跳到正文
  1. AWS Machine Learning Blog71

    Airbnb 如何以单任务成本在 Amazon Bedrock 上运营编码智能体

    Airbnb 分享了如何用单任务成本(cost per task)在 Amazon Bedrock 上评估并运营内部编码智能体 AirChat。发布前对每个模型和推理强度跑自建任务评测,同时记录分数与单任务成本;发布后用 CloudWatch 的延迟、限流和 token 指标对照评测结果排查问题。

    推荐理由:原文给出了一套把评测分数和单任务成本结合起来选模型、再用生产数据回检的完整方法,可直接迁移到自己的编码智能体运维。

  1. AWS Machine Learning Blog68

    降低 Amazon Bedrock AgentCore JSON 工作负载的 token 成本与延迟

    AWS 与 Flightscape 分享三种可组合的优化策略,让处理 20 MB+ JSON 负载的生产级智能体显著降低 token 成本与延迟。三种策略分别是把重型工件卸载到 Amazon S3 并只持久化内容寻址引用、对超大列表结果按需分页、用结构描述符压缩超大字典输出。

    推荐理由:三种可组合策略把大 JSON 负载移出模型上下文并附完整代码,处理类似负载的智能体团队可直接迁移复用。

  2. AWS Machine Learning Blog61

    AWS:规则交给代码、判断交给模型,削减生成式 AI 成本

    AWS 官方博客提出,生成式 AI 工作流最大的成本杠杆是先判断每个步骤是否需要调用模型:能用规则校验的步骤交给确定性代码,固定选项的决策用受限决策调用并设置升级信号,只有开放式任务才交给规格合适的 Amazon Bedrock 模型。

    推荐理由:原文提供了一套可迁移的步骤级决策框架,读者可对照自己的工作流找出不必调用模型的环节以降低成本与延迟。

  3. AWS Machine Learning Blog62

    用 Amazon Bedrock AgentCore 和开源 SMART 构建 WhatsApp AI 智能体

    AWS 开源 SMART(Social Messaging Agent Runtime Toolkit),一个 Python SDK 加 Terraform 栈。

    推荐理由:原文逐项列出 WhatsApp 渠道集成的难点并给出开源 SDK 的对应解法,读者可据此判断是否引入 SMART 压缩集成工期。

  1. AWS Machine Learning Blog60

    多智能体设计模式分类、反模式与制造业经验

    AWS 解决方案架构师系统梳理多智能体设计模式,将协调模式分为路径预定义的 Tier 1 与模型运行时选路的 Tier 2,并给出从单次模型调用到自治多智能体的选型决策树。

    推荐理由:文章将多智能体协调模式分为确定性控制流与模型自治两层,并给出选型决策树与五个反模式,可直接迁移到自己的架构选型。

  2. AWS Machine Learning Blog70

    Amazon Bedrock Guardrails Denied Topics 编写最佳实践

    AWS 官方博客系统总结了 Amazon Bedrock Guardrails 中 Denied Topics 的八条编写最佳实践,指出误拦多源于按主题域而非用户意图组织话题。

    推荐理由:文章把误拦问题归因到四种常见写法并给出八条可迁移的编写规范,读者可直接对照自查自家护栏的拒拦边界。

  1. GitHub Blog · AI & ML79

    一次构建,在任意智能体上运行:智能体技能实战指南

    GitHub 官方博客讲解了如何编写可跨智能体客户端复用的智能体技能(agent skill):技能是以 SKILL.md 为中心的版本化目录,用来固化可重复的任务指令,环境仍需自行提供工具、凭据和权限。

    推荐理由:原文给出把智能体技能打包到 Claude Code、Cursor 与 GitHub Copilot 的做法与 CI 校验步骤,读者可直接迁移到自己的多客户端工作流。

  2. AWS Machine Learning Blog71

    在 Amazon Bedrock 上优化单任务成本并验证智能体 ROI

    AWS 解决方案团队提出按任务而非按 token 核算 Amazon Bedrock 智能体成本,并给出验证智能体 ROI 的完整框架。文中拆解分词器效率、输出冗余、智能体循环和推理开销四个隐藏成本驱动因素,示例中标价高一倍的模型单任务成本反而低 65%。

    推荐理由:原文给出按任务而非按 token 核算成本的完整框架,读者可直接迁移到自己的智能体项目上衡量投入产出。

  1. AWS Machine Learning Blog64

    在 Amazon SageMaker HyperPod 上检测并恢复分布式训练中的静默数据损坏

    AWS SageMaker HyperPod 团队在 PyTorch DDP 训练循环中加入三项检查来捕捉静默数据损坏(SDC):非有限梯度检查、环形重放审计和权重指纹比对,报警后把嫌疑 rank 映射到节点并由 HyperPod 替换。

    推荐理由:原文给出了一套可直接落地到 PyTorch DDP 训练循环的 SDC 检测与节点替换流程,并附上注入故障的实测开销和误报数据。

  1. AWS Machine Learning Blog61

    用 LangGraph 与 Amazon Bedrock AgentCore Web Search 构建每日依赖监控器

    AWS 官方博客演示用 LangGraph 与 Amazon Bedrock AgentCore 的 Web Search API 搭建每日依赖监控,为安全团队每天核查 npm、PyPI 包和容器基础镜像的新变化。

