使用 Okta Cross App Access 和 Amazon Bedrock AgentCore 治理 AI 智能体访问(第一部分)
本文通过分步实践,演示如何使用 Okta Cross App Access 决定 AI 智能体可代表哪些用户访问哪些应用,并由 Amazon Bedrock AgentCore Identity 执行授权和短期凭证管理。
推荐理由:文章给出完整的委托链配置、权限校验与性能测试,可作为跨应用 AI 智能体访问治理的实践参考。
本文通过分步实践,演示如何使用 Okta Cross App Access 决定 AI 智能体可代表哪些用户访问哪些应用,并由 Amazon Bedrock AgentCore Identity 执行授权和短期凭证管理。
推荐理由:文章给出完整的委托链配置、权限校验与性能测试,可作为跨应用 AI 智能体访问治理的实践参考。
本文在 Amazon Bedrock AgentCore Part 1 方案基础上,演示如何以 Gateway 统一处理 Okta Cross App Access 授权、工具调用与审计追踪。
推荐理由:文章给出从多智能体接入、Cedar 授权到审计追踪的完整实施路径,便于理解企业级智能体治理架构。
AWS 介绍其基于 Amazon ECS Fargate 构建的无服务器 MCP 服务器,为 AI 智能体提供统一访问企业数据湖的标准化网关。系统以元数据目录驱动数据集接入,通过 Amazon Bedrock 生成并校验 SQL,调用 Athena、Redshift 和 Knowledge Bases 完成查询与文档检索。
推荐理由:文章完整拆解了基于元数据驱动、标准化 MCP 端点和分层权限控制的实现,可为多智能体访问企业数据湖提供可迁移架构。
AWS Machine Learning Blog 分享了 AWS Quick 构建过程中形成的智能体原语分类体系,以 When、What、Who、How 四个问题梳理触发器、智能体与能力。该框架将工具、技能和工作流视为智能体行动方式,并以学习反馈连接会话运行,支持统一理解和设计智能体系统。
Merge 使用 GPT-6 Astra、ChatGPT 和 Codex 构建产品与业务工具,用于审查产品代码并支持营销工作。其团队还借助 AI 规划高管晚宴和准备销售更新。
NVIDIA 通过联合设计 GPU、CPU、网络、存储和软件,缓解大模型及智能体推理中的 HBM 内存压力。方案包括以 NVFP4 压缩模型权重和 KV cache、通过 Dynamo 与 CMX 分层复用上下文,以及让 cuVS 在 CPU 和存储中承载 RAG 索引。
推荐理由:文章梳理了从模型权重、KV cache 到 RAG 索引的分层内存方案,并提供不同平台的吞吐量与成本对比。
AWS 演示如何通过代码评估器将 Jev 和开源 Strands Decider 2B 接入 Amazon Bedrock AgentCore Evaluations。示例把 OpenTelemetry spans 转换为决策模型请求,并将概率分布映射为评估标签和数值,同时提供人工标注、一致率与校准分析及级联评估流程。
U Mobile 与 AWS 及 Axrail 基于 Amazon Bedrock AgentCore 构建 AiDaH,用于跨系统诊断和修复电信运营问题。平台采用六层架构与分层路由,由 8 个专业智能体覆盖 150 多个已记录运营场景;内部测量显示,2026 年 1 月至 9 月开通和网络工单下降 84.5%,一般咨询下降 81.6%,计费工单下降 48.7%。
推荐理由:本文拆解 AiDaH 的六层架构、成本路由、安全基础和规格驱动开发方法,并提供电信运营智能体的落地参考。
Indegene 展示了如何在 AWS 上构建并扩展 NEXT Unified Data Platform 的 Data Quality Agent,以提升生命科学企业数据质量。该 LLM 驱动智能体生成并验证上下文感知规则,输出可直接运行的 SQL 与 Python 代码,纳入集中式 human-in-the-loop 治理,帮助减少数据质量项目的建设和维护工作。
AWS 解决方案架构师团队以开源多智能体数据分析方案 Deep Insight 为参考实现,讲解生产级 AI 智能体的四层上下文工程方法。文章介绍多智能体架构隔离、输出 token 预算与自包含代码、文件化上下文与按需加载技能,以及独立验证智能体和安全机制。参考实现中,单次写入并执行工具可减少脚本加入上下文的 token 约 95%,按需加载技能可减少系统提示词约 97%。
推荐理由:文章以 Deep Insight 代码演示四层上下文工程,涵盖多智能体隔离、提示词控制、文件系统外部化和验证机制,便于迁移到生产级智能体开发。
