Amplitude 如何借助 OpenAI 在 1–2 天内交付产品改进
Amplitude 借助 OpenAI 模型,让主动式产品智能体 Wave 识别需要构建的功能,并协助团队通过 coding agents 交付改动。其流程还能衡量产品改进的实际影响,将需求判断、开发与效果评估连接起来。
Amplitude 借助 OpenAI 模型,让主动式产品智能体 Wave 识别需要构建的功能,并协助团队通过 coding agents 交付改动。其流程还能衡量产品改进的实际影响,将需求判断、开发与效果评估连接起来。
GitHub Blog 介绍了构建可跨智能体复用技能的方法,涵盖任务定义、技能编排、项目配置、权限边界和人工审批。实践以 Proof Agent 与 Data Forge 为例,将技能分别打包为 Claude Code、Cursor 和 GitHub Copilot 所需格式,并通过 CI 检查验证各客户端的安装与执行设置。
推荐理由:文章用 Proof Agent 和 Data Forge 展示如何拆分、配置及校验可跨智能体复用的技能,提供了可迁移的工程实践。
Natera 介绍如何基于 Amazon Bedrock AgentCore 构建实验室运维智能体系统 SWARM,用自动化诊断承接 Jira 工单,并保留工程师实时交互排障流程。
推荐理由:文章拆解了 SWARM 的知识库、双运行时、技能库与持续评测架构,并给出安全、集成和文档处理细节,可迁移到同类运维智能体建设。
Amazon Bedrock 的缓存时长、服务层级、推理强度和 maxTokens 会影响推理成本,但具体影响取决于模型与工作负载。文章通过测试展示各类设置的计费差异、模型支持情况和适用场景,并建议结合响应元数据、CloudWatch 日志、调用记录与账单数据逐项验证。
推荐理由:文章通过对照测试说明缓存时长、服务层级、推理强度和输出上限如何影响 Bedrock 成本,并给出逐项验证与应用校准方法。
Amplitude 借助 OpenAI 模型,让主动式产品智能体 Wave 识别需要构建的功能,并协助团队通过 coding agents 交付改动。其流程还能衡量产品改进的实际影响,将需求判断、开发与效果评估连接起来。
AWS 介绍了一套无需编写应用代码的 Amazon Bedrock 成本治理方案,通过 IAM principal 归因、CUR 2.0 报告和 AWS Budgets 实现身份级费用可见与支出上限。
AWS 展示了如何使用 Amazon Bedrock Application Inference Profiles 与 AWS Fargate 上的 LiteLLM 构建自助式 LLM 网关。
Amazon Bedrock 成本优化框架以“每次任务成本”衡量 AI 智能体支出,并用人工基线和五维评分卡验证 ROI。框架归纳 tokenizer 效率、输出冗长度、智能体循环效率与推理开销四类隐性成本,通过缓存、路由和输出约束降本。示例中,标价高 2x 的 Model B 单任务成本 $0.00145,比 Model A 的 $0.0042 低 65%。
AWS 在 Agent Toolkit for AWS 的 amazon-bedrock skill 中加入知识库迁移指南,用编码智能体规划并迁移至 Amazon Bedrock Managed Knowledge Base。
推荐理由:指南把迁移拆分为发现、规划、审批、实施和验证环节,并给出权限控制与回滚检查方法。
AWS 提出 Agent DLC,通过一个生命周期、内外两个循环和明确的 gold standard,评估 AI 智能体的每次变更并决定是否发布。该框架覆盖 Define、Build、Evaluate、Release、Observe 和 Feed Back 六个环节,以及五个质量维度和三级验收标准。
推荐理由:文章把智能体生产化拆为评估、诊断、改进与发布环节,并以指标对照说明单一总分无法暴露信息覆盖和责任约束问题。
Amazon Bedrock Managed Knowledge Base 教程展示了如何让共享智能体和知识库按用户权限过滤搜索结果。方案以经过验证的身份信息生成 userContext,并结合 ACL awareness、Policy in AgentCore 和资源策略构成多层防护,避免由 LLM 决定授权范围。
AWS 演示如何使用 A2A 在两个独立账户中连接基于 LangChain 和 Strands Agents 构建的智能体。示例通过 Agent Card 发现技能,以双向 OAuth 认证实现跨边界协作,并由 3 个 Jupyter notebook 完成部署和端到端测试。
推荐理由:教程完整拆解了跨框架、跨账户多智能体架构,并提供代码、部署步骤与信任边界测试。
Hugging Face 提供 TRELLIS.2 3D生成模型的 LoRA 微调脚本与容器,可通过 Hugging Face Jobs 或本地 Docker 运行。
推荐理由:教程完整拆解了 TRELLIS.2 的 LoRA 微调流程,并提供可在 Hugging Face Jobs 或本地 Docker 运行的脚本与容器。
教程演示用 Spring AI、spring-ai-agentcore 与 Amazon Bedrock 在 Java 中构建自主 AI 智能体,覆盖规划、工具调用和跨轮对话记忆。两个系统分别是单智能体旅行助手,以及包含 5 个专用智能体、规则引擎、告警和可观测性的 IDP 平台。
