如何通过托管授权管理 Amazon Bedrock 的私有定价方案
Amazon Bedrock 现支持通过托管授权（managed entitlements）简化多账号环境下的第三方模型访问，允许用户在中心账号订阅后向组织内分发权限。
发布时间：
#教程/实践
AWS Machine Learning BlogAI 评分3838 AWS Machine Learning BlogAI 评分4848 Amazon SageMaker AI 上的 Mixture-of-Experts 内核工程优化
Amazon SageMaker AI 通过 Swap-AB 技术优化了 NVIDIA Hopper 架构下的 WGMMA 指令利用率，通过矩阵转置解决了 MoE 模型解码阶段的性能瓶颈，在 H200 上实现了 2%–4% 的端到端吞吐量提升，该优化已集成至 vLLM 0.24.0 及更高版本。
发布时间：AWS Machine Learning Blog精选AI 评分8282 如何在 Amazon Bedrock 上使用 Grok 4.7 构建长周期智能体
Grok 4.7 现已上线 Amazon Bedrock，支持可配置的推理努力设置、工具调用及结构化输出。AWS 团队通过三个需要搜索与推理的复杂任务测试发现，xhigh 努力级别在准确性上表现最优，而 low 级别则在保持较高成功率的同时显著降低了 token 消耗，开发者可据此在生产环境中通过监控输出 token 和工具调用量来评估智能体运行状态。
发布时间：推荐理由：文章通过在 Amazon Bedrock 上构建智能体并测试 Grok 4.7 的推理努力设置，展示了如何平衡任务准确性与 token 成本，为开发者提供了评估和监控智能体性能的实用方法。
AWS Machine Learning BlogAI 评分3131 ShipStation Global 如何在 Amazon Bedrock AgentCore 上构建 AI IT 服务台
ShipStation Global 工程团队在 Amazon Bedrock AgentCore 上构建了 Deckhand，这是一个基于 Slack 的 AI IT 服务台智能体，可自动化处理日常 IT 问题并管理 Jira Service Management 工单。该解决方案实现了 97.5% 的进线频道查询解决率，并获得了员工 96% 的满意度评价。
发布时间：AWS Machine Learning Blog精选AI 评分6868 Orca Security 如何利用 Amazon Bedrock 构建自然语言查询智能体
Orca Security 推出 Discovery AI 智能体，通过结合 RAG、多阶段模型分配及人工反馈闭环，将自然语言请求转化为云基础设施查询。该方案通过九阶段流水线架构，实现了相比基准方案 90% 的成本降低、93% 的输入 token 减少以及 75% 的延迟优化。
发布时间：推荐理由：Orca Security 通过多阶段 Agent 架构将自然语言转化为复杂查询，其在成本、延迟和准确性上的优化实践为构建生产级智能体应用提供了可参考的流水线设计思路。
AWS Machine Learning Blog精选AI 评分6262 在泰国、马来西亚、新加坡、印尼和台湾通过 Amazon Bedrock 全局跨区域推理访问 OpenAI GPT-6 模型
AWS 官方发布教程，指导用户在泰国、马来西亚、新加坡、印尼和台湾通过 Amazon Bedrock 的全局跨区域推理功能调用 GPT-6 Sol、GPT-6 Luna 和 GPT-6 Astra 模型。该方案通过配置推理配置文件 ID，允许用户在本地容量受限时将请求路由至其他已部署模型的商业 AWS 区域，并提供了 IAM 权限设置、SCP 配置及监控管理的具体实现步骤。
发布时间：推荐理由：本文详细介绍了在特定亚太地区通过 Amazon Bedrock 全局跨区域推理功能调用 GPT-6 模型的方法，为解决本地容量限制提供了可落地的配置指南。
GitHub Blog · AI & MLAI 评分5151 GitHub Copilot 初学者指南：如何让 Copilot 学习你的代码库
GitHub 官方介绍了四种定制 GitHub Copilot 以适应特定项目需求的方法：使用自定义指令（Custom instructions）设定代码规范，利用智能体技能（Agent skills）封装重复流程，通过自定义智能体（Custom agents）处理复杂任务，以及借助 MCP 服务器连接外部工具与数据源。开发者可根据项目需求组合使用这些功能，从而减少重复解释标准与工作流的成本。
发布时间：
AWS Machine Learning Blog精选AI 评分6868 使用 Ray LLM Deep Learning Containers 在 Amazon EKS 上运行多节点推理工作负载
AWS 发布了支持多节点部署的 Ray LLM DLC，允许用户在 Amazon EKS 上通过预填充（prefill）与解码（decode）分离架构运行大模型。该方案利用 NIXL 和 EFA 实现节点间的高速 KV 缓存传输，无需编写自定义代码即可通过 YAML 配置实现 OpenAI 兼容的推理端点，有效解决了计算密集型预填充与内存带宽敏感型解码任务的资源竞争问题。
