Amazon Bedrock AgentCore runtime 快速会话启动的架构模式
Amazon Bedrock AgentCore runtime 的 platformVersion "V2" 改为在创建或更新时一次性构建快照,新会话直接恢复快照,不再每次拉取容器镜像,会话启动更快更稳定。
Amazon Bedrock AgentCore runtime 的 platformVersion "V2" 改为在创建或更新时一次性构建快照,新会话直接恢复快照,不再每次拉取容器镜像,会话启动更快更稳定。
NVIDIA NeMo Switchyard 是一个开源库,可让 AI 智能体为每个请求选择由哪个模型处理,其 LiteLLM 集成支持 Stage 路由(读取请求历史中的工具活动与结果,在两个候选模型间选择)和 Random 路由(按权重分流做 A/B 对比)。
GS Caltex 将 SageMaker Canvas 中由工艺工程师无代码构建并验证的模型,接入 SageMaker Pipelines 的生产工作流,实现每 30 分钟一次的批量推理。
AssemblyAI 在 AWS 上以 Amazon ECS 结合 EC2 Spot 与 On-Demand 混合的 GPU 集群运行语音转文字推理,通过 Amazon SQS 队列重试机制吸收 Spot 中断,在维持 SLA 的同时显著降低成本。
Hugging Face 发布教程,演示如何用 SimReady Central 上的 UR17G 机械臂、Robotiq 2F-140 夹爪和饮料罐资产,在 Isaac Sim 6.2 中组装场景并完成抓取放置任务。
Amazon SageMaker HyperPod 新增 Data Capture 能力,可在端点、负载均衡器和模型 Pod 三个独立层级把线上推理输入输出记录到 Amazon S3,对模型可用性零影响。文章以 Qwen2.5-3B-Instruct 家电客服路由模型为例,用 Athena 查询发现新产品盲区、SQL 策略打标后微调,并在部署后新增数据上对比前后准确率。
Amazon Bedrock 提供零埋点的成本归因能力,把每次推理调用追溯到发起调用的 IAM 主体,并将身份与组织标签写入 CUR 2.0 和 Cost Explorer。
GitHub 发布 Agent 技能实践指南,说明技能是以 SKILL.md 为核心的版本化目录,用于记录可重复任务的执行方式,并可跨智能体共享。文中以 Proof Agent 和 Data Forge 为例,展示多个技能如何通过 manifest 共享项目上下文、统一数据平台访问路径,并在七个阶段各设人工检查点。
Amazon Bedrock 的缓存时长、服务层级、推理强度和 maxTokens 四项请求级设置会在不改模型和提示词的情况下影响推理成本。以 Claude Sonnet 5 和 Claude Opus 5 为例,5 分钟缓存写入按输入价 1.25 倍计费、1 小时写入 2 倍、缓存读取 0.1 倍,1 小时缓存需每小时至少 3 次请求才划算。
AWS 展示了一套基于 Amazon Bedrock Application Inference Profiles 与 LiteLLM 的自助式 LLM 网关方案,将 Bedrock 封装为 OpenAI 兼容 API,开发者用单一 base URL 和专属 API key 即可接入 Claude Sonnet、Claude Haiku 等模型。
AWS 提出以“单任务成本”而非“单 token 价格”衡量 Amazon Bedrock 上的智能体开销,并给出缓存、路由、输出约束等降本手段。示例中列表价高 2 倍的 Model B 因 tokenizer 更省、输出更精简、单轮完成,单任务成本为 $0.00145,比 Model A 的 $0.0042 低 65%。文章还给出以人工基线、留出实验和五维记分卡衡量智能体 ROI 的方法。
AWS 给出无需自写代码的方案,按 IAM 主体追踪并限制 Amazon Bedrock 生成式 AI 支出:Bedrock 自动记录每次推理请求的 IAM 用户或角色身份,配合 principal tags 或会话标签区分共享角色下的具体用户。
AWS 提出 Agent Development Lifecycle(Agent DLC),用一个生命周期、两个循环和统一验收标准来判定智能体的每次变更是否可上线。
针对智能体代用户检索内部文档时的越权风险,该方案在 Amazon Bedrock AgentCore Gateway 工具层用请求拦截器从已验证 JWT 中注入 userContext,再由 Managed Knowledge Base 的 ACL awareness 按用户权限过滤文档。
AWS 发布基于 A2A 协议的多智能体参考架构,让 LangChain 企业编排器与 Strands Agents 构建的 SaaS 合规智能体跨 AWS 账户、跨组织边界协作,双方不依赖对方框架或 SDK 且不共享密钥。
Hugging Face 发布 TRELLIS.2 3D 生成模型的微调脚本与容器,可在本地或 Hugging Face Jobs 上运行。方案用 PEFT 库为稀疏结构流 DiT 和形状流 DiT 添加 LoRA 适配器,冻结材质生成阶段,在 GSO 数据集 188 个鞋类对象上改善鞋底几何精度。
Amazon SageMaker HyperPod 通过在 PyTorch DDP 训练循环中加入三项检查来检测静默数据损坏(SDC):非有限梯度检查捕获 NaN/Inf,环形重放审计比对另一节点重算的 loss 与梯度指纹,权重指纹比对发现优化器步骤与存储权重中的损坏。
开源引擎用反合一(anti-unification)在 e-graph 上计算两条形式化策略的最具体公共模式,把相同部分只展示一次、差异部分并列保留,从而过滤掉重排合取项、等价谓词等语法噪声。
