IskayPet 如何用 Amazon Bedrock Managed Knowledge Bases 统一企业知识库
IskayPet 利用 Amazon Bedrock Managed Knowledge Bases 构建了企业知识库助手，免去了维护 RAG 基础设施的工作。
发布时间：
#RAG
AWS Machine Learning BlogAI 评分3131
AWS Machine Learning BlogAI 评分4141 Octave 如何在 Amazon Bedrock 上构建安全的多租户 AI 基础架构
Octave 使用 Amazon Bedrock 上的 Cohere Embed v4 和 Amazon OpenSearch Service 等工具，为 Reliance 平台构建了包含数据准备、安全执行和内容保护的三层安全多租户 AI 基础架构。该架构支持隔离多租户数据、执行独立代理并嵌入超 20 亿份文档，将每个用例的部署时间缩短了 50%。
发布时间：
AWS Machine Learning BlogAI 评分5858 在 AWS 上使用 AtScale 与 Amazon Bedrock AgentCore 构建智能体语义层
AWS 机器学习博客介绍了如何在 AWS 平台上结合 AtScale 与 Amazon Bedrock AgentCore 构建智能体语义层。
发布时间：AWS Machine Learning BlogAI 评分3131 如何在 AWS 上用 Strategy Mosaic 与 Amazon Bedrock AgentCore 为智能体 AI 构建语义层
本文介绍了如何使用 Strategy Mosaic 在 AWS 上为 Amazon Bedrock AgentCore 托管的 Strands 智能体构建语义层。文章详细阐述了在不进行 ETL 的情况下跨 Amazon Redshift 和 Amazon Aurora 建立两个链接模型、通过 Mosaic MCP 服务器暴露模型以及实现用户级安全性的方法。
发布时间：AWS Machine Learning Blog精选AI 评分6363 在 AWS 上使用 Denodo 与 Amazon Bedrock AgentCore 为智能体构建语义层
AWS 官方介绍了如何结合 Denodo Platform 与 Amazon Bedrock AgentCore 为 Agentic AI 应用构建统一的语义层。
发布时间：推荐理由：文章详细演示了如何在 AWS 上结合 Denodo 与 Amazon Bedrock AgentCore 构建多源联邦语义层，读者可以学习通过 MCP 和语义安全策略安全地支撑智能体访问企业实时数据的方法。
AWS Machine Learning Blog精选AI 评分6464 使用 Amazon Bedrock AgentCore 构建自适应文档处理系统
AWS 官方介绍了如何使用 Amazon Bedrock AgentCore 构建能够自动分类、提取、验证并从商业文档中学习的多智能体智能文档处理系统。该系统由 8 个协作智能体组成，通过图工作流自动处理新文档格式并将学习成果持久化复用，以减少人工模板配置和维护成本。
发布时间：推荐理由：文章提供了基于 Amazon Bedrock AgentCore 构建多智能体文档处理系统的完整架构和部署步骤，读者可以参考其工作流设计来实现文档格式的自动化识别和持续学习。
AWS Machine Learning Blog精选AI 评分6363 如何使用 Amazon Bedrock AgentCore 生成演示文稿
AWS 介绍了如何构建一个基于 Amazon Bedrock AgentCore 的 AI 智能体系统来自动生成企业演示文稿。该系统采用监督智能体架构，结合 RAG 检索企业文档并利用 Claude 模型与 Stability AI 生成幻灯片图文内容。
发布时间：推荐理由：原文提供了基于 Amazon Bedrock 构建企业级自动化演示文稿生成系统的完整架构与代码实现，读者可以参考其工具编排与 RAG 方案。
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。
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2626 GitHub 播客探讨：AI 领域关于代码审查、RAG、MCP 与 Skills 的争议
GitHub 播客最新一期深入剖析了 AI 开发中的五大热门争议，指出 AI 并非要取代开发者的工作，而是改变了风险评估与流程管理的重心。针对 RAG、MCP 与 Skills 等技术，文章强调它们在实际开发中互为补充，而非竞争关系。开发者应通过提升对 AI 工具的判断力与使用流程的透明度，在代码质量、安全性与开发效率之间建立平衡。
发布时间：
Mistral AI精选AI 评分7676 Mistral AI 发布 Agentic Search 检索工具
Mistral AI 发布 Agentic Search，通过引入多步检索循环和 search、open、navigate、read、grep 五项工具，使模型能够主动导航并验证复杂文档中的信息。
发布时间：推荐理由：Mistral 推出的 Agentic Search 通过引入多步检索循环和导航工具，解决了传统 RAG 在处理复杂文档和表格时的局限性，为企业级应用提供了更精准的检索方案。