发布时间：推荐理由：该教程展示了如何利用 AWS 新推出的多节点 Ray LLM DLC，在 Amazon EKS 上实现大模型的预填充与解码分离推理，为优化高并发推理性能提供了可落地的架构参考。
AWS Machine Learning Blog精选AI 评分6060 在 Amazon SageMaker AI 上使用 llama.cpp 部署决策模型
AWS 官方发布教程，指导开发者在 Amazon SageMaker AI 上利用 llama.cpp 部署模型，支持标准文本生成及通过 SemIf 适配器实现结构化决策。该方案允许模型直接返回选项概率而非生成文本，适用于路由请求、动作选择等 Agent 场景，并提供了 CPU 与 GPU 的部署路径及性能基准参考。
发布时间：推荐理由：本文介绍了在 Amazon SageMaker AI 上使用 llama.cpp 部署决策模型的方法，通过 SemIf 适配器可直接获取选项概率而非生成文本，适合需要结构化输出的 Agent 工作流。
AWS Machine Learning Blog精选AI 评分7272 Postman 如何在 Amazon Bedrock 上为 4000 万开发者运行 Agent Mode
Postman 介绍了其 Agent Mode 的架构实践，通过动态工具选择、Schema 驱动的数据读取及精细化的上下文管理，解决了在成熟产品中集成智能体的复杂性。该系统利用 Amazon Bedrock 的跨区域推理、模型灵活性、提示词缓存及数据保护功能，实现了生产环境下的高性能与高可靠性。
发布时间：推荐理由：Postman 分享了在成熟产品中集成 AI 智能体的工程实践，通过动态工具选择、Schema 驱动的数据读取及分层上下文管理，为构建生产级智能体提供了可迁移的架构模式。
Hugging Face Blog精选AI 评分6868 Ai2 如何通过 GPU 时间预算优化集群调度
Ai2 团队通过引入基于 GPU 时间预算、分层公平调度和调度合约的系统，取代了原有的优先级调度模式。该方案将资源分配从操作任务转变为透明的预算过程，有效解决了 GPU 资源占用（squatting）和优先级膨胀问题，并将人工维护需求降低了 74%，同时保持了 98% 的集群占用率。
发布时间：推荐理由：Ai2 分享了通过引入 GPU 时间预算和分层公平调度机制解决集群资源争抢问题的实践，为管理大规模分布式训练集群提供了可借鉴的策略。
NVIDIA BlogAI 评分3131 NVIDIA 开发者如何利用前沿 AI 智能体与 NVIDIA Omniverse 将创意转化为仿真应用
开发者正结合前沿 AI 模型与 NVIDIA Omniverse 库，通过自然语言指令指导 AI 智能体来构建、测试和优化仿真应用。NVIDIA 团队展示了利用 GPT-6 Astra 等模型在仓库规模压力测试、柔性电缆布线控制、CAD 资产转换、人形机器人模拟器构建以及自动驾驶测试工作流中的具体应用。
发布时间：AWS Machine Learning BlogAI 评分5858 如何利用 Amazon SageMaker HyperPod 在多团队间共享 GPU 集群
AWS 官方发布了在 Amazon SageMaker HyperPod 上构建多租户环境的参考架构，通过 AWS IAM Identity Center、Kubernetes 命名空间、HyperPod Task Governance 及 Kubecost 等组件，实现多团队在共享 GPU 集群时的资源隔离、公平调度与成本核算。
发布时间：
Hugging Face Blog精选AI 评分8282 如何使用 ML-intern 智能体自动化构建与发布模型
Hugging Face 官方博客介绍了如何通过 HuggingChat 中的 ML-intern 智能体，以低成本自动化完成模型微调、蒸馏及评估任务。作者分享了包含预算限制、基准测试及冒烟测试的提示词编写技巧，并展示了包括植物病害识别、图像 LoRA 及轻量化模型蒸馏在内的六个实际案例，所有提示词已在 GitHub 开源。
发布时间：推荐理由：作者通过实测展示了如何利用 HuggingChat 中的 ML-intern 智能体完成从数据集构建、模型训练到评估发布的完整流程，并提供了可复用的提示词模板与成本控制策略。
AWS Machine Learning BlogAI 评分3838 Amazon Quick 与 Amazon Bedrock 如何通过实时 ACL 执行重构 RAG 访问控制
Amazon Quick 和 Amazon Bedrock Knowledge Bases 通过引入实时 ACL 执行机制，解决了企业 RAG 应用中权限同步滞后与映射错误的安全挑战。该方案采用两阶段验证架构，在预检索过滤的基础上，于查询时直接调用数据源 API 进行实时权限核验，确保 AI 仅基于用户有权访问的文档生成内容。此举在保障语义搜索性能的同时，消除了因权限变更延迟导致的数据泄露风险。
发布时间：
AWS Machine Learning BlogAI 评分5353 超越工时节省：构建 AI 智能体自动化的商业案例
AWS 团队提出了一套评估 AI 智能体商业价值的框架，指出传统的基于工时节省的 ROI 模型不适用于智能体，企业应从时间节省、异常处理、决策质量及变更韧性四个维度衡量价值。文章还提供了一个基于任务复杂度和决策风险的优先级矩阵，建议企业通过定义明确的经济价值实现机制和设定停止投资的阈值，将智能体部署从孤立试点转化为可衡量的业务组合。
