用编码智能体迁移到 Amazon Bedrock Managed Knowledge Base
Agent Toolkit for AWS 的 amazon-bedrock 技能新增知识库迁移指南，让编码智能体先做只读发现并给出逐行审阅的迁移计划，获批后并行创建新知识库与数据源，或生成 IaC 模板。
#RAG
#RAG
今日 0 条11月13日
11月12日
AWS 推出 23 个可复用生成式 AI 资产目录，开发周期从数月缩短至数周
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。
11月11日
面向多向量嵌入模型的 Token Pooling 感知训练
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%。
11月10日
Amazon Bedrock Managed Knowledge Base 支持单次与智能体检索
Amazon Bedrock Managed Knowledge Base 通过 AgenticRetrieveStream 新增单次 RAG 和仅检索两种请求模式，与原有智能体检索共用同一 API。
11月7日
Taxbit Assist：基于 Amazon Bedrock AgentCore 构建的可溯源、角色感知 AI 智能体
Taxbit 在 Amazon Bedrock AgentCore 上构建了嵌入仪表盘的 AI 助手 Taxbit Assist，回答均带可打开的引用来源，并按用户角色与组织权限过滤内容。
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。
11月5日
Box 采用 Nvidia Nemotron 打造智能体优先的内容检索系统
Box 在开发者大会上发布 Box Content Retrieval，将 Nvidia 的 Nemotron 嵌入系统集成进产品核心，让智能体基于嵌入元数据回答查询。Nvidia 生成式 AI 软件副总裁 Kari Briski 称查询速度提升 4 倍、错误减少 20%、token 用量减少 90%。该功能面向 Box Enterprise Advance 客户，明年年初开始推送。
11月4日
用 EDB Postgres AI 和 Amazon Bedrock AgentCore 为智能体 AI 构建语义层
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。
用 Amazon Quick 打通结构化与非结构化数据
Amazon Quick 支持将 S3 知识库中的非结构化文档与带语义描述的 enriched datasets 结构化数据接入同一个 Space，再由自定义聊天智能体在单次对话中判断查询知识库、数据集或两者并返回带引用的合并回答。该方案需 Enterprise 订阅，S3 桶默认只读权限，回答遵循提问用户的权限。
11月3日
Circle K 如何用 Amazon Bedrock 将 DevOps 事故分诊提速至 15 分钟内
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%。
用 Amazon Nova Multimodal Embeddings 和 Amazon Bedrock AgentCore 构建多智能体工程智能助手
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。
用 Crawl4AI 为 Amazon Bedrock Knowledge Bases 准备网页内容
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。
10月27日
用 AWS CDK 在托管 Amazon Bedrock Knowledge Base 上构建智能体检索
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。
10月24日
Bayer Crop Science 如何用 Amazon Bedrock AgentCore 与 AWS Unified Operations 构建智能体决策引擎
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。
10月23日
IskayPet 如何用 Amazon Bedrock Managed Knowledge Bases 统一企业知识
IskayPet 基于 Amazon Bedrock Managed Knowledge Bases 构建企业知识助手，让员工用自然语言查询零售运营、兽医诊疗、人事入职和采购等文档，覆盖四语言、三国家且无需自管 RAG 基础设施。
10月21日
Octave 如何基于 Amazon Bedrock 构建安全的多租户 AI 基础平台
Octave 在 Amazon Bedrock 上用 Cohere Embed v4 构建三层多租户 AI 基础平台，将每个用例的部署时间缩短 50%。该平台为 Reliance 质量管理系统嵌入 2 亿级文档，并通过 AgentCore Gateway 隔离执行、以 Amazon Bedrock Guardrails 做输入输出双重过滤，确保租户数据不越界。
10月14日
用 Amazon Bedrock AgentCore 生成演示文稿
基于 Amazon Bedrock AgentCore 构建的 AI 智能体系统可自动生成客户 PowerPoint 演示文稿，内部测试中完成时间不到 90 秒。
Orca Security 基于 Amazon Bedrock 打造自然语言安全查询，查询成本降 90%
Orca Security 与 AWS 合作在 Amazon Bedrock 上构建了自然语言查询智能体 Discovery AI，可将自然语言问题转换为 Sonar 查询。相比初始基线，查询成本降低 90%、输入 token 减少 93%、延迟降低 75%，目前每天处理数千次查询、响应时间 15 秒。该系统采用 RAG 加 schema 感知查询构建的九阶段流水线，按阶段分配不同基础模型。
10月8日
Amazon Quick 与 Amazon Bedrock 如何用实时 ACL 重构 RAG 访问控制
Amazon Quick 与 Amazon Bedrock Knowledge Bases 在预检索 ACL 过滤之外新增实时 ACL 校验，在查询时直接向权威数据源核实权限，避免依赖可能过期或映射错误的 ACL 数据。
Qlik 如何用 Amazon Bedrock 构建企业级可信 AI
Qlik 基于 Amazon Bedrock 打造 Qlik Answers，为全球超 4 万名客户提供带来源引用的企业级问答，自 2026 年 2 月正式可用以来，其 Discovery Agent 已为客户发现超 10 万条异常与离群点。
10月7日
