用 Okta Cross App Access 与 Amazon Bedrock AgentCore 治理 AI 智能体访问(上篇)
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。
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。
Simon Willison 实测发现,本地运行的 Qwen 3.8 27B 能仅凭原始权重数值判断神经网络训练的是哪款游戏,与论文中 GPT-6 Astra 展示的 Weight-Space Programming 能力一致。
Hugging Face 提出 Model Integration Contracts(MIC)标准,通过缩小真实 checkpoint 得到的 fixture 在廉价 CPU 上运行集成测试,在 PR 阶段拦截回归。
OpenAI 构建了 Git 兼容后端 Pando,用于支撑 Codex 带来的开发规模。该后端面向大规模开发场景设计,具体性能指标与开放情况原文未披露。
Circle K 基于 Amazon Bedrock 构建智能体式自动分诊系统,将 DevOps 事故平均分诊时间从 45–60 分钟降至 15 分钟以内,按内部指标降幅达 67–75%。
基于 Amazon Bedrock AgentCore、Amazon Nova Multimodal Embeddings 和开源 Strands Agents SDK,可构建多智能体工程助手,自动完成零件替代评估中的跨文档检索与证据汇总。
亚马逊云科技介绍如何用序列级知识蒸馏(SeqKD)在 Amazon SageMaker AI 上微调购物智能体:由前沿教师模型生成多步工具调用轨迹,仅保留能解题的样本,再以监督微调训练小模型。SeqKD 只需教师模型的文本输出,无需 logits 或强化学习基础设施,因此适用于仅提供 API 的闭源教师模型,并可将轨迹数据复用于训练和测试不同学生模型。
针对 Amazon Bedrock Knowledge Bases 中需要精细控制的网页来源,可用开源 Python 爬虫 Crawl4AI 做预处理:将每页写成 Markdown 和元数据 sidecar 上传到 Amazon S3,再由知识库的 S3 数据源摄取。
AI 原生财富管理公司 Arca 让智能体承担最长可达十天的长周期任务,但交易和资金流动仍由人类顾问最终决策,其首席 AI 工程师 Aman Singh 称"智能体提示人的时候比人提示智能体更多"。
AWS 提出用五步闭环管理 Amazon Bedrock 成本:归因、观测、强制、优化、运营。Amazon Bedrock 已支持按 IAM 主体自动归因推理成本。
NVIDIA 员工用 Nemotron Voice Agent 搭建了万圣节互动投影 MonsterHouse,由 Nemotron ASR 负责听、Nemotron 3.5 Bolt E4B 4GB 负责对话、Magpie TTS Zeroshot 负责发声、Audio2Face-3D 驱动嘴部动画,全部跑在一台工作站上。
ChatGPT 桌面应用现已在 AWS GovCloud (US) 的 Amazon Bedrock 上线,可通过 Work 与 Codex 两个组件访问 OpenAI 前沿模型。
微软构建 Industry Evaluation Data Generation Platform,用基于 O*NET、招聘信息和 SEC 文件等公开数据生成的全合成企业环境来评估 Microsoft Copilot,全程不使用任何客户数据。
MoEngage 借助 Amazon Bedrock AgentCore Gateway 把约 400 个 VPC 私有 REST API 转成权限受控的智能体工具,节省约六个月平台工程投入,新 API 接入从数天缩短到数小时。该方案无需编写 MCP server 代码、不暴露公网端点,由 AI 平台团队统一维护 MCP 层,各工程团队只需提供 OpenAPI spec。
Kiro 提供了一套可重复的 PHP 到 Java 迁移引擎,把原 PHP 应用当作规格说明,通过共享方法论、机械式发现扫描器和八阶段工作流推进迁移,并用 parity harness 验证 Java 移植版行为一致后才判定正确。同一套 skill 文件既可在 Kiro 中交互式逐应用执行,也可交给 AWS Transform 以智能体方式并行处理多个应用。
Amazon Nova Act 构建的 QA Studio 新增“应用”与“基于团队的用户管理”两项能力,用于在组织内规模化扩展测试自动化。应用作为测试容器按环境记录执行结果并生成 0–100 健康分,对不稳定测试扣分,支持 7 天按小时、30 天按天查看趋势。权限分 Admin、Team Lead、Editor、Executor、Viewer 五级,应用归属单一团队,其他团队不可见。