ChatGPT 与 Codex 正在帮助工程师加速实体世界中的工程工作,覆盖 CAD、PCB 设计、仿真等流程。相关工具面向实体工程场景,可用于提升这些设计与分析工作流的速度。
Cartesia 借助专用 State Space Models(SSMs)和 AWS 基础设施,构建支持全球规模运行的超低延迟语音 AI 应用。Sonic 文本转语音模型首个音频字节约 90ms,支持超过 44 种语言,并可用 10-second 音频样本克隆声音;Ink 语音转文本模型支持流式转录、原生轮次检测和多说话人处理。
EDB Postgres AI 与 Amazon Bedrock AgentCore 可共同构建面向智能体分析的语义层,让 Strands Agents 智能体通过 SemKB 理解业务定义和表关联。
推荐理由:教程完整展示了如何用数据库原生语义层改进文本转 SQL,并通过权限控制和调用链追踪落实治理。
Gen Digital 使用 Amazon Bedrock AgentCore Web Search 构建 Norton Revamp 的 AI 策展新闻引擎,以实时、带引用的网页信息支撑个性化资讯流、内容建议和目标推荐。该完全托管能力通过 AgentCore Gateway 以 MCP 合规连接器提供,返回来源 URL、标题和发布日期,并完全在 AWS 环境中运行。
AWS 教程演示如何为 Amazon Bedrock AgentCore Gateway 配置 Microsoft Entra ID OBO token 交换,使 AI 智能体调用 ServiceNow REST API 时保留用户身份并应用对应权限。
推荐理由:教程完整拆解了跨 Microsoft Entra ID 与 ServiceNow 的 OBO 配置,并给出网关目标、权限映射和代码示例。
Amazon Quick 通过 enriched datasets 和基于 Amazon S3 的知识库,将结构化与非结构化数据汇入同一 Space,并由单个对话式 AI 智能体统一查询。用户可在一次对话中跨两类数据提问,智能体会按需查询知识库、数据集或两者,并返回带引用且受用户权限约束的整合结果。
OpenAI 构建了 Pando,一个兼容 Git 的后端,用于支撑 Codex 所带来的大规模开发。Pando 通过可扩展的 Git 兼容基础设施,承接 Codex 推动的更高开发规模,为大规模开发工作流提供底层支撑。
Circle K利用Amazon Bedrock构建智能体事件分诊系统,将平均处理时间从45–60分钟降至15分钟以内,降幅为67–75%。
AWS 演示如何使用 Amazon Nova Multimodal Embeddings、Amazon Bedrock AgentCore 和开源 Strands Agents SDK 构建工程多智能体助手,自动汇集零部件替代证据并起草评估文档。
AWS教程演示如何使用序列级知识蒸馏(SeqKD),在Amazon SageMaker AI上训练低成本购物智能体。流程包括由Amazon Bedrock上的GLM-5.3生成并筛选 ShoppingBench轨迹,再以LoRA微调Qwen3.5-4B、评测并部署。蒸馏模型的平均ASR从基础模型的0.297提升至0.541,接近GLM-5.3贪心解码的0.540;仅保留工具调用时降至0.415。
推荐理由:完整展示SeqKD智能体的轨迹生成、过滤、训练、评测与部署链路,并量化推理保留和专项微调的效果差异。
AWS 介绍如何使用 Crawl4AI 为 Amazon Bedrock Knowledge Bases 准备网页内容,生成 Markdown 文档和 metadata sidecar 并摄取到 Amazon S3。
推荐理由:文章提供从网页抓取、Markdown 清洗、metadata 附加到知识库摄取与检索验证的完整可部署流程。
NVIDIA Nemotron 3.5 Super VL 已可通过 Amazon EKS、EKS Auto Mode 和 SageMaker HyperPod EKS 部署。
推荐理由:提供了从模型架构、GPU 配置到性能验证的完整部署路径,便于对照自身推理基础设施评估落地方案。
MoEngage 使用 Amazon Bedrock AgentCore Gateway,将约 400 个私有 REST API 操作转换为权限隔离的 MCP 智能体工具。该方案覆盖 7 个 AWS Regions,并通过 Cedar 策略、服务端身份注入和语义搜索控制工具可见范围,新 API 接入从数天缩短至数小时,预计节省约 6 个月平台工程投入。
推荐理由:MoEngage 公开了以中心化网关、权限策略和语义搜索管理大规模智能体工具的架构,便于读者参考私有 API 接入方案。
