跳到正文
AI 资讯
今天11月19日周四2 条
  1. AWS Machine Learning Blog49

    Social Department 如何构建具备文化意识的视频发现系统

    Social Department 用 QuickSearch 将编辑判断与实时趋势信号编码为检索流水线,直接返回适合娱乐营销的视频片段。系统运行于 Amazon Bedrock,使用 TwelveLabs Marengo 3.0 与 Pegasus 1.2 提供场景级视频推理,并支持四类单动作查询。流程遵循“AI 提议、人员决策”,由代码核验来源,客户团队逐项审批。

11月18日周三
  1. AWS Machine Learning Blog71

    ArisGlobal 如何在 Amazon Bedrock 上扩展生成式 AI 推理

    ArisGlobal 通过调整 Amazon Bedrock 提示词缓存顺序,将共享提示词前缀放在缓存检查点之前,实现跨请求、案例和租户复用。生产环境中,65% 的输入 token 来自缓存,端到端延迟最高降低 25%,有效输入成本降低约 50%,每月超过 19B tokens 的推理支出节省约 40%。

    推荐理由:案例拆解了提示词缓存顺序的调整逻辑与生产指标,并给出可复用的多租户配置实践。

11月17日周二
11月14日周六
  1. AWS Machine Learning Blog73

    在 Amazon Bedrock 上使用 NVIDIA NeMo Switchyard 为编码智能体路由模型

    AWS 演示如何使用 LiteLLM 与 NVIDIA NeMo Switchyard 在 Amazon Bedrock 上为编码智能体请求选择合适模型。教程涵盖 Stage 与 Random 路由策略、AWS CDK 部署、网关测试,以及按通过测试的任务成本对比路由组和单模型基线。

    推荐理由:教程给出模型路由配置、AWS 部署和任务成本评测流程,并以通过测试的任务成本比较路由与单模型基线。

11月13日周五
  1. 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。

11月12日周四
  1. 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。

11月10日周二
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。

11月5日周四
  1. AWS Machine Learning Blog81

    Deep Insight 演示生产级 AI 智能体的四层上下文工程

    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。

11月3日周二
10月30日周五
  1. NVIDIA Blog61

    NVIDIA Omniverse 如何利用前沿 AI 智能体构建仿真应用

    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。