跳到正文
AI 资讯
11月13日周五
  1. GitHub Blog · AI & ML72

    GitHub Copilot 智能体技能实践指南

    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。

  2. AWS Machine Learning Blog76

    Natera 如何用 Amazon Bedrock AgentCore 构建实验室运维智能体系统 SWARM

    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。

  3. AWS Machine Learning Blog62

    Amazon Bedrock 推理请求的四种成本控制选择

    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。

  4. AWS Machine Learning Blog50

    Amazon Bedrock 如何优化任务成本并证明 AI 智能体 ROI

    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%。

11月12日周四
  1. AWS Machine Learning Blog73

    AWS 介绍用 Agent DLC 将 AI 智能体从原型推进到生产

    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。

  2. AWS Machine Learning Blog70

    AWS 使用 A2A 构建可组合、可互操作的多智能体系统

    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。

  3. AWS Machine Learning Blog74

    在 Amazon SageMaker HyperPod 上检测并恢复静默数据损坏

    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。

  4. AWS Machine Learning Blog67

    AWS 介绍使用反统一分析形式化策略的语义差异

    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。

  5. AWS Machine Learning Blog38

    AWS re:Invent 2026 AI/ML 参会指南

    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。

  6. AWS Machine Learning Blog72

    AWS 介绍生成式 AI 可复用资产目录及部署方法

    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。

  7. AWS Machine Learning Blog71

    AWS Quick 如何用 AI-PDLC 智能体加速产品开发

    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。

11月11日周三
  1. AWS Machine Learning Blog72

    使用 LangGraph 和 Amazon Bedrock AgentCore Web Search 构建每日依赖监测

    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。

  2. AWS Machine Learning Blog64

    Amazon Bedrock AgentCore 智能体评估实践指南

    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。

  3. AWS Machine Learning Blog70

    Amazon Bedrock tokenomics 数据湖架构与部署指南

    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。

  4. AWS Machine Learning Blog68

    TCS 如何用 Amazon Bedrock AgentCore 构建智能体测试编排器

    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。

11月10日周二
  1. AWS Machine Learning Blog67

    AWS Quick 如何使用智能体、技能与数据协同完成任务

    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。

  2. AWS Machine Learning Blog62

    Amazon Bedrock Managed Knowledge Base 为 AgenticRetrieveStream 增加单次 RAG 与仅检索模式

    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。

  3. AWS Machine Learning Blog57

    CrossnoKaye 如何用 Amazon Bedrock AgentCore 构建工业物理 AI

    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。

  4. AWS Machine Learning Blog76

    AWS Pluggable Agentic AI Framework 七层企业智能体参考架构解析

    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。

11月9日周一
  1. Hugging Face Blog70

    HOPE 论文提出面向 MoE 语言模型的二阶专家剪枝方法

    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。

11月7日周六
  1. AWS Machine Learning Blog74

    AWS 教程:将 Claude Code 扩展为 Amazon Bedrock AgentCore 远程智能体

    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。

  2. AWS Machine Learning Blog61

    Taxbit Assist 如何在 Amazon Bedrock AgentCore 上构建可引用、权限感知的 AI 智能体

    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。

  3. AWS Machine Learning Blog72

    Greenlight Financial 如何基于 Amazon Bedrock AgentCore 构建自主安全运营中心

    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。