在 Amazon Bedrock AgentCore Runtime Instances 上构建多智能体音乐制作流水线
AWS 官方博客演示在 Amazon Bedrock AgentCore Runtime Instances 上部署三智能体音乐制作流水线：作曲智能体用 Claude Sonnet 4.6 生成音乐简报并在实例的 NVIDIA L4 上运行 ACE-Step 渲染音频，交付智能体读取共享卷上的 .wav 做测量与 DSP 处理，合规智能体独立复测并筛查与曲库的谐波相似度。
#教程/实践
#教程/实践
今日 4 条9月30日
Amazon Quick 提示词工程基础指南
Amazon Quick 的提示词工程决定其 AI 功能对自然语言请求的响应质量，官方发布两部分系列的第一部分，聚焦跨组件通用的提示词原则与可复用框架。文章给出 CRISPE 框架，涵盖上下文与约束、角色与职责、意图与输入、步骤与范围等要素，并强调具体化、业务上下文和示例示范优于抽象描述。
Amazon Quick 各组件提示词工程：模式与陷阱
AWS 发文拆解 Amazon Quick 各组件的提示词写法：Quick Research 需明确目标、受众与时间范围，并自行拆解子问题、限定数据源（Quick Index。
用 Amazon Quick 和 Amazon Bedrock AgentCore 构建 AI 合同智能平台
基于 Amazon Quick 与 Amazon Bedrock AgentCore 的合同智能平台，用 AI 智能体从合同 PDF 中提取 8 个关键字段并独立校验，签名识别分歧由 Amazon Textract 裁定，结果存入 Amazon Aurora PostgreSQL。
9月29日
在 SageMaker AI 上用 vLLM-Omni 构建实时语音应用（上）：部署 Qwen3-TTS 流式语音
AWS 发布 vLLM-Omni DLC，可在 SageMaker AI 上部署 Qwen3-TTS，通过一条持久双向连接实现文本流入、音频流出，语音在生成完成前即开始播放。
在 SageMaker AI 上用 vLLM-Omni 生成图像与视频（第二部分）
AWS 发布教程，演示在 SageMaker AI 上部署同一个 vLLM-Omni DLC 镜像的两个端点：实时端点运行 FLUX.2-klein-4B 生成图像，异步端点运行 Wan2.1-VACE-1.3B 做图像条件视频生成。文本提示词先生成 PNG，再连同运动提示词经 Amazon S3 传给视频端点，最终从 S3 取回 MP4，示例含命令行流程和可选的 Streamlit 界面。
9月28日
用 Amazon Nova Act 与 Bedrock AgentCore 实现合成监控
基于 Amazon Nova Act 与 Amazon Bedrock AgentCore 的智能体驱动合成监控方案，用自然语言动作替代 Selenium、Playwright 的 DOM 选择器脚本，由多模态 LLM 读取 UI 截图执行登录、下单、结账等关键流程。
跨账户自动化管理 Amazon Textract 适配器生命周期
AWS 发布跨账户自动化管理 Amazon Textract 适配器生命周期的方案，通过将适配器 ID 外置到 AWS Systems Manager Parameter Store，生产环境适配器引用可零停机更新，无需重新部署应用，原本需数小时至数天的协调工作缩短到数秒。
9月26日
GitHub Copilot 新手教程：如何用 canvases 构建自定义工作流
GitHub Copilot 应用中的 canvas（画布扩展）是一种可自定义的双向界面，用户只需在 agent 会话中输入 /create-canvas 并用自然语言描述工作流，即可生成看板、发布清单或仪表盘等界面，无需编写代码。canvas 会保存为扩展，可随项目共享或作为个人扩展复用，社区也已通过 Awesome Copilot 分享现成模板。
在 Amazon EKS 上用 EFA 和 DeepEP 扩展 MoE 强化学习，吞吐量提升 40%
AWS 给出在 Amazon EKS 上结合 EFA 与 DeepEP 扩展 MoE 强化学习训练的架构方案，吞吐量提升 40%。