OpenAI Codex 可通过 Amazon Bedrock 调用 GPT-5.6 Sol 等模型完成推理,同时沿用企业现有的 AWS IAM、区域和可观测性体系。
Java 团队可借助 Spring AI 与 Amazon Bedrock AgentCore 构建自主 AI 智能体,实现规划、工具调用与多轮对话记忆。文中给出两个示例系统:单一智能体旅行助手演示工具调用与记忆,多智能体智能文档处理(IDP)系统由 Lawyer、Mortgage、Insurance、Tax、General 五个专家智能体配合规则引擎与告警运行。
AWS 提出一种事件驱动架构,用 CloudTrail、EventBridge 和 Lambda 自动把 MCP server 的工具与 schema 变更同步到 AWS Agent Registry。
AWS Generative AI Innovation Center(现属 AWS Frontier AI Engineering & Services)发布 23 个生产级可复用资产目录,覆盖 RAG 流水线、文档处理、智能体脚手架等组件,可将开发时间从数月缩短至数周。
AWS Quick 推出 AI-PDLC 框架,用六个专用智能体覆盖产品开发上游的 Discover、Decide、Design、Prototype 四个阶段,每个阶段都设有人工审批关卡。
Hugging Face 博客介绍多向量嵌入模型的 Token Pooling 感知训练:在 pool_factor=4、文档向量减少 4 倍时,常规训练模型保留未池化 NanoBEIR nDCG@10 的 94.6%,感知训练将保留率提升至 97.8%。
Amazon Bedrock AgentCore 的 Web Search API 现已可用,通过单次 API 调用返回带标题、URL、发布日期和摘要的实时网页结果,查询由 Amazon 自建索引处理、不经过第三方搜索引擎。
Amazon Bedrock AgentCore Evaluations 提供内置、DeepEval 和 AutoEval 三类评估器,内置评估器由 AWS 编写并经过质量测试,共 16 个,覆盖响应质量、任务完成、工具使用、技能和安全五个维度。
AWS 发布 Amazon Bedrock 调用观测数据湖方案,通过 CloudWatch 日志订阅将多账户的模型调用日志汇聚到中心账户,经 Data Firehose 转成 Parquet 写入 S3,再用 Athena 统一查询。
CrossnoKaye 基于 Amazon Bedrock AgentCore 构建工业物理 AI 系统 AURA,与其软件定义自动化平台 ATLAS 打通,覆盖 100 多个工业设施和 13,000 台受控设备。
AWS 提出 Pluggable Agentic AI Framework,一套运行在 Amazon Bedrock AgentCore 上的七层可组合企业级 Agentic AI 参考架构,覆盖数据与知识、模型与推理、编排、安全与护栏等层。
GitHub 发布开发者指南,提出智能体工程需覆盖 Plan、Build、Verify、Observe 四个阶段。GitHub 单周提交量已超 12 亿次,同比增长逾 400%;Faros AI 研究显示团队 AI 采用率从低升到高后,PR 评审耗时增加 441%。
示例项目 sample-remote-coding-agent 将 Claude Code 作为远程智能体运行在 Amazon Bedrock AgentCore 上,每个任务在独立 AgentCore runtime 会话的 microVM 中执行,最终返回 GitHub pull request 供审阅合并。
Okta Cross App Access(XAA)与 Amazon Bedrock AgentCore 组合,在 IdP 侧决定哪个智能体可代表哪个用户访问哪个应用。
AWS 发布教程第二部分,在 Amazon Bedrock AgentCore 上引入 Gateway 作为统一入口,由 Gateway 统一兑换 Okta 的授权,替代第一部分中每个 MCP 服务器各自校验的模式。
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。
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。
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。
AWS 团队以开源多智能体数据分析方案 Deep Insight 为参考实现,把生产级 AI 智能体的上下文工程拆成四层:多智能体架构隔离上下文、用提示词限制输出、把重内容外置到文件系统、用独立智能体与兜底机制做验证。
Amazon Bedrock AgentCore Evaluations 可通过代码型评估器接入决策模型,把评估输入转换为决策模型请求、再把概率转回评估结果。示例接入 TypeSafe 的托管决策模型 Jev 和 Strands Agents 团队开源的 2B 参数模型 Strands Decider 2B,二者支持 noul、choice、score 三类问题。
文章演示如何在 EDB Postgres AI 中以 AIDB 扩展构建语义层,并让运行在 Amazon Bedrock AgentCore 上的 Strands Agents 智能体通过 MCP 端点查询该层回答客户 360 问题。
Amazon Bedrock AgentCore Gateway 可配置 on-behalf-of(OBO)token 交换,让 AI 智能体在调用 ServiceNow REST API 时保留发起用户的身份。