为 Amazon Aurora PostgreSQL 设计负责任 AI 控制措施
该文将 AWS 负责任 AI(RAI)的八个维度映射到 Amazon Aurora PostgreSQL-Compatible Edition 的各项能力,并以基于 RAG 的客服聊天机器人为参照用例,深入设计其中的可解释性(Explainability)维度。
该文将 AWS 负责任 AI(RAI)的八个维度映射到 Amazon Aurora PostgreSQL-Compatible Edition 的各项能力,并以基于 RAG 的客服聊天机器人为参照用例,深入设计其中的可解释性(Explainability)维度。
Social Department 构建了运行于 Amazon Bedrock 的 QuickSearch 系统,通过 Shareable Scenes、Quotable Quotes、Memeable Moments 和 Trend Align 四个一键操作,直接返回营销人员难以用文字描述的视频片段。
AWS 官方博客演示在 AgenticRetrieveStream 请求中加入 memoryConfiguration,让 Managed Knowledge Base 与 AgentCore memory 接管会话存储、长期事实提取与检索,应用不再需要自建会话表或重放历史。
Novo Nordisk 制药技术团队基于 Amazon Bedrock AgentCore 构建了 agentic AI 制造工艺文档智能支持系统,将原本需要数小时或数天完成的工作缩短至数分钟。
AWS 官方博客讲解如何用 Amazon Bedrock 托管知识库的检索指令为每个租户定制答案。检索指令包含 persona、answerFormat、retrievalGuidance、answerPolicy 四个字段,作为托管且版本化的资源被各请求引用,可固定版本并逐租户灰度发布与回滚。
Amazon Bedrock Managed Knowledge Base 现已支持表格搜索,通过 AgenticRetrieveStream 对 CSV、XLSX、XLS 文件运行模型编写的代码,把跨行计算与相关文档事实结合后作答。
AWS 在 Agent Toolkit for AWS 的 amazon-bedrock skill 中新增迁移指南,让编码智能体协助你把客户自管知识库迁移到 Amazon Bedrock Managed Knowledge Base。
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。
TCS 基于 Amazon Bedrock AgentCore 构建了面向银行、金融服务与保险(BFSI)客户的多租户智能体测试编排器,将 Jira 需求、业务需求文档等输入自动转化为可执行、受管控的测试。
Amazon Bedrock Managed Knowledge Base 现在通过 AgenticRetrieveStream 支持单轮 RAG 和仅检索请求,应用可用同一 API 为简单查询和复杂问题分别选择检索模式。
CrossnoKaye 的自动化平台 ATLAS 与智能体系统 AURA 基于 AWS 构建,借助 Amazon Bedrock AgentCore 将工厂数据与 AI 推理接入设备闭环控制。
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。
AWS 宣布 Amazon Bedrock AgentCore 的 Web Answer 正式可用,智能体通过一次工具调用即可获得带来源引用的合成答案,不再需要自建搜索、检索、合成与引用管线。Web Answer 自行规划搜索、并行执行并核验事实,与返回原始链接的 Web Search 互补;目前仅在 us-east-1 可用,每 1000 次调用收费 $10。
推荐理由:原文把 Web Answer 与 Web Search 的分工讲清,并给出从网关授权到智能体调用的完整接入步骤,便于评估是否替换自建检索链路。
Indegene 在其 NEXT Unified Data Platform(NEXT UDP)上构建了生产级 LLM 驱动的 Data Quality Agent,可生成上下文感知的数据质量规则、完成验证并产出可直接运行的 SQL 和 Python 代码。
EDB Postgres AI 的 AIDB 扩展将语义知识库(SemKB)放进 Postgres 数据库:业务含义存于 COMMENT 语句,连接路径来自外键,并经内置 MCP 端点暴露给 Amazon Bedrock AgentCore 上的 Strands Agents 智能体回答 C360 问题。
Gen Digital 用 Amazon Bedrock AgentCore Web Search 为生成式 AI 职业声誉管理平台 Norton Revamp 构建了 AI 策划新闻引擎,平台于 2026 年 3 月上线。
Amazon Quick 通过 S3 知识库接入非结构化文档、通过带语义描述的数据集接入结构化数据,用户可用单个对话式 AI agent 在同一对话中跨两类数据源提问并获得带引用的回答。