发布时间：AWS Machine Learning BlogAI 评分3838 Qlik 如何利用 Amazon Bedrock 构建企业级可溯源 AI
Qlik 通过 Amazon Bedrock 构建了企业级 AI 工具 Qlik Answers，为全球 4 万多家客户提供基于数据源的自然语言问答服务。该系统通过路由层与专业智能体层协同，实现了对结构化数据与非结构化文档的精准检索，其中 Lintech International 的研究响应时间缩短了 75%。
发布时间：
GitHub Blog · AI & MLAI 评分3333 AI 如何改变开发者工作：三项需要强化的核心技能
随着 AI 改变开发流程，开发者需从单纯编写代码转向指挥 AI 智能体、评估模型输出并专注于解决更宏大的技术问题。开发者应学会通过多模型交叉验证来规避 AI 幻觉，并利用 GitHub Copilot 等工具中的辅助智能体进行代码审查。通过将具体实现任务交给 AI，开发者能腾出更多时间进行架构权衡、需求分析及关键技术决策，从而提升工程判断力。
发布时间：
Cloudflare AI精选AI 评分6868 Cloudflare 如何利用 AI 规划抗量子加密迁移
Cloudflare 正在开发内部工具 CryptoLabe，通过 AI 扫描代码库、配置文件和文档，自动发现加密算法的使用情况并评估抗量子（PQ）迁移需求。该工具基于 Cloudflare Developer Platform 构建，利用 Agents SDK 和 Workflows 进行自动化分析，旨在帮助工程团队识别迁移障碍并制定优先级，Cloudflare 同时公开了部分提示词供行业参考。
发布时间：推荐理由：Cloudflare 分享了利用 AI 工具 CryptoLabe 扫描代码库以识别加密算法并规划抗量子迁移的实践经验，为企业进行大规模安全升级提供了可参考的方法论。
Cloudflare AIAI 评分4848 Cloudflare 如何利用前沿 AI 模型测试 WAF 安全性
Cloudflare 构建了一套基于前沿 AI 模型的动态 WAF 测试系统，通过模拟黑客行为对 WAF 进行压力测试。该系统在授权的客户暂存环境中进行了 1,107 次攻击尝试，涵盖 XSS、SQLi、CMDi、SSRF、LFI 及 Log4j 等六大攻击类别。测试结果显示，绝大多数攻击被 Cloudflare WAF 成功拦截，未被拦截的请求则被用于创建新的检测规则，以强化整体安全防护能力。
发布时间：
GitHub Blog · AI & ML精选AI 评分6666 GitHub Copilot 如何通过 canvases 构建自定义工作流
GitHub Copilot 推出 canvases 功能，允许用户通过 /create-canvas 指令及自然语言描述，无需编码即可生成看板、检查清单或仪表盘等自定义界面。该界面支持人机双向实时交互，用户与 Agent 可在同一界面同步更新状态，且创建的 canvas 可保存为扩展供团队共享或个人复用。
发布时间：推荐理由：文章介绍了如何利用 GitHub Copilot 的 canvases 功能通过自然语言创建自定义工作流界面，并展示了人机协作的实时交互方式。
GitHub Blog · AI & ML精选AI 评分8282 GitHub Security Lab 发布 AI 驱动的模糊测试智能体 Fuzzing Taskflow
GitHub Security Lab 推出 Fuzzing Taskflow，这是一个基于 LLM 的自主模糊测试流水线，可自动完成 C/C++ 项目的入口识别、测试用例编写、覆盖率分析、崩溃分类及漏洞报告生成。该工具利用 Claude Sonnet 5 作为默认模型，通过 MCP 工具与 Shell 驱动分离决策与执行，旨在解决模糊测试中人工参与度高的瓶颈。
发布时间：推荐理由：该工具通过 LLM 智能体自动化处理 C/C++ 项目的模糊测试全流程，为开发者提供了一种可迁移的自动化安全审计方案。
GitHub Blog · AI & ML精选AI 评分6868 GitHub Copilot 应用如何渲染超大规模 Pull Request
GitHub Copilot 团队通过重构 Pull Request 视图，实现了对包含百万行代码和数百条评论的超大规模请求的高性能渲染。核心方案包括将代码行与评论区拆分为独立的几何布局，采用懒加载测量与滚动锚定技术，并利用自动化性能监测循环持续优化渲染效率，确保在处理复杂交互时界面依然流畅。
发布时间：推荐理由：文章详细解析了 GitHub Copilot 应用如何通过双重几何布局和自动化性能监测机制，解决超大规模代码合并请求在渲染与交互时的性能瓶颈。
Mistral AIAI 评分5555 Mistral AI：如何利用智能体实现复杂遗留代码的现代化迁移
Mistral AI 分享了为某欧洲能源运营商将 4 万行 Fortran 77 代码迁移至 C++ 的实践经验。团队通过构建数值对齐测试框架确保迁移准确性，并采用“人机协作”的结构化智能体工作流，即由人类操作员管理包含规划、编码、测试和审核的智能体模块，有效解决了全自动迁移中代码质量不佳或智能体陷入死循环的问题。
发布时间：