    推荐理由:教程给出了可迁移做法,把日期窗口、屏蔽名单和搜索预算固定在代码里,再对照引用来源校验每条发现。

  1. AWS Machine Learning Blog60

    使用 Amazon Bedrock AgentCore runtime 的 Session endpoints 实时预览编程智能体构建的网页应用

    AWS 官方博客介绍了 Amazon Bedrock AgentCore runtime 的 Session endpoints:为每个智能体会话生成带鉴权的 URL,将 HTTP 与 WebSocket 请求转发到会话内允许的端口,使编程智能体编辑的网页在浏览器中无需刷新即可更新。

    推荐理由:原文逐步演示了如何用 Session endpoints 在浏览器中实时预览智能体构建的网页,读者可把这套带鉴权的端口转发机制迁移到自己的智能体调试流程。

  1. AWS Machine Learning Blog72

    Deep Insight 如何解决多智能体系统的五大生产挑战

    AWS Solutions Architecture 团队构建并开源了生产级多智能体系统 Deep Insight,用户上传 CSV 并输入自然语言后,由八个分工智能体协作完成数据分析、图表生成、计算校验,最终输出带引用的 DOCX 报告。

    推荐理由:原文给出多智能体系统从架构到生产部署的完整设计,读者可把分层编排和按角色选模型的思路迁移到自己的系统。

  1. AWS Machine Learning Blog63

    用 AWS Agent Registry 在运行时发现 Agent 工具

    AWS 官方博客演示了用 AWS Agent Registry 让编排器在运行时通过混合语义与关键词搜索发现已批准的 MCP 服务器和 A2A 智能体,替代硬编码工具接入。

    推荐理由:原文给出运行时发现替代硬编码工具的参考实现,读者可据此评估自家 Agent 目录的治理与认证拆分方式。

  2. Hugging Face Blog79

    TorchTPU 发布,Hugging Face 生态原生支持 TPU

    Hugging Face 宣布 TorchTPU 为 PyTorch 增加原生 TPU 后端,Transformers、Diffusers 和 Kernels 无需 torch_xla 或 Optimum TPU 即可在 TPU 上运行,加载 Hub 模型只需设置 device_map 为 tpu。

    推荐理由:原文对比了 torch_xla 旧方案并给出 device_map=tpu 等迁移细节,读者可评估现有 PyTorch 代码上 TPU 的改造成本。

  1. GitHub Blog · AI & ML60

    如何在 VS Code 中继续 GitHub Copilot 应用会话

    GitHub 官方教程说明可以直接在 VS Code 中打开 Copilot 应用会话,原有对话、代码改动和工作上下文都保持完整。在会话中选择 Open in VS Code 后,VS Code 会打开会话关联的 worktree 并在侧边栏显示该会话;随后可逐行审查 diff、直接手动编辑、在集成终端运行测试,最后提交并推送到会话已关联的 pull request。

    推荐理由:教程演示了把 Copilot 应用会话原样接入 VS Code 的完整流程,会话上下文、diff 和 worktree 均保持连续,可作为智能体改动手动接管的工作流参考。

  1. AWS Machine Learning Blog68

    建立对 AI 智能体的信任:基于 Amazon Bedrock AgentCore 的生产级评估框架

    AWS SMGS 运营团队基于 Amazon Bedrock AgentCore Evaluations 为其服务全球销售团队的多智能体系统搭建了九阶段生产级评估框架,覆盖从首次提交到生产运行的全生命周期。

    推荐理由:原文给出可迁移的九阶段智能体评估框架与六类失败分类法,读者可据此在生产环境中建立持续质量闭环。

  1. AWS Machine Learning Blog62

    用 Anchor Browser 与 AgentCore payments 构建可自动付费的 AI 智能体

    AWS 官方博客介绍 Anchor Browser 与 Amazon Bedrock AgentCore payments 的集成,让 AI 智能体遇到 HTTP 402 付费墙时按 x402 协议自动完成支付并继续任务。

    推荐理由:原文把智能体支付栈从运行时移到托管基础设施的方案讲清楚,读者可据此理解 x402 机器对机器支付的落地方式。

  2. GitHub Blog · AI & ML60

    GitHub 新密钥扫描分类器:基于 ModernBERT,误报更低、速度与成本大幅优化

    GitHub 上线了基于微调 ModernBERT 分类器的新密钥扫描管线,替代原有 LLM 管线。新管线采用正则候选生成加上下文感知分类的两阶段设计,模型导出为 ONNX 并做 8-bit 量化。

    推荐理由:原文给出用小型微调编码器替代 LLM 调用的完整管线与量化结果,可迁移到其他低延迟的文本判定场景。

  1. AWS Machine Learning Blog64

    Postman 如何在 Amazon Bedrock 上为 4000 万开发者运行 Agent Mode

    Postman 在 Amazon Bedrock 上运行 Agent Mode,为 4000 万开发者提供覆盖 API 测试、文档、发现与实现的 AI 智能体能力。

    推荐理由:文章给出了把智能体嵌入成熟产品时可复用的工程模式,如动态裁剪工具集、用 schema 读取代替工具泛滥。

  1. Hugging Face Blog83

    我用 HuggingChat ML Intern 造了六个小模型,总计算成本约 103 美元

    作者在 HuggingChat 中开启 ML-intern 模式,用自然语言描述需求,几天内做出六个自定义小模型,总计算成本约 103 美元。

    推荐理由:作者用六个总成本约 103 美元的项目,总结了给智能体设预算、要基线、做冒烟测试的可复用方法。