AWS 给出面向 FinOps 与平台团队的五阶段 Amazon Bedrock 成本管理方法,将支出治理拆为归因、观测、执行、优化和运营闭环。方法涵盖基于 IAM 身份与 CUR 2.0 的成本归因、调用日志与请求元数据、三档预算执行机制、模型路由和提示词缓存,以及按周或双周复盘的健康记分卡。
Amazon Bedrock AgentCore runtime 教程演示了如何通过 Session endpoints 和本地端点,在浏览器中实时查看编码智能体持续修改的 Vite 网站。
推荐理由:文章通过可运行的 Vite 示例,拆解如何配置端口、认证和本地代理,让编码智能体生成的应用在浏览器中实时预览。
Worldwide Express 与 AWS、LTM 构建基于 Amazon Bedrock 的多智能体 AI 系统,自动处理 LTL 货运计费异常。系统直连 TMS SpeedShip,由三个专用智能体调用承运商知识库给出建议,并在准确性超过 99 percent 后默认批量审批。
AWS 指南介绍如何在 AWS GovCloud (US) 中配置 ChatGPT 桌面应用,将模型请求通过 Amazon Bedrock Mantle 的 us-gov-west-1 端点路由至 GPT 模型。
Epsilon 介绍了如何将 Amazon Nova Act 与 Amazon Bedrock AgentCore Browser Tool 集成为多租户 UI 测试服务,并用自然语言步骤执行浏览器操作。
AWS 展示了如何用 Kiro 构建可重复的 PHP 到 Java 迁移引擎,通过模型发现扫描器、八阶段工作流和一致性验证工具,把原 PHP 应用作为行为规格。
AWS Batch 新增 quota management 调度能力,可为 SageMaker Training 作业按团队或项目划分配额份额并跨份额借还闲置 GPU 容量。
NVIDIA Omniverse 展示了开发者如何利用 GPT-6 Astra 等前沿 AI 模型构建物理仿真应用。开发者通过自然语言指导智能体生成或修改 OpenUSD 场景、连接 Omniverse 库,并验证机器人拆装、建筑重建、燃气轮机分析和传感器输出。
推荐理由:文章通过机器人拆装、数字孪生、传感器验证和仓储仿真等项目,展示了 AI 智能体接入 Omniverse 工作流的具体方式。
Credit Saison 的 ChatGPT Enterprise 试点实现 954% ROI。公司领导者和员工共同推动将试点结果转化为全公司范围采用,体现 ChatGPT Enterprise 在企业内部的推广过程。
三位 Java Champion 分享了在生产与开源项目中使用 GitHub Copilot 的方法,强调由智能体执行、开发者保留结果责任,并通过验证门禁控制质量。实践包括用自定义技能保持个人写作风格和代码规范,以截图、视觉差异、测试和静态检查验证生成结果,以及在 Pi4J 故障排查中由编码智能体定位原生调用阻塞虚拟线程的问题。
推荐理由:三位资深 Java 开发者的案例覆盖需求澄清、验证门禁、技能沉淀与确定性检查,为团队落地编码智能体提供可迁移做法。
GitHub Copilot app 会话可以直接在 VS Code 中继续,并保留对话、代码变更和工作上下文。开发者可逐行审查智能体改动,手动编辑代码、运行本地测试,再通过原有分支和 pull request 推送结果。
推荐理由:教程完整展示了从 Copilot app 接管会话到本地测试和推送 PR 的连续工作流。
GitHub Copilot 教程讲解如何通过四类定制让 Copilot 理解代码库。自定义指令、agent skills、自定义 agent 和 MCP servers 分别用于定义约定、封装重复流程、承担专业任务及连接外部工具与数据源。文章以 Playwright 为例,说明 Copilot 可在浏览器中操作应用并验证界面行为。
AI 正在改变开发者的执行方式,开发者需要学会引导 AI、评估输出并处理更广泛的系统问题。GitHub Copilot 内置的 Rubber Duck agent 可调用第二个模型审查计划、代码和测试,以发现首个模型可能遗漏的问题。随着 AI 承担更多实现工作,开发者可将时间投入客户需求、架构权衡、可访问性与成功指标等仍需人工判断的环节。
GitHub Copilot app 支持通过 /create-canvas 技能用自然语言生成自定义工作流画布,无需手动编写代码或设计界面。画布支持用户与智能体同时修改共享状态,并可保存为扩展重复使用或与团队共享;Awesome Copilot 还提供了发布说明、看板和问题分派等现成扩展。
推荐理由:教程给出从描述工作流到用 /create-canvas 生成双向协作画布的完整步骤,可直接迁移到自定义团队工作流。