在 Amazon SageMaker HyperPod 上用 SkyRL 加速多模态 RL 训练
在 Amazon SageMaker HyperPod 上使用开源 RL 框架 SkyRL，通过 GRPO 对 Qwen3-VL-8B 视觉语言模型进行多模态强化学习后训练，在固定 64 个迷宫评测集上把解迷宫成功率从 43.75% 提升到 95% 以上。
NarrateAI：在 Amazon Bedrock 上实现生产级 LLM 质量保障
NarrateAI 在 Amazon Bedrock 上通过五项技术实现约 99% 的数值准确率并实时流式返回响应，服务超过 4000 名 AWS 高管。这五项技术分别是自适应流水线编排、跨账户多模型故障转移、实时流式评估、复合评估框架和数据准确性验证，其中约 90% 的查询走单次快速路径，仅约 10% 走并行批处理路径。
在 Amazon SageMaker AI 上部署 Qwen3-TTS 实时个性化语音
阿里云 Qwen 团队开源的 Qwen3-TTS-12Hz-1.7B-Base 已上线 Amazon SageMaker JumpStart，可部署到全托管实时推理端点，仅需几秒参考音频和对应文本即可克隆音色，无需重新训练。
9月25日
Amazon SageMaker HyperPod 与 Qumulo 实现跨区域训练
Amazon SageMaker HyperPod 搭配 Qumulo 的 Cloud Native Qumulo（CNQ）与 Cloud Data Fabric（CDF），可让训练集群跨 AWS Region 直接读取远端数据集而无需复制数据或改动代码。
在 SageMaker AI 上用 WhisperX 做说话人标注转录
AWS 发布 WhisperX Deep Learning Container，在 OpenAI Whisper 基础上加入批处理推理、wav2vec2 强制对齐的逐词时间戳和说话人分离，可部署到 Amazon SageMaker AI 实时或异步端点，无需自建镜像。
用 AgentCore Gateway 和 MCP 构建多账户 AI 智能体
企业可用 Amazon Bedrock AgentCore Gateway 与 MCP 构建多账户 AI 智能体架构，让各业务线数据留在自己的 AWS 账户内，仅在查询时按需流出。
Aderant 用 Amazon Nova Lite 构建智能工单分诊系统
Aderant 基于 Amazon Bedrock 调用 Amazon Nova Lite，为 38 人的 SierraOps 团队构建了智能工单分析器，自动完成工单上下文收集、分类与路由。
9月24日
GitHub Copilot 应用如何渲染超大 pull request
GitHub Copilot 应用重建了 pull request 视图，以应对超大 diff 与评论带来的渲染压力，实测对象是一个包含 2,200 个文件、超 100 万行改动和 400 多条行内评论的开源 pull request。其做法是把文档高度拆成确定性的代码几何与动态块几何两个独立域，代码行高提前精确计算，评论等动态块则采用有界高度、延迟测量，并把修正锚定在用户当前浏览位置。
9月17日
GitHub 用 Copilot 把 Copilot 运行时迁移到 Rust
GitHub 用 GitHub Copilot app 和 Copilot CLI 把 Copilot agent runtime 从 TypeScript 完全重写为超过 80 万行生产级 Rust，AI 智能体写了大部分代码，跨 128 个 PR 增量落地，性能提升数个数量级。
9月12日
GitHub 如何用 Copilot 把营销活动变成代码：从策划到跟进全自动
GitHub 日本和韩国营销负责人用 GitHub Copilot 把活动运营做成自动化流水线：以 GitHub Issue 为工作单元，Issue forms 收集结构化字段，label 触发 GitHub Actions 工作流，自动生成 UTM 链接、落地页、邀请邮件和报名者名单清洗。
9月11日
OpenAI 如何将 Habitat 扩展为支撑 10 亿 ChatGPT 用户的在线存储平台
