如何使用推送式架构自动更新 AWS Agent Registry
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 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 开源 Universal Agent Evaluation Framework(UAEF),通过适配器统一不同框架的执行轨迹,并用 36 项内置指标从 7 个维度评估 AI 智能体。
推荐理由:文章给出统一适配、指标选择、数据集准备与实验对比流程,便于跨框架建立可复用的智能体评估闭环。
Google DeepMind 发布 AlphaGenome 2,用于预测 DNA 序列及其变异对特定人类细胞类型的影响。模型基于超过 1.07 亿个细胞谱和 68 种组织训练,在 TenK10K 数据集上识别的因果变异比例为 30%,高于原始模型的 16%,并可预测未见过的细胞状态。AlphaGenome 2 已通过 AlphaGenome API 面向非商业研究开放,商业研究处于私有预览阶段。
推荐理由:AlphaGenome 2 将 DNA 变异预测细化到具体细胞类型,并提供跨模态补全能力,读者可据此评估其对单细胞遗传研究的应用价值。
Amazon SageMaker AI 宣布为双向流式推理引入按用量计费,模型提供商可在实时会话中报告实际使用量,并按 AWS Marketplace 约定收取软件费用。
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。
NVIDIA 展示 AI 与机器人如何帮助回收商从旧衣物、塑料瓶和混合回收物中识别并分拣可利用材料,延长产品与材料的使用周期。AIRECO 试点线识别准确率超过 95%,计划将年处理量从 18,000 吨增至 48,000 吨并降低 85% 运营成本;Greyparrot Analyzer 则将检查 15 吨废弃物的时间由 375 小时缩至 6 小时。
Moonshot AI 的 Kimi K3.1 Pro Highspeed 已上线 Amazon Bedrock,配备 1-million-token 上下文窗口,Moonshot AI 称其输出速度为 Kimi K3.1 Pro 的 2–3 倍。
推荐理由:提供了模型接入、推理档位、提示词缓存和 OpenCode 接入示例,并给出 Flex 成本与区域路由取舍。
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。
NVIDIA 将 OpenShell 贡献给 CNCF,并推出 NVIDIA DSX AI Factory Platform 的三个新组件。OpenShell 用于确定性地控制和治理自主智能体,Agent Substrate 则面向 Kubernetes 上长时间运行的智能体工作负载,NVIDIA 将确保其兼容 NVIDIA Dynamo 与 KAI Scheduler。
推荐理由:OpenShell 的社区治理与 DSX 新组件共同覆盖智能体安全、集群管理和推理扩缩容,为 AI 基础设施整合提供了具体路径。
Hugging Face 介绍决策模型如何以状态、问题和预定义答案为输入,直接返回结构化决策及概率,而不生成响应文本。其基础接口包含 Choice、Score 和 Noul 三种决策原语,并提供置信度计算方式。
推荐理由:文章系统梳理决策模型的接口与概率计算方式,并展示其在 Transformers、llama.cpp 和 Hub 中的接入方式。
OpenAI 介绍 Control Room,这是一套集中追踪其研究基础设施中模型工作负载的系统。当出现安全性或安全方面的顾虑时,该系统能够迅速停止相关模型工作负载,帮助研究人员管控模型运行。
OpenAI 发布 Control Room,用于集中追踪研究基础设施中的模型工作负载。当出现安全或安全防护方面的隐患时,Control Room 可快速停止相关工作负载。
NVIDIA Nemotron 3.5 Super VL 现已上线 Amazon SageMaker JumpStart,可通过 SageMaker Studio 或 SageMaker Python SDK 部署。
推荐理由:文章给出两种权重的部署方式、实例配置、性能数据及图像和视频推理示例,便于评估该模型在文档与多模态智能体任务中的落地成本。
AWS 宣布 Claude Fable 5.2 与 Claude Mythos 5.2 登陆 Amazon Bedrock 和 Claude Platform on AWS。
推荐理由:文章提供了模型能力、适用场景、数据治理要求及迁移方法,可帮助开发者评估接入方式并完成代码适配。
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。
NVIDIA 发布针对 A.X K2、K-EXAONE 2.0、Solar Open 2 和 Motif-3 的 Dynamo 优化部署配方。这些配方基于开源分布式推理服务框架 NVIDIA Dynamo,针对 NVIDIA B200 GPU 优化多节点部署,开箱最高可实现 2x 推理性能。
NVIDIA与韩国科学技术信息通信部(MSIT)扩大主权AI合作,覆盖半导体、数据中心、人才、模型、智能体与安全。韩国NPU、XPU企业将探索加入NVLink Fusion;“AI for All”计划将合作3个联盟和4家基础模型构建者,以Dynamo优化推理。NVIDIA另与SK Telecom、Rebellions推进主权AI基础设施。
NVIDIA 正通过开放模型、运行环境和安全控制能力,推动韩国 AI 生态发展并强化智能体安全。Hyundai Motor Group 正探索 NVIDIA NemoClaw 蓝图与 NVIDIA OpenShell,AIM Intelligence 则将 Starfort 平台接入 OpenShell,以检测恶意指令和数据泄露。
NVIDIA 正与韩国 Samsung、Kakao Mobility 和 LG Electronics 合作,将加速计算、AI 与仿真应用于半导体、自动驾驶和机器人制造。
Amazon SageMaker Inference 新增 NVIDIA MIG GPU 分区支持,可在托管推理端点中将单块 GPU 划分为多个硬件隔离分区,每个分区分配独立计算资源和显存。
推荐理由:文章给出实例族、API 配置和基准结果,读者可评估 GPU 分区对模型部署密度、隔离与推理成本的适配方式。
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。
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。
NVIDIA开源工具正帮助研究人员构建下一代6G网络,将仿真、AI训练与真实无线系统实验连接起来。过去一年,NVIDIA AI Aerial与NVIDIA Sionna的全球开发者采用量增长10x,开源5G/6G工具下载量超过1 million。机器人实验将任务完成时间最多缩短52.6%,部分5G网络仿真由约3小时缩至10-20分钟。
NVIDIA发布Vera CPU,兼顾AI智能体执行速度与每瓦容量。在100-megawatt数据中心对比中,Vera每瓦可支持1.6x更多智能体,相比最高能效的x86 CPU实现2x智能体速度。Perplexity、DeepInfra、ClickHouse、Daytona和Modal等合作方已开展生产环境测试,其中Daytona以Vera在10.8秒内上线1,000个智能体沙箱。
推荐理由:通过与x86 CPU对比及合作伙伴实测,呈现Vera在智能体吞吐量、能耗效率和并发能力上的表现。
Amazon 介绍了一套在 Amazon SageMaker AI 上评估 A+ Content 质量的端到端方案,将整页渲染为快照,用 VLM 与 OCR 提取特征,再通过 CatBoost 分类和 SHAP 生成改进建议。
Microsoft Research 推出研究原型 PDD Kit,将用户意图转为 Verus 形式化规范,验证编码智能体生成的 Rust 代码,并在证明无法覆盖处回退到测试。
推荐理由:给出了从意图澄清、Verus 证明、信任边界测试到 CI 接入的完整流程,可用于评估形式化验证如何约束编码智能体生成代码。
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。