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。
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。
教程演示用 AtScale 在 AWS 上为 Agentic AI 构建语义层,由 Amazon Bedrock AgentCore 托管 Strands agent 处理 Customer 360 场景。
Strategy Mosaic 作为维度化语义层,使 Amazon Bedrock AgentCore 上托管的 Strands 智能体可经 MCP 端点查询跨 Amazon Redshift 与 Amazon Aurora 的 Customer 360 数据。
Eon 基于 Amazon Bedrock AgentCore Gateway 搭建统一 MCP 网关,以单一认证入口替代逐工具凭证和本地 MCP 服务器,让开发者和自主智能体跨 AWS、GCP、Azure 统一访问调查工具。新工程师接入全部调查工具的时间从约 2 天缩短到约 2 分钟。该方案通过 Cedar 策略实现最小权限访问,生产工具仅限只读。
GitHub Blog 采访了三位拥有十余年经验的 Java Champion,请他们分享在生产环境和开源项目中使用 GitHub Copilot 的具体案例与实践。
Amazon Bedrock 现已在 bedrock-runtime 与 bedrock-mantle 两个端点上为所有 Anthropic Claude 模型提供结构化输出,可直接返回符合 JSON Schema 的响应。
推荐理由:原文讲清了约束解码与 grammar 缓存等实现细节,读者可据此评估把该能力接入现有数据管线的工作量。
用 Amazon Bedrock AgentCore 可搭建智能体式文档处理系统:智能体自动分类、抽取、校验业务文档并从纠正中学习,无需为每种版式手动配置模板。
ShipStation Global 基于 Amazon Bedrock AgentCore 构建了 Slack 内的 AI IT 帮助台智能体 Deckhand,可回答常见 IT 与公司问题、读取错误截图并创建和更新 Jira Service Management 工单。
GitHub 官方博客讲解了四种让 Copilot 掌握项目规则的方式:在 .github/copilot-instructions.md 中写自定义指令、把可复用流程打包成 agent skills、用 .github/agents 中的自定义智能体处理跨文件任务,以及通过 MCP 服务器连接 Playwright 等外部工具。
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。
AWS 官方博客演示用 AWS Lambda Durable Functions、Amazon EventBridge 和 Amazon Bedrock 为 AWS DevOps Agent 补上自动修复环节,把调查摘要变成经一次审批即可执行的修复。
Cornerstone OnDemand 基于 Amazon Bedrock 与 AWS 开源智能体编排框架 Strands Agents 构建多智能体系统 Orion AI,将数据库诊断时间从 45 分钟压缩至 10 分钟,降幅 78%。三人团队历时六个月完成交付,该系统将十余步手动数据库生命周期操作合并为单次自然语言交互,并将冗余告警量中位数削减 65%。
AWS 发布指南,详解如何用 Amazon Bedrock AgentCore、Managed Knowledge Base 和 Nova Sonic 构建语音旅行礼宾。智能体基于 Strands Agents 与 MCP 对接后端,实现语音查航班、改座位与转接人工。系统各层可独立扩展,并提供含合成数据的示例航空后端。
AWS 官方博客介绍如何在 AWS GovCloud (US) 中通过 Amazon Bedrock 运行 Claude Code,让受 ITAR 等合规要求约束的工作负载也能进行 AI 辅助开发。
Amazon SageMaker AI 通过 Agent Toolkit for AWS 推出 aws-ai-ml 智能体技能,让 Kiro、Claude Code、Codex 等支持 MCP 的编码智能体获得推理优化与基准测试能力。
Quick Resource Migrator 是基于 Amazon Bedrock AgentCore 的 MCP 服务器,可单次调用把 Amazon Quick 的代理、连接器、知识库、流程与空间从开发账户提升到生产账户。迁移为幂等 upsert,变更前写入 Amazon S3 备份并支持只读预览,权限经 API 读取后在目标账户重放。源代码在 aws-samples 仓库提供。
AWS 官方博客演示如何用 Amazon Bedrock AgentCore Evaluations 构建并评估一个多智能体供应链决策系统,示例企业 AnyCompany Retail 采用一个编排智能体加优化、配送、路由、分析四个子智能体。
AWS 提出 Adjudicated Query 模式:业务用户在 Amazon Quick 聊天界面用自然语言提问,模型只负责翻译问题和复述结果,通过/失败判定全部由确定性规则引擎完成。
推荐理由:原文给出了一种可迁移的架构方法,把自然语言入口交给大模型、把通过/失败判定保留在确定性规则引擎中,适合需要可证明完整性与可辩护性的合规场景。
Multiverse Computing 发表论文 ProvenanceGuard,提出面向 MCP 智能体的来源感知事实性验证方法,专门检测事实成立但归属来源错误的跨来源混淆问题。
推荐理由:论文针对 MCP 智能体的跨来源混淆问题提出来源感知验证方法,在医疗测试中拦截了专家判定不应通过的 139 条声明里的 138 条。
Hcompany 发布 Holo4 系列智能体模型,包含 27B dense 与 35B-A3B MoE 两种尺寸,可通过 GUI、代码、MCP 和 API 与软件交互,同一模型可跨桌面、网页、Android、代码沙箱与业务 API 运行。
推荐理由:原文给出了多接口能力说明与 OSWorld 2.0 成本性能对比,读者可据此判断开源智能体模型相对闭源前沿模型的取舍。
GitHub Security Lab 开源了 Fuzzing Taskflow,一条面向 C/C++ 项目的全自动模糊测试流水线,只需指向 GitHub 仓库即可自动完成入口识别、harness 编写、运行 AFL++、覆盖率分析、崩溃分类和漏洞报告。
推荐理由:原文给出了把模糊测试循环交给 LLM 智能体的完整设计,其决策与执行分离的思路可迁移到其他安全自动化流水线。
GitHub Podcast 最新一期逐一拆解了五个流行 AI 观点:开发者仍需对 AI 生成代码负责,但可按风险分级投入审查精力。Skills 与 MCP 并非竞争关系——MCP 提供工具与数据的标准接入,Skills 传递团队约定与最佳实践,两者可在同一工作流共存。RAG 也没有死,检索增强生成让模型基于训练数据之外的信息作答,并与 agent、Skills、MCP 协同工作。
Google Research 在 ACL 2026 提出 ToolGrad:一种"答案优先"的工具使用数据集生成框架,先构造真实工具调用链再反向标注用户提示词,以更低成本生成更复杂、通过率接近 100% 的工具调用数据。