OpenAI 将 Habitat 从 Python 库演进为全球分布式存储平台，支撑 10 亿 ChatGPT 用户、每秒 2200 万次请求。该平台用于满足 ChatGPT 在线存储的规模化需求。
GitHub Copilot 应用新手指南：如何使用 diff、终端和浏览器面板
GitHub Copilot 应用内置 diff、终端和浏览器三个面板，让用户无需切换编辑器、终端和浏览器即可完成审查、运行和预览 AI 生成代码的完整闭环。diff 面板以绿色和红色高亮显示新增与删除行，支持接受更改、留言或让 Copilot 继续修改；终端面板可直接运行项目命令并支持多窗口切换；浏览器面板提供 Pick & Polish 工具，可选中页面元素并让智能体调整。
9月10日
Hugging Face Jobs 上用 LoRA 实现异步 GRPO：一个 Bucket、一个代理，无需 NCCL
TRL v1.14 的 AsyncGRPOTrainer 现已支持只训练并同步 LoRA adapter 到 vLLM，rank-1 adapter 仅几 MB，可通过挂载到各 Job 的 Storage Bucket 传输，无需 NCCL。
用 Gradio Workflow 重建 AUTOMATIC1111：Workflow1111 的 73 节点画布
Hugging Face 团队用 Gradio Workflow 把 AUTOMATIC1111 的大部分功能重建为一张画布 Workflow1111，由 11 条媒体流水线和 73 个节点组成，覆盖文生图、高清修复、图生图、提示词矩阵、VLM 反推、检测生成 inpaint 掩码、ControlNet 风格标注器、背景移除、PNG Info 与图生视频。
9月9日
Mistral 如何用 AI 智能体迁移 4 万行 Fortran 遗留代码
Mistral 帮助一家欧洲能源运营商把 4 万行 Fortran 77 迁移到 C++，对象是一个没有测试套件和集中文档的物理密集型油藏模拟器。团队先搭建数值对齐测试框架，用 Skill.md 引导智能体导出状态快照并校验迁移模块，再用 Vibe CLI 启动上百个智能体解析调用树、结合 Mistral OCR 整理散落文档。
9月3日
用 100 步 GRPO 微调 LFM2.5-350M 提升结构化输出能力
一份公开的低成本方案用 TRL 的 GRPO 对 LFM2.5-350M 做微调，仅约 500 条样本、100 个训练步，就把 IFStruct 基准分数从 22.6% 提升到 29.7%，训练可在免费 Colab 或 Kaggle GPU 上完成。评测通过 llama.cpp 在 MacBook 本地运行，代码已开源在 GitHub。
用 TRL 和 OpenEnv 训练编码模型画水彩画
Hugging Face 博主用 TRL 和 OpenEnv 复现了 Surya Narreddi 让语言模型画水彩画的创意，模型通过 p5.brush 编写约 150 行 JavaScript 作画，相关数据集、RL 环境、训练脚本和模型全部开源。
8月26日
用 Sentence Transformers 训练与微调多向量嵌入模型
Sentence Transformers v6.0 新增第四种模型类型 MultiVectorEncoder，用于 ColBERT 式后期交互检索，并配套完整训练方案。
8月21日
Hugging Face Inference Endpoints、Jobs 与 Buckets 如何支撑 Papers with Code 的搜索
Papers with Code 的论文搜索采用混合检索架构，由 Hugging Face Jobs 批量生成嵌入向量、Storage Buckets 做持久化中转、Inference Endpoints 提供在线查询的低延迟嵌入，目前覆盖 arXiv 与 Daily Papers 的逾 11 万篇论文。
8月18日
Hugging Face 博客：约束感知 GPU 分配器让同一集群利用率最高提升 33 个百分点
Hugging Face 博客介绍了一个约束感知 GPU 分配器，在相同硬件和相同负载下对比 FIFO 调度器，五个真实争用场景中 GPU 利用率从 52–85% 提升到 72–88%，优先级加权产出提升 24.6%–105.1%、平均 52%。
