设计，整合 GPU、CPU、网络和软件，提高每字节内存的利用效率，缓解大型模型和 Agentic 应用带来的 HBM 压力。NVIDIA Blackwell Ultra 到 Vera Rubin 平台，HBM 容量/GPU 提升约 3%，在 SemiAnalysis AgentX 上 Agentic throughput/美元提升高达 30x。
Amazon Bedrock AgentCore Evaluations 支持自定义评估器，可定义为 LLM-as-a-judge 或基于代码的评估器，支持集成决策模型。本文展示了如何通过基于代码的评估器将 Jev 和 Strands Decider 2B 决策模型连接到 AgentCore Evaluations，构建 HR Assistant 智能体的端到端评估流程。
U Mobile 利用 Amazon Bedrock AgentCore 构建了 AiDaH 智能体帮助台，目前覆盖超过 150 个已记录的运营场景，实现了关键类别故障工单量下降高达 84.5 percent。
生产级 AI 智能体在数据分析和报告生成中常因上下文管理成为瓶颈，本文基于 Deep Insight（基于 Strands Agents SDK 和 Amazon Bedrock AgentCore）阐述了四层上下文工程实践：架构级隔离、提示词控制、文件系统外部化和独立验证。通过单次写并执行工具，可将脚本对上下文的 token 消耗减少约 95%，按需加载技能可使系统提示缩减约 97%。
推荐理由：文章系统性地阐述了四层上下文工程实践，帮助生产级 AI 智能体有效管理 LLM 的有限上下文窗口。
Amazon Bedrock 现在支持 Kimi K3 在印度本地推理，通过 in.moonshotai.kimi-k3 推理配置文件，满足严格的数据驻留要求。客户 Ultrahuman 报告使用该功能后，通过提示词缓存将 LLM 成本降低了 80%，多轮聊天速度提升了 85%。文章提供了 OCR 和理解 Indic-language 文档的示例代码，并介绍了跨区域推理选项和成本优化策略。
推荐理由：AWS 介绍了 Kimi K3 在 Amazon Bedrock 上支持印度本地推理，满足严格数据驻留要求，并提供了 OCR 和 Indic-language 文档理解的实践代码。
Cartesia 利用 State Space Models (SSMs) 和 AWS 基础设施，实现全球规模的 sub-100ms text-to-speech 和 speech-to-text。
EDB Postgres AI 允许将语义层内置于操作型 Postgres 数据库中，通过 AIDB 扩展实现 SemKB。该方案使用 Anthropic Claude 在 Amazon Bedrock AgentCore 上运行 Strands Agents 智能体，并通过 EDB MCP 端点暴露 AIDB 工具目录。
Gen Digital构建了基于Amazon Bedrock AgentCore Web Search的Norton Revamp专业声誉管理平台，核心是AI内容引擎，所有内容建议和新闻源于实时、引用的网络知识。该方案实现了零基础设施开销、完全在AWS内运行且无数据外泄，支持个性化实时新闻流、智能内容建议和趋势感知目标设定。
Amazon Bedrock AgentCore Gateway 可配置用于与 Microsoft Entra ID 进行 on-behalf-of (OBO) token exchange，使 AI agent 调用 ServiceNow REST API 时保留调用用户的身份。
Amazon Quick 允许用户通过统一体验整合存储在 Amazon S3 中的非结构化数据和结构化数据。用户可连接 Amazon S3 创建知识库，并将结构化数据作为富集数据集加载，随后通过单一对话式 AI agent 查询跨越两种数据类型的问题。使用此功能需拥有 Amazon Quick Enterprise 订阅和 Amazon S3 存储桶。
AI 正在变革半导体制造，通过加速计算、物理基 AI 和 AI 智能体优化流程，使工程师能更快地评估替代方案。COMSOL 利用 NVIDIA cuDSS 库将多物理场模拟加速高达 10x，Applied Materials 结合 NVIDIA PhysicsNeMo 平台可将地形模拟加速高达 35x。
OpenAI 构建了 Pando，一个兼容 Git 的后端系统，旨在支持 Codex 所带来的大规模开发需求。Pando 的设计目标是满足当前开发规模的挑战，确保 Git 兼容性。
Circle K 利用 Amazon Bedrock 构建了自动化分诊系统，该系统采用 agentic AI 架构，能在警报触发后数分钟内向 Slack 提供结构化摘要。
该方案展示了如何使用 Amazon Bedrock AgentCore、Amazon Nova Multimodal Embeddings 和 Strands Agents SDK 构建多智能体工程助手，以自动化部件替代的证据收集。系统通过规划器路由至 Catalog、Evaluation 和 Knowledge 三个专家智能体，结合确定性代码进行规格匹配，并确保工程师始终是最终决策者。
推荐理由：该方案展示了如何结合多模态嵌入和多智能体系统，自动化工程部件替代的证据收集与文档起草。
通过序列级知识蒸馏 (SeqKD)，将前沿教师模型（如 GLM-5.3 on Amazon Bedrock）的行为迁移到小型学生模型（如 Qwen3.5-4B），实现高效智能体。该方法仅需教师的文本输出，无需访问 logits，可在 SageMaker AI 上使用服务器less SFT 进行微调，最终 4B 学生模型实现了接近教师模型的任务质量，显著降低了生产规模的调用成本。
推荐理由：文章展示了如何利用 SeqKD 将前沿教师模型的行为迁移到小型学生模型，实现成本和效率的平衡。