AWS 发布 Ray Train DLC 镜像(public.ecr.aws/deep-learning-containers/ray:train-ml-cuda-v1.1),预集成 Ray 2.58.0、PyTorch 2.13.0、CUDA 13.0.2、NCCL 2.29.7 与 EFA 及 AWS OFI NCCL 插件,无需自行构建镜像。
AWS 发布基于 Amazon Bedrock AgentCore 的企业级 Agentic AI 平台蓝图,采用联邦式运营模型,由中央 Platform 团队提供受治理的共享服务,各 Workstream 团队保留对智能体、工具和数据的归属。
Exowatt 借助 Amazon SageMaker AI 无服务器模型定制,为边缘和云端两个部署目标微调出任务专用模型,精度超过前沿模型,成本最高降低 49 倍。其边缘告警分诊基于 Qwen3-1.7B,云端能源市场分析基于 Qwen3-14B,后者通过 Amazon Bedrock Custom Model Import 托管。该流程将原始运营数据到已评估部署产物的路径从数月缩短到数天。
Property Finder 发现其评估标签中 96.8% 直接来自现有视觉语言模型的预测而非人工核验,导致任何替代模型在对比中结构性吃亏。团队重新人工标注 356 张 UAE 图像并改用多标签分类,结合 v0 到 v27 的提示词迭代优化,在 Amazon Bedrock 上选出新模型,准确率更高且成本降低 86%。
一位 Thomson Reuters 首席工程师在喜马拉雅山麓的断网环境下,用 OpenCode 1.19.4 搭配 Ollama 在笔记本本地运行 Qwen3.5 9B,验证离线写代码的可行性。
对 Jeff Lindsay 的 webframe 评测显示,这个基于 Go 和 glaze 库的轻量浏览器 JavaScript 运行器抓取性能与 shot-scraper 相当,但存在 CSP 失败、0×0 视口、加载挂起、缺少 HTTP 元数据和浏览器控制有限等问题。
OpenAI 工程师使用 Codex Ultrafast 将事故调查时间从数小时缩短到数分钟。该工具还用于更快的安全分析和代码重构,并融入日常开发工作流。
文章演示如何用 AWS CDK 在托管 Amazon Bedrock Knowledge Base 上部署企业级智能体检索系统,通过 AgenticRetrieveStream API 实现多轮规划、工具驱动检索和带引用的答案生成。
在 Amazon Bedrock 上使用 OpenAI 模型时,提示词缓存可避免 AI 智能体每轮重复发送工具定义、指令和历史,从而降低输入成本。缓存分隐式(由 Bedrock 自动选择可复用前缀)和显式(用 prompt_cache_breakpoint 标记边界)两种,建议结合使用。
AWS 发布基于 SageMaker Python SDK v3 的车队级计算机视觉模型生命周期方案,用 SageMaker Neo 取代已弃用的 SageMaker Edge Manager 做边缘优化。
Battledrones v14 加入首张四人地图 Compass Rose,由 Claude Opus 4.5 生成并改造 WebSocket 多人网络代码以支持最多四名玩家。新地图具备四向旋转对称,支持最多四个 AI 玩家,空位由 AI 补足,玩家可通过分享链接或二维码加入。新增紫色和绿色机器人队伍,与原有蓝红两队并存。
向 Claude Opus 5.5 High 输入提示词,要求其构建一个 artifact:打开照片后,在几秒内用 canvas 元素和模拟画笔绘制出该照片的版本。此前作者还曾让 Claude Fable 用 P5.js 模拟水彩插画效果。
Bayer Crop Science 基于 Amazon Bedrock AgentCore 构建了多智能体自然语言界面 Agentic Decision Engine(ADE),第一阶段约 80% 的用户问题无需工程师介入即可解决。
针对 SageMaker AI 实时端点更新配置时因自动扩缩容已注册而部署失败的问题,AWS 给出一个可复用 CDK construct,用三个 CloudFormation 自定义资源在端点更新前后自动注销并重新注册扩缩容目标。
AWS 发布在 Amazon SageMaker AI 上做多轮强化学习(MTRL)的端到端实操指南,训练任务通过 AgentCore 托管的智能体完成多轮交互,只按整局结果给奖励。
OpenAI 通过可靠的多租户架构、全局缓存和 Azure Cosmos DB 扩展 Habitat 存储系统,为 ChatGPT 带来 12 倍读取速度提升。该系统需支撑超过 10 亿 ChatGPT 用户规模。