Google 发布 EmbeddingGemma 2 多模态嵌入模型
Google 发布开源多模态嵌入模型 EmbeddingGemma 2，可将文本、图像、视频、音频和代码转换为数值向量，参数量 7.4 亿。Google 称其在多模态嵌入基准上超过参数量两倍的竞品，在 Massive Text Embedding Benchmark (Code) 上得分 78.68，比前代 68.76 提升近 10 分。
Google DeepMind 发布 EmbeddingGemma 2 开源多模态嵌入模型
Google DeepMind 发布 EmbeddingGemma 2，一个基于 Gemma 4 架构、Apache 2.0 许可的开源多模态嵌入模型，可把文本、图像、音频和视频映射到统一嵌入空间。
用 Amazon Bedrock AgentCore、Managed Knowledge Base 和 Nova Sonic 构建语音旅行助手
基于 Amazon Bedrock AgentCore、Amazon Nova 2.5 Sonic 与 Amazon Bedrock Knowledge Bases，可在航空公司应用中搭建语音旅行助手，让旅客通过语音查询行程、改座位、更新餐食偏好并转接人工客服。
10月6日
LangChain 与 Amazon Bedrock Knowledge Bases 的智能体检索实践
Amazon Bedrock Managed Knowledge Base 新增智能体检索能力，通过 AgenticRetrieveStream API 将多部分问题拆解为子查询、执行并判断证据是否充分，不足时再次检索，langchain-aws 包同时暴露该能力与标准 Retrieve API。
如何将 AI 智能体接入企业知识
MIT Technology Review 基于对 300 名数据与 AI 高管的调研发现，企业平均仅约 34% 的智能体 AI 项目能进入生产环境，知识、上下文与遗留数据系统是主要失败点。
10月3日
在 Amazon SageMaker AI 上用多轮 RL 微调搜索智能体
在 Amazon SageMaker AI 上通过多轮强化学习（MTRL）微调 Qwen3.6-27B，可训练搜索智能体跨多轮自主调用 BM25 词法搜索与向量搜索工具。
用 Amazon Quick 和 Adjudicated Query 模式批量核查数千份租约合规性
AWS 提出 Adjudicated Query 设计模式，让业务用户在 Amazon Quick 聊天界面提问合规问题，实际判定交由确定性规则引擎完成，模型只负责把自然语言转为固定类型操作调用并复述结果。该模式通过完整性回执保证"已扫描 = 合规 + 违规 + 存疑 + 不可读"，并以版本化规则数据支持事后审计追溯，适用于租约合规、制裁筛查、保险理赔等高风险场景。
10月2日
Ai2 开源科学报告生成模型 AstaBrief 8B
Ai2 开源 AstaBrief 8B，一个把研究问题和检索到的文献片段转成带引用报告的模型，基于 Qwen3-8B 经 SFT 和 DPO 训练，权重与训练数据一并开放。
10月1日
用 Amazon Bedrock Knowledge Bases 以自然语言查询理赔数据
Amazon Bedrock Knowledge Bases 新增 AgenticRetrieveStream API，可将多部分理赔问题拆成子查询并多轮检索，直到证据充分再生成带引用的回答。
9月30日
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
Condé Nast 如何用 Amazon Bedrock 构建多模态视频检索
Condé Nast 与 AWS 生成式 AI 创新中心（GenAIIC）合作，基于 Amazon Bedrock 和 Amazon OpenSearch Service 构建多模态视频检索方案，并选用 TwelveLabs Marengo 嵌入模型联合编码画面、音频与转录文本。
9月26日
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。
9月25日
Datacor 如何用 Amazon Quick Sight 构建自助式租赁分析
Datacor 将 Amazon Quick Sight 嵌入 TrackAbout 解决方案，为工业气体与焊接分销商提供交互式仪表盘和自然语言搜索，业务用户无需提 IT 工单即可查询租赁数据。
9月18日
GitHub Podcast 拆解五大 AI 热梗：该不该读 AI 代码、RAG 已死、Skills 杀死 MCP？
GitHub Podcast 最新一期拆解了五个 AI 开发热梗：AI 生成的代码仍需阅读和负责，但审查力度应按风险分级；Skills 与 MCP 解决的是不同问题，前者是打包的团队经验，后者是连接工具与数据的标准接口，二者可组合使用。RAG 并未消亡，它为模型提供训练数据之外的相关信息，与 Agent、Skills、MCP 可共存于同一工作流。
9月16日
Google Research 提出 Retrieve-for-Train：用 RL 编译扩散模型加速 AI 搜索查询扇出
Google Research 提出 Retrieve-for-Train 框架，通过离线强化学习发现奖励对齐的查询扇出并编译为监督信号，再蒸馏进一个 53.9M 参数的扩散检索器，实现推理时单次非自回归的查询扇出，无需生成 CoT 推理 token。
9月3日
Hugging Face 发布 NeoMME：260M/800M 多模态多语言编码器
Hugging Face 推出 NeoMME 系列多模态多语言编码器，含 260M 和 800M 两个规模，用单个双向 Transformer 同时处理文本 token 与 32×32 图像 patch，从零以掩码离散扩散目标训练，不依赖预训练视觉塔或因果语言模型。
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20日
Mistral 发布 Agentic Search 检索层，FinanceBench 准确率从 26.7% 升至 86%
Mistral 发布 Agentic Search，一个让模型在多步检索循环中查找、检视并核实信息的检索层，通过 Mistral Search Toolkit 提供，并内置于 Studio 和 Vibe 的 Libraries 中。
8月18日
Sentence Transformers v6.0 新增 MultiVectorEncoder 支持 ColBERT 式晚期交互检索
Sentence Transformers v6.0 新增第四种模型类型 MultiVectorEncoder，用于 ColBERT 式晚期交互检索，可直接加载 PyLate、Stanford-NLP ColBERT 检查点以及 colpali-engine 的视觉文档检索模型。