Amazon Bedrock Knowledge Bases 支持 Amazon Bedrock Web Crawler 进行网页内容摄取，但若需结构化 Markdown 准备、目标化提取或自定义元数据，可结合开源 Python 爬虫 Crawl4AI。
切换到 Python 3.15 后，在使用 uv 运行 pytest 等命令时可能出现 Python 依赖错误。当 uv.lock 文件锁定了一个尚无 Python 3.15 wheel 的依赖版本时，会触发如 `error: Failed to build watchfiles==1.1.1` 的构建失败。删除 uv.lock 文件后重新运行 uv run pytest 通常可解决此问题。
作者购买了 Waveshare ESP32-S3 1.75C 硬件，并利用 Claude Code 对 Meta Muse Gadget 进行了深度定制，使其具备了对话历史页、ElevenLabs 语音输出、远程拍照和 Tamagotchi 风格的迷你游戏等功能。
Amazon Bedrock 成本管理是应用构建团队和云支出负责团队的共同责任，需要一个包含五个阶段的持续循环操作模型。该模型包括：将每笔 Amazon Bedrock 费用归因于身份、观察每笔请求的元数据、通过预算和强制执行控制支出、优化平台默认设置，以及建立数据驱动的审查周期。
Amazon Bedrock AgentCore runtime 的 Session endpoints 允许用户通过浏览器实时预览编码智能体构建的 Web 应用，无需等待部署。本教程部署了一个使用 Vite 网站的编码智能体，通过本地端点和 Session endpoint 在浏览器中实时查看和交互，例如将网站切换为深色主题。
推荐理由：该教程展示了如何通过 Session endpoints 实现编码智能体构建的 Web 应用实时预览和交互体验。
ChatGPT desktop app 可在 AWS GovCloud (US) 上通过 Amazon Bedrock 访问 OpenAI 的前沿模型，支持复杂多步任务和 Codex 编码智能体。
Worldwide Express 利用基于 Amazon Bedrock 的多智能体 AI 解决方案，将 LTL 货运中约 14% 的发票异常自动化处理。该系统实现了 75% 的活跃异常减少、时间到现金周期缩短 4 周，并带来了 $1M 的年节省和 $10M 的一次性现金流注入。三个专业 AI 智能体分别处理发票匹配、定价差异和附加费验证，决策基于特定承运商的知识库。
Agentic AI 已被引入 Breakthrough Listen 和 SETI Institute 的地外文明搜寻工作，可在 Allen Telescope Array 实时操作仪器并处理数据。
Kiro是一个集成AI的IDE，通过一个可复用的引擎将PHP到Java的迁移从一次性尝试转变为可衡量、可重复的过程。该引擎基于共享方法论、机械发现扫描器和八阶段工作流，以原始PHP应用为规范，直到校验套件验证后才判定Java端口正确。该流程可通过Kiro交互式驱动或通过AWS Transform在投资组合规模上自主运行。
推荐理由：该引擎将PHP到Java的迁移过程转化为可衡量、可重复的流程，核心在于先发现后翻译和先构建判断器。
Epsilon 利用 Amazon Nova Act 和 Amazon Bedrock AgentCore Browser Tool 在其平台中提供意图驱动的 UI 测试服务。
MoEngage 使用 Amazon Bedrock AgentCore 的 AgentCore Gateway 将其内部约 400 个私有 REST API 转化为权限受限的 Agent 工具，避免了构建 20 多个 MCP 服务器的复杂性。该架构满足了不暴露公网、身份结构化隔离和上下文窗口限制等四项约束，使新 API 的接入时间从数天缩短到数小时。
AWS Batch 支持 Amazon SageMaker Training jobs 的配额管理功能，允许管理员按团队或项目划分计算容量，并使用 LEND、LEND_AND_BORROW 等策略自动共享空闲 GPU 容量。
开发者结合 Frontier AI 模型和 NVIDIA Omniverse 库，通过自然语言指令指导 AI Agents 构建各类模拟应用，包括使用 Claude 和 Astra 创建可编辑 3D 资产、测试机器人拆解、重建建筑模型和构建数字孪生。
推荐理由：文章展示了如何结合前沿 AI 模型和 NVIDIA Omniverse 库，将模拟想法转化为可编辑的 3D 应用和数字孪生。
QA Studio 利用 Amazon Nova Act 实现了基于应用和团队的角色管理，解决了测试组织和责任归属问题。该平台通过记录 Amazon CloudWatch custom metrics，提供 pass rate、total executions 和 current failure count 等指标，并计算 0–100 的健康评分。
AWS 提供了 Ray Train Deep Learning Container (DLC)，该容器预装了从 CUDA 到 EFA 的完整测试栈，解决了 PyTorch 训练扩展到集群时容器依赖复杂的问题。该示例展示了如何使用 KubeRay 在 Amazon EKS 上，利用 DLC 配合 FSDP 对 Qwen2.5-1.5B 进行微调，所有配置均在外部设置而非重建镜像。
该文章介绍了基于Amazon Bedrock AgentCore构建企业级Agentic AI平台的架构和参考实现，旨在解决生产环境中Agent部署的治理、成本和安全瓶颈。该平台采用联邦运营模型，由中央Platform控制平面和可重复的Workstream单元组成，通过推理和工具网关、部署运行时评估等机制实现端到端治理和生命周期管理。
推荐理由：该蓝图展示了如何在多账户AWS环境中构建受治理的企业级Agentic AI平台，平衡了平台控制与业务团队自治。