Amazon SageMaker HyperPod 团队介绍如何通过梯度检查、环形重放审计和权重指纹比较,检测分布式训练中的静默数据损坏。检测到异常后,可将可疑 rank 映射到节点,隔离并更换故障节点,再从告警窗口之前的检查点恢复训练。方案已在配备 32 张 NVIDIA H100 GPU 的 PyTorch DDP 集群上测试,确定性审计每 100 步的实测开销为 10.1%。
推荐理由:文章给出三项训练循环检查及故障定位、隔离和节点替换流程,并提供实测开销与注入故障结果。
AWS 介绍使用开源反统一引擎对形式化策略进行语义差异分析,通过 e-graph 和声明的代数规则消除表达顺序等表面变化。教程以 Cedar、Dogwood、OpenShell 和 CEL 策略为例,演示如何定位被弱化的授权条件、遗漏的路径限制及阈值边界差异,并提供构建与运行命令。
推荐理由:文章给出可运行的语义差异分析流程,并展示其如何从形式化策略中定位被弱化的条件和边界差异。
AWS 演示如何让运行在开发者工作站上的 OpenAI Codex 通过 Amazon Bedrock 调用受支持的 OpenAI 模型。
推荐理由:文章提供从最小权限试点到分阶段推广的完整路径,并对比原生 AWS 接入、AgentCore Gateway 与 LLM Gateway 的治理边界。
DXC Technology 在 Amazon Bedrock 上构建了支撑 DXC OASIS 的多模型基础架构,通过统一接口接入 Anthropic Claude、Amazon Nova、Meta Llama 和开放权重模型。
AWS 提出一套事件驱动架构,通过 AWS CloudTrail、Amazon EventBridge 和 AWS Lambda 自动同步 AWS Agent Registry 中的 MCP 服务器工具元数据。
AWS 为 re:Invent 2026 AI/ML 参会者梳理 140 多场课程及选择路径,涵盖 AI 芯片、模型训练与推理、AI 智能体开发与管理。11月30日至12月4日的活动包含 breakouts、workshops、code talks 等类型,无法到场者可按需观看许多课程并直播观看主题演讲。
AWS 介绍其生成式 AI Innovation Center 发布的23项开源可复用资产,并讲解如何选取、部署和验证 Contact Center GenAI Agent。这些资产覆盖 RAG、文档处理和智能体脚手架等能力,完整部署流程可在1小时内完成,并可节省约4–6周开发时间。
推荐理由:文章提供23项开源资产的选型、部署与清理步骤,并结合客户案例说明可复用组件如何缩短交付周期。
AWS Quick 通过六个人工审批型 AI 智能体,将产品开发的发现、决策、设计和原型四个阶段串联起来。团队可从 AI-PDLC GitHub 仓库获取智能体指令、参考架构、提示词模板和配置指南,并在 Deep Discovery 与 Fast Track 两种模式间选择。
推荐理由:文章提供六智能体配置步骤与完整流程,可用于理解如何把企业数据、产品决策和人工审批串成可追溯的开发流程。
Sentence Transformers 可通过 pooling-aware training 训练模型在 token 向量合并后保留检索信息,文章给出从层级聚类、损失包装到训练和评估的完整示例。
Singapore Airlines 使用 OpenAI 模型和 API 提升客服支持、旅行发现与员工生产力,其 Kris 聊天机器人的 CSAT 实现翻倍。相关技术覆盖旅客服务与企业工作场景,展示了 OpenAI 技术在实际运营中的应用。
AWS 教程演示如何使用 LangGraph 和 Amazon Bedrock AgentCore Web Search 构建每日依赖监测,并部署到 AgentCore runtime 或通过 AgentCore Gateway 提供服务。
推荐理由:教程展示了如何把固定搜索规则、来源校验与去重机制放在代码中,并部署为每日运行的依赖监测智能体。
Amazon Bedrock AgentCore 提供内置评估器,并支持直接使用 DeepEval、AutoEval 与自定义评估器来检验智能体表现。指南建议先定义业务成功标准,再拆解为可观察行为,并映射到 trace 级或 session 级评估器。AgentCore 支持按需、在线和批量评估三种模式,还可用多维评估器分别衡量相互独立的标准。
推荐理由:文章给出了从业务结果映射评估器、选择指标到配置运行模式的完整流程,便于搭建可落地的智能体评估方案。
Trovata 在 Amazon Bedrock 与 Amazon Bedrock AgentCore 上构建了自主资金管理智能体,将现金预测、异常检测、自动对账和持续报告嵌入资金管理操作系统。
AWS 介绍了一套用于集中观测 Amazon Bedrock 模型调用的数据湖方案,并通过 AWS CloudFormation、Lambda、Data Firehose、S3 和 Athena 完成部署。
推荐理由:文章提供集中化数据湖架构、部署步骤和查询样例,可用于搭建跨账号的调用观测与成本归因流程。
