跳到正文
11月4日周三
  1. AWS Machine Learning Blog58

    Gen Digital如何使用Amazon Bedrock AgentCore Web Search构建Norton Revamp的AI内容引擎

    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。

  2. AWS Machine Learning Blog45

    Amazon Quick 整合结构化与非结构化数据

    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。

11月3日周二
  1. AWS Machine Learning Blog78

    使用 Amazon Nova Multimodal Embeddings 和 Amazon Bedrock AgentCore 构建多智能体工程助手

    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。

  2. AWS Machine Learning Blog78

    使用知识蒸馏在 Amazon SageMaker AI 上构建高效智能体

    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。

11月2日周一
10月31日周六
  1. AWS Machine Learning Blog45

    Managing Amazon Bedrock costs end to end: A playbook for FinOps and platform teams

    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。

  2. AWS Machine Learning Blog65

    使用 Amazon Bedrock AgentCore runtime Session endpoints 实时预览编码智能体构建的 Web 应用

    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。

  3. AWS Machine Learning Blog45

    How Worldwide Express 使用 Amazon Bedrock 自动化货运异常处理

    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。

10月30日周五
  1. AWS Machine Learning Blog68

    使用Kiro构建可重复的PHP到Java迁移引擎

    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。

  2. AWS Machine Learning Blog66

    MoEngage 利用 AgentCore Gateway 将 400 个私有 API 转化为 Agent 工具

    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。

  3. NVIDIA Blog65

    开发者如何利用 Frontier AI Agents 在 Omniverse 中构建模拟应用

    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。

10月29日周四