AWS讲解Amazon Aurora PostgreSQL的负责任AI控制设计
AWS博客以RAG客服机器人为例,讲解如何将AWS负责任AI的8个维度映射到Amazon Aurora PostgreSQL,并深入实现可解释性控制。方案使用Aurora ML从SQL生成1,024维Amazon Titan Text Embeddings V2向量,结合pgvector、RLS和Amazon Bedrock Guardrails,记录检索块、相似度、引用来源及护栏轨迹。
AWS博客以RAG客服机器人为例,讲解如何将AWS负责任AI的8个维度映射到Amazon Aurora PostgreSQL,并深入实现可解释性控制。方案使用Aurora ML从SQL生成1,024维Amazon Titan Text Embeddings V2向量,结合pgvector、RLS和Amazon Bedrock Guardrails,记录检索块、相似度、引用来源及护栏轨迹。
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。
AWS 发布 AWS re:Invent 2026 的 AWS Quick 参会指南,集中介绍 11 月 30 日至 12 月 4 日举行的主题演讲、客户案例、动手实验和工作坊。内容涵盖企业治理、规模化部署、知识图谱、记忆、安全以及多智能体工作流,线下参会者也可通过直播观看 50 多场活动。
Amazon Bedrock Managed Knowledge Base 可通过 Agentic Retrieve 接入 AgentCore memory,自动恢复会话、检索长期记忆并保存对话轮次。教程以多用户员工助手为例,介绍 Cognito 身份映射、ACL 文档过滤、记忆命名空间、IAM 隔离和 trace 验证方法。
推荐理由:教程完整演示了多用户知识助手的记忆接入、权限隔离与请求配置,可用于梳理智能体记忆系统的落地方法。
Novo Nordisk 与 AWS 构建并部署了基于 Amazon Bedrock AgentCore 的制造流程智能助手,通过 GraphRAG、混合搜索和先澄清后检索回答复杂流程问题。系统管理约四百万份文档,仅对已接入领域索引全文,并返回基于已批准文档及版本的引用答案。主体专家原本需要数小时或数天完成的任务被缩短至数分钟,同时会在材料缺失或存在歧义时明确提示复核。
Amazon Bedrock Managed Knowledge Base 支持通过检索指令为每个租户定制回答风格、格式、检索策略和答案策略。指令包含 persona、answerFormat、retrievalGuidance、answerPolicy 四个字段,可版本化并在请求中固定,Planning 跟踪事件会记录实际应用的指令版本。
推荐理由:教程给出了多租户检索指令的创建、版本发布、隔离与审计方法,可迁移到共享知识库的分租户问答场景。
Amazon Bedrock Managed Knowledge Base 支持通过智能体检索回答 CSV、XLSX 和 XLS 表格中的问题。文章演示了创建知识库与数据源、调用 AgenticRetrieveStream、读取代码执行轨迹及引用结果,并说明表格搜索的适用边界与文件大小限制。
推荐理由:文章通过财务数据示例演示表格搜索如何结合表格计算与文档事实,并提供知识库创建、调用和追踪流程。
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。
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。
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 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。
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。
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。
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 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。
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。
Amazon Bedrock AgentCore 正式推出 Web Answer,可通过一次工具调用为自然语言问题生成带来源引用的综合答案。它会并行搜索并核验网页内容,由 AgentCore Gateway 以 MCP 工具结果返回答案与引用,定价为每 1,000 次工具调用 $10,目前在 us-east-1 可用。
推荐理由:原文对比了 Web Answer 与 Web Search 的职责边界,并提供从接入网关到调用工具的完整示例,便于理解托管式网页检索方案。
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。
Box 在开发者大会上展示 Box Content Retrieval,将 Nvidia 的 Nemotron 嵌入系统接入产品核心,帮助 AI 智能体更准确、高效地回答查询。
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。
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。
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。
Legora CTO Jacob Lauritzen介绍如何在无法读取客户数据与智能体运行轨迹的情况下构建、测试法律智能体。团队通过模拟客户工作流的测试环境、模型选择器和评测流程定位问题,其中一次模型发布使引用正确率从 70% 提升至 99%。Legora还讨论了多智能体协作、法律文档起草、Azure部署以及计费工时和初级律师岗位可能受到的影响。
Legora CTO Jacob Lauritzen 介绍团队如何构建面向律师的 AI 智能体,以及法律工作、计费模式和律所组织方式的变化。团队在无法查看客户机密数据的情况下,用 3 名工程师、3 名律师和约 100 名法律工程师构建模拟评测环境,并通过模型路由处理质量、成本、延迟与合规差异。
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 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。
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。
C-BRAIN 与 NVIDIA 合作,利用 AI 工具和加速计算整合分散的阿尔茨海默病研究数据,帮助科学家更快开展分析与验证。该联盟采用集中式与联邦式结合的架构,已构建开源智能体科研工具 OpenScientist 和 InsightEngine,案例显示单次分析可在数分钟内完成,费用低于 $10。
推荐理由:文章梳理暗数据、联邦架构与两项开源智能体工具如何进入阿尔茨海默病研究流程,提供了可参考的实践路径。