开源 Python 爬虫 Crawl4AI 可为 Amazon Bedrock Knowledge Bases 准备网页内容:爬取页面生成 Markdown 与元数据 sidecar 上传至 Amazon S3,再由知识库完成解析、分块、嵌入与检索。
该文用 AWS CDK 在 Managed Amazon Bedrock Knowledge Base 上构建企业级智能体检索系统:推理智能体决定是否检索、查询哪个知识库,由 AgenticRetrieveStream API 返回带引用的答案。
Bayer Crop Science 基于 Amazon Bedrock AgentCore 构建了多智能体自然语言接口 Agentic Decision Engine(ADE),用于理解其 Connected Decision Engine 的 ML 工作流,首阶段约 80% 的用户问题无需工程师介入即可解决。
Hugging Face 与宾夕法尼亚大学合作开发了 LitPivot 系统,帮助研究者在早期想法阶段围绕文献展开"文献触发式转向"。LitPivot 将提案拆分为问题、贡献与评估方案三个 facet,用 Asta Paper Finder 检索相关文献并分组,提供带原文摘录的批评与修改建议,研究者可接受、编辑或拒绝。
Octave Reliance 在 Amazon Bedrock 上构建了三层安全多租户 AI 基础架构,将每个用例的部署时间缩短 50%。
基于 Amazon Bedrock AgentCore 的 AI 智能体系统可将季度报告、合规文件等企业文档自动生成客户演示文稿,内部测试 90 秒内完成。
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。
Orca Security 与 AWS 合作构建了基于 Amazon Bedrock 的自然语言查询智能体 Discovery AI,可将自然语言问题转换为 Sonar 查询。相比初始基线,其查询成本降低 90%、输入 token 减少 93%、延迟降低 75%。该系统现每天处理数千次查询,响应时间约 15 秒,覆盖 900 多种云模型。
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。
Amazon Quick 与 Amazon Bedrock Knowledge Bases 通过在查询时直接向权威数据源实时校验访问控制列表(ACL),解决企业 RAG 场景下的文档权限难题。
Qlik 基于 Amazon Bedrock 构建企业级 AI 助手 Qlik Answers,为全球 40,000 多家客户提供带来源、可验证的问答能力。自 2026 年 2 月正式上线以来,其 Discovery Agent 已为客户呈现超过 100,000 项发现。
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%。
Google DeepMind 发布 EmbeddingGemma 2,一个基于 Gemma 4 架构、740M 参数的开源轻量级多模态嵌入模型,采用 Apache 2.0 许可,可将文本、图像、音频和视频统一映射到同一嵌入空间。
推荐理由:原文给出了参数量、模态拆分与量化后的内存占用,便于读者判断它能否直接落到自家端侧检索链路中。
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 官方博客逐步演示了在 Amazon Bedrock Managed Knowledge Base 上用 LangChain 构建 RAG 应用,对比标准检索与智能体检索两条路径。
Ai2 开源 AstaBrief 8B,它把研究问题与检索到的文献片段直接转成带引用的报告,训练数据一并开放。模型基于 Qwen3-8B,用 SFT 加 DPO 训练;在 Asta 的 Fast mode 下平均 51.1 秒生成一份报告,约为 Claude 驱动的 Thinking mode(178.5 秒)速度的 3.5 倍。
推荐理由:原文给出一条可迁移的训练经验,用引用密度这一简单信号过滤合成数据,比更复杂的过滤组合更有效。
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 ICML 2026 论文中提出 Retrieve-for-Train 框架,用离线 RL 将数据库感知的查询分解编译为监督信号,推理时无需思考 token 即可单次生成属性对齐的查询扇出。
Mistral AI 发布 Agentic Search 检索层,以多步检索循环让模型在复杂文档中查找、检视并验证信息,在 FinanceBench 上将正确率从 26.7% 提升至 86%,在 OfficeQA Pro 上从 6.3% 升至 51.9%,p90 延迟最高降低 39.6%,token 消耗最多减少三分之一。
推荐理由:原文用两组基准给出 Agentic Search 相对一次式 RAG 的准确率、token 与延迟对比,可据此判断多步检索循环的收益边界。