TCS 基于 Amazon Bedrock AgentCore 构建了智能体测试编排器,将业务需求转换为可执行、可治理的 API 与 UI 测试。平台利用专用智能体、上下文检索和 LangGraph 工作流完成测试生成、执行、纠错与报告,并通过租户级身份、数据和密钥隔离支持金融服务场景。
推荐理由:文章拆解了TCS多租户测试编排器的架构、智能体分工与安全边界,并提供可量化的效率对比。
OpenAI Academy 正通过免费、实践导向的 ChatGPT 工作坊,帮助美国五座城市的照护者将 AI 技能用于日常生活。工作坊以动手操作为重点,旨在提升照护者在日常场景中的实际 AI 应用能力。
AWS Quick 通过智能体加载适用技能、调用连接器并依据已连接数据执行自然语言任务。文章讲解了内置与自定义智能体、空间、知识库和连接器的配置方式,并演示如何创建、测试、发布和共享技能。团队共享技能时还需处理访问权限、依赖环境与失败场景,文章同时介绍了适用软件工程实践的 Skill Architect 技能。
推荐理由:文章系统梳理了 AWS Quick 中智能体、技能、数据与连接器的协作机制,并给出构建和共享团队技能的方法。
Amazon Bedrock Managed Knowledge Base 的 AgenticRetrieveStream 新增单次 RAG 与仅检索请求支持。maxAgentIteration 范围扩展至 0–5,设为 1 可执行一次检索和一次回答,设为 0 可在不调用基础模型的情况下返回原文段落,设为 2–5 则执行智能体规划与多轮检索。应用可按请求选择模式,并使用多个知识库、引用和检索轨迹。
推荐理由:文章说明如何用同一 API 按问题复杂度选择检索模式,并提供参数配置与银行政策助手示例。
CrossnoKaye 介绍其如何利用 Amazon Bedrock AgentCore,让 AURA 在统一工厂模型内查询运行状态、执行隔离 Python 计算并生成可追溯的技术 Brief。ATLAS 与 AURA 将设备拓扑、控制逻辑、传感器和优化状态放在同一平台边界内,并通过只读沙箱、人工审批和边缘确定性控制约束工业安全。
AWS 介绍了一套由七层组成的 Pluggable Agentic AI Framework,用于将多智能体应用从原型推进到生产规模。架构覆盖数据与知识、模型与推理、编排、安全护栏、应用、可观测性和智能体运维,并以零售客服场景演示主管智能体委派订单与退款专员智能体的实现流程。文中还提供 Workshop Studio 体验和公开示例仓库,但明确指出该实现不能替代生产环境所需的安全加固、测试与审查。
推荐理由:这套架构把安全、治理、成本、可观测性和持续评测纳入分层设计,并提供零售客服案例,可作为企业智能体生产化的落地参考。
Kuken Industries 使用 OpenAI API 搜索积累 70 年的冷却塔图纸,帮助工程师快速定位维修所需图纸。工程师查找一张维修图纸的时间从近 1 小时缩短至 4.5 分钟。
HOPE 论文提出一种面向 MoE 语言模型的二阶专家剪枝方法,通过 F 矩阵保留专家之间的协作关系。实验覆盖 Qwen3.5-122B、Qwen3.5-35B 和 GLM-4.5-Air,在 50% 剪枝率下取得 1.58 的平均排名,并在 Qwen3.5-35B-A3B 的 SWE-Bench Pro 上达到 42.3。团队还开源了包含校准、求解二次规划和剪枝三步流程的代码包。
推荐理由:HOPE 把专家两两协作纳入剪枝目标,并通过多模型基准与三步使用流程说明其在高剪枝率下的取舍。
GitHub Copilot 演示面向软件开发的智能体工程工作流,涵盖 Plan、Build、Verify 和 Observe 四个阶段。十月 GitHub 单周提交量超过 1.2 billion commits,同比增幅超过 400%;但 Faros AI 研究显示,团队从低 AI 采用转向高采用后,pull request 审查耗时增加 441%。
AWS 教程演示如何将 Claude Code 接入 Amazon Bedrock AgentCore,以远程会话运行编码任务并返回 GitHub pull request。每个任务在 AWS 账户内的独立 microVM 中执行,并通过短期 GitHub 凭据、私有网络、Guardrails 和最小权限 IAM 控制访问,智能体只创建草稿 pull request,最终由人工审核并合并。
推荐理由:示例完整展示了远程编码智能体的部署、安全隔离和提交流程,并明确其适用边界与人工审核要求。
AWS 介绍了 Taxbit Assist 如何在 Amazon Bedrock AgentCore 上构建面向数字资产税务场景的 AI 智能体,并说明其检索、安全、权限控制与质量评测方法。
推荐理由:文章拆解了受监管场景中构建可引用、权限感知智能体的检索、安全与持续评测方案,便于迁移到生产级 RAG 应用。
Greenlight Financial 基于 Amazon Bedrock AgentCore 构建了自主安全运营中心 Luna,采用分级监督架构协调 30 多个专用智能体,并通过 AgentCore runtime 和 memory 承载智能体及记忆层。
推荐理由:Greenlight Financial 基于 Amazon Bedrock AgentCore 构建分层多智能体安全运营方案,公开了架构、记忆机制与生产指标。