跳到正文

#部署/工程

今日 0 条

11月11日

星期三

11月10日

星期二
  1. AWS Quick 中技能与智能体如何协同工作

    AWS Quick 通过智能体、技能与数据三层结构实现任务自动化:智能体遵循指令、按需加载技能,并经连接器执行操作。技能是可复用的指令集,系统技能支持生成 Word、PowerPoint、Excel、PDF 文档,以及网页浏览、代码运行、深度研究、音视频转写和图像生成。

11月9日

星期一
  1. NVIDIA 助力韩国各行业推进物理 AI

    NVIDIA 正帮助韩国制造业与工程领域的领军企业将物理 AI 从开发推向实际生产。三星电子借助 NVIDIA cuISS、cuDSS、cuEST 等加速半导体工程计算,其 sMOL 平台部分量子化学计算端到端提速最高 5x,AI 均质化案例实现约 1,600x 加速,仿真时间从约 18 小时降至 41 秒。

11月7日

星期六
  1. 基于 Amazon ECS Fargate 的无服务器 MCP server,为 AI 智能体提供数据湖访问

    亚马逊 NASC 团队在 Amazon ECS Fargate 上构建了无服务器 MCP server,作为 AI 智能体访问企业数据湖的集中式网关。新增数据集只需一个 JSON 元数据文件,由服务在下次管道同步时自动发现,无需为每个数据集编写集成代码。该架构支持任意 MCP 兼容客户端调用同一套工具,并在 MCP server 层集中执行权限控制,测试中端到端交互延迟保持在 15–20 秒。

  2. AWS Quick 中的智能体原语分类体系

    AWS Quick 团队提出一套智能体原语分类体系,用 When、What、Who、How 四个问题拆解智能体工作,对应触发器、智能体与能力三层结构。触发器分人类发起、智能体委派、定时和事件驱动四类;智能体被定义为持久学习型执行者,由指令、能力和学习上下文构成。能力涵盖工具、技能和工作流,按智能体自主程度与确定性程度排列。

11月6日

星期五
  1. Amazon Marketplace 如何用 Amazon SageMaker AI 评估内容质量

    Amazon Marketplace 用视觉语言模型(VLM)将完整商品详情页渲染为单张快照做整体质量评估,再把 VLM 语义评分与 OCR 可读性信号输入基于专家标注训练的 CatBoost 分类器,并用 SHAP 解释评分、生成改进建议。该多模型融合方案在 Amazon SageMaker AI 上实现从数据接入、标注到模型托管与生产监控的端到端流水线。

11月5日

星期四

11月4日

星期三