跳到正文
11月12日周四
  1. AWS Machine Learning Blog48

    AWS 用可复用资产加速生成式 AI 交付

    AWS 生成式 AI 创新中心开放 23 个开源生产级可复用资产,涵盖 RAG 管道、文档处理模块与智能体脚手架模板,可将开发周期从数月压缩到数周。DoorDash 用 Contact Center GenAI Agent 建成日均处理超 100,000 次呼叫、响应延迟 2.5 秒的语音自助客服,测试容量提升 50 倍。

  2. AWS Machine Learning Blog66

    UAEF:框架无关的 AI 智能体闭环评估系统

    AWS 开源 UAEF,一个框架无关的 AI 智能体闭环评估系统。它通过适配器把 LangGraph、LangChain、Strands Agents、Amazon Bedrock AgentCore 等框架的执行轨迹归一为统一格式,再用 7 个维度共 36 项内置指标打分,结果存入 Amazon DynamoDB 与 Amazon S3 以支持跨版本比较和回归检测。

    推荐理由:原文把框架无关的闭环评估拆成适配器、指标和实验对比三层,读者可照此思路搭建自己的智能体评测流水线。

  3. AWS Machine Learning Blog42

    用 AWS Quick 的 AI 驱动生命周期管理(AI-PDLC)加速产品开发

    AWS Quick 推出 AI 驱动的产品开发生命周期框架 AI-PDLC,用六个 AI 智能体把分散在企业系统中的客户信号转化为可验证的产品原型。框架由 Orchestrator 统一调度 Discovery、Prioritize 等专家智能体,从 Slack、Jira、Salesforce 等来源汇聚上下文,每个阶段均设人工审批关卡。

11月11日周三
  1. Microsoft Research79

    微软研究披露 Lazarus:重编程休眠神经元可给 AI 智能体植入后门

    微软研究人员发现名为 Lazarus 的后门技术:只需重编程 LLM 中不到 10 个休眠神经元、无需训练,就能让基于该模型的智能体在隐藏触发条件出现时执行攻击者命令,且模型仍能通过标准安全评测。

    推荐理由:原文给出了只需重编程少数休眠神经元即可植入后门的机制,读者可据此理解权重审计与来源校验为何是关键防线。

  2. 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。

  3. NVIDIA Blog71

    NVIDIA 向 CNCF 捐赠 OpenShell 并发布 DSX AI 工厂平台新组件

    NVIDIA 在 KubeCon 上宣布把开源智能体安全运行时 OpenShell 捐给 CNCF 成为 Sandbox 项目,并参与 Google 主导的 Agent Substrate 项目。

    推荐理由:原文给出 OpenShell 交由社区治理的机制,以及 Snapshot 把推理就绪时间从约 8 分钟缩到 31 秒的实测数据,可用来对比现有 Kubernetes 方案。

11月10日周二
  1. AWS Machine Learning Blog47

    AWS Quick 中的技能与智能体如何工作

    AWS Quick 的智能体(agent)按指令加载所需技能、通过连接器对外部应用执行操作,并基于 space、知识库、数据集等已连接数据生成回答。技能是可复用的指令集,系统技能可生成 Word、PowerPoint、Excel、PDF 文档,或浏览网页、运行代码、执行深度研究、转录音视频和生成图像。

  2. AWS Machine Learning Blog40

    Pluggable Agentic AI Framework:基于 Amazon Bedrock AgentCore 的七层可组合企业级智能体 AI 参考架构

    AWS 提出 Pluggable Agentic AI Framework:一套基于 Amazon Bedrock AgentCore 的七层可组合企业级智能体参考架构,帮助多智能体应用从原型走向生产规模。架构将数据与知识、模型与推理、编排、安全防护等拆分为七个具有稳定契约的层,各层组件可按现有基础设施替换。安全防护需从设计之初内置,包括默认不信任外部内容、细粒度权限控制与敏感数据脱敏。

11月9日周一
11月7日周六
  1. AWS Machine Learning Blog71

    Amazon SageMaker Inference 现已支持 Multi-Instance GPU 分区以提升模型端点 GPU 利用率

    Amazon SageMaker Inference 现已支持基于 NVIDIA Multi-Instance GPU (MIG) 的 GPU 分区,可将一块物理 GPU 最多切成 7 个硬件隔离的独立分区,每个分区拥有固定算力份额与专用显存。

    推荐理由:原文给出分区配置方式、各 GPU 的可用分区规格以及实测对比,读者可据此判断 GPU 分区能否降低自己推理工作负载的成本。

  2. AWS Machine Learning Blog52

    使用 Okta Cross App Access 与 Amazon Bedrock AgentCore 治理 AI 智能体访问(第 1 篇)

    AWS 官方博客第 1 篇教程演示如何用 Okta Cross App Access(XAA)与 Amazon Bedrock AgentCore 约束智能体可代表哪位用户访问哪个应用:Okta 作为治理平面签发单用途、5 分钟有效的 ID-JAG,AgentCore Identity 用其兑换访问令牌并存入令牌库,智能体代码不接触客户端密钥。

  3. AWS Machine Learning Blog44

    基于 Amazon ECS Fargate 的无服务器 MCP 服务器:让 AI 智能体访问企业数据湖

    亚马逊北美分拣中心(NASC)团队在 Amazon ECS Fargate 上构建了无服务器 MCP 服务器,作为 AI 智能体与企业数据湖之间的集中式、智能体无关的网关。新增数据集只需一个 JSON 元数据文件,服务器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。该架构在多租户环境中支持多个智能体与应用,端到端交互延迟保持在 15–20 秒。

11月6日周五
11月5日周四
11月4日周三
11月3日周二