8月14日
用 Strands Agents、LeRobot 和 Hugging Face Storage Buckets 打通录制、训练与部署闭环
Hugging Face 博客给出 Strands Robots 的流式数据闭环教程，用同一个 Robot() 对象完成录制演示、同步到 Storage Bucket、从 Hub 流式读取训练并把 checkpoint 部署回硬件，全程保持 LeRobot 磁盘格式不变。
8月11日
Hugging Face 对比 ACE 与 ALTK-Evolve：更少 token 实现更强智能体记忆
Hugging Face 的 ALTK-Evolve 与 ACE 同为无需权重更新的智能体记忆方案，区别在交付方式：ACE 每步注入完整 playbook，ALTK-Evolve 按任务检索少量高支持度 guideline。
7月16日
模型路由看似简单，实则难在哪
IBM Research 在 Hugging Face 博客分享将模型路由构建进智能体系统的经验，指出多数路由系统把模型选择当成分类问题，实际却是系统优化问题。
7月10日
PyTorch 性能分析（第三部分）：Attention 全解析
Hugging Face 博客发布 PyTorch 性能分析系列第三部分，用 profiler 追踪 attention 的实现细节。文章对比了朴素 attention 与原地（in-place）masking 版本，将 masked_fill 改为 masked_fill_ 后，每次前向传播可减少一个 GPU Memcpy kernel。
7月6日
PRX Part 4：我们的数据策略
Hugging Face 发布 PRX 系列第四篇，详解其数据策略：预训练数据由公开与内部数据集混合组成，用 VLM 重新生成图像长描述，并转为可流式训练的语料。团队用 Lance 做数据构建与筛选、MDS 做流式训练，改用 Qwen3-VL 后在训练中实时计算文本 latent，实测吞吐仅损失约 3–4%（30 天训练多约 1 天）。
3月11日
Mistral 用 Vibe 搭建自动编写 Rails 测试的智能体
Mistral 基于其开源编码助手 Vibe 搭建了一个自主智能体，可读取 Rails 源文件、生成或改进 RSpec 测试，并在 CI/CD 流程中无需人工干预运行。
1月22日
Heaps do lie：排查 vLLM 内存泄漏
Mistral AI 团队在 Mistral Medium 3.1 的 Prefill/Decode 分离式部署中排查到 vLLM 内存泄漏，系统内存以每分钟 400 MB 线性增长，数小时后触发 out of memory。泄漏仅出现在启用图编译、经 NIXL 传输 KVCache 的 decode 侧，Heaptrack 显示堆内存稳定，问题出在堆外。
8月1日
Mistral 如何通过微调 Pixtral-12B 提升卫星图像视觉语言模型表现
Mistral 用 LoRA 微调 Pixtral-12B，在 Aerial Image Dataset（AID）卫星图像分类任务上显著优于未微调基线，并减少了模型幻觉出的无效类别名。微调通过 Mistral 微调 API 或 LaPlateforme UI 完成，无需大量超参数调优，数据集划分为 8,000 训练样本和 2,000 测试样本。
4月9日
Mistral 如何用 LLM as a Judge 评估 RAG 系统
Mistral 提出用 LLM as a Judge 评估 RAG 系统，由 judge LLM 按数值、二元或定性量表为 generator LLM 的回答打分，再对评测数据集取加权平均。
3月4日
Mistral AI 用智能体工作流自动生成 PRD 与工程工单
Mistral AI 推出 TranscriptToPRDTicket 智能体工作流，由 Mistral Large 2 驱动的 PRDAgent 和 TicketCreationAgent 组成，可将会议转录自动生成 PRD 并转化为开发工单，自动在 Linear、Jira 等项目管理工具中创建工单。