跳到正文

精选

  1. AWS Machine Learning Blog68

    如何使用 Skyflow 和 Amazon Bedrock AgentCore Gateway 保护智能体工具调用

    AWS 官方博客介绍了通过在 Amazon Bedrock AgentCore Gateway 中集成 Skyflow 拦截器,实现对智能体工具调用中敏感数据的去标识化处理。

    推荐理由:本文介绍了如何利用 Skyflow 和 Amazon Bedrock AgentCore Gateway 为智能体工具调用增加数据保护层,通过拦截器实现敏感数据的去标识化与还原,无需修改现有智能体代码。

  2. AWS Machine Learning Blog68

    Amazon SageMaker AI 推出跨区域推理路由功能

    Amazon SageMaker AI 推出跨区域推理路由功能,允许开发者通过统一的调用路径在多个 AWS 区域或账户间自动分发推理请求。该功能通过监控端点健康状况,在本地区域容量不足时自动将流量切换至其他区域,并在恢复后平滑回流,无需修改现有的模型部署或自动扩缩容配置。

    推荐理由:该功能通过统一的路由路径实现跨区域推理故障转移,帮助开发者在单一区域容量不足时自动将流量切换至其他区域,提升模型服务的可用性。

  3. AWS Machine Learning Blog68

    利用 Accenture 的分阶段方法优化 Amazon Bedrock 上的 AI 经济性

    本文介绍了在 Amazon Bedrock 上优化 AI 成本的六种杠杆,涵盖从配置调整到架构优化及基础设施投资的三个阶段。Accenture 通过在电信、保险等行业的四个案例验证了这些方法,实现了 40% 至 85% 的 token 成本削减,并强调了通过成本分配标签和业务交易成本框架进行持续治理的重要性。

    推荐理由:文章通过 Accenture 的实际案例,系统性地介绍了在 Amazon Bedrock 上优化 AI 成本的六种技术手段与治理框架,为企业规模化部署 AI 提供了可落地的经济性优化路径。

  4. AWS Machine Learning Blog74

    Amazon Polly 发布语音克隆功能

    Amazon Polly 现已推出语音克隆功能,用户仅需提供几分钟的录音即可创建专属的生成式语音。该功能支持英语、德语、西班牙语、法语、意大利语、葡萄牙语和印地语,具备自动加密和访问控制,并允许通过 API 将克隆语音集成至各类 AWS 应用中。

    推荐理由:AWS 推出 Amazon Polly 语音克隆功能,通过少量录音即可生成专属品牌音色,并支持多种语言和企业级安全合规控制。

  5. AWS Machine Learning Blog72

    Amazon Bedrock AgentCore 引入 Strands 框架、内置工具及生命周期钩子

    Amazon Bedrock AgentCore 升级至 Strands 框架,提供推荐模型、自动提示词缓存、上下文管理及多种内置工具,无需用户自行配置基础设施。新增的生命周期钩子允许开发者在智能体循环的关键节点运行确定性代码,从而实现对智能体行为的安全治理与流程控制。

    推荐理由:此次升级引入了 Strands 框架与生命周期钩子,开发者可借此实现更可控的智能体工作流,并利用内置工具降低开发与运维成本。

  6. AWS Machine Learning Blog65

    Amazon SageMaker AI 推出推理端点监控与智能体优化建议功能

    Amazon SageMaker AI 现可自动监控生成式 AI 推理端点,针对延迟漂移、GPU 空闲及配置优化缺失提供智能体驱动的改进建议。该功能默认开启且不读取请求内容,用户可通过 AWS Health 接收通知,并在 SageMaker Studio 中利用智能体体验进行基准测试,从而在数据支持下决策是否应用优化配置。

    推荐理由:该功能通过自动监控推理端点并提供基于智能体的基准测试建议,帮助用户在不改变生产环境的前提下优化性能与成本。

  7. AWS Machine Learning Blog68

    AWS Quick 发布 Selling Partner 插件并开启免费订阅优惠

    AWS Quick 推出 Selling Partner 插件,允许卖家将销售数据、库存信号和市场情报直接接入 AI 助手,实现对话式业务分析与自动化决策。该插件目前处于 Beta 测试阶段,亚马逊为全球卖家提供 12 个月的免费 AWS Quick Plus 订阅及 10 个协作账号,用户需在 2026 年 12 月 31 日前完成注册。

    推荐理由:亚马逊通过 AWS Quick 推出 Selling Partner 插件,将销售数据与 AI 助手集成,为卖家提供了一种无需编码即可自动化处理库存和运营决策的新路径。

  8. AWS Machine Learning Blog72

    宝马集团如何管理数千名开发者使用的数百个 AI 智能体

    宝马集团通过构建分层架构(MCP 工具、技能、流程)和基础设施即代码(IaC)实践,实现了对大规模智能体集群的治理。该方案通过 CI/CD 流水线强制执行确定性治理规则,并利用中央注册表与持续评估机制,在保障合规性与安全性的同时,支持开发团队高效构建并扩展智能体应用。

    推荐理由:宝马集团分享了其在企业级规模下治理数百个 AI 智能体的架构模式,为开发者提供了可复用的治理框架与 CI/CD 实践参考。

  9. AWS Machine Learning Blog78

    AWS 宣布 Amazon Bedrock AgentCore 支持通过 AWS 账单支付 Marketplace 产品

    AWS 扩展了 Amazon Bedrock AgentCore payments 功能,允许 AI 智能体在 AWS Marketplace 中发现并购买支持 x402 协议的软件、API 和数据,费用直接结算至开发者的 AWS 账单。该方案通过 AWS Billing 集成、支出限额设置及 CloudTrail 审计功能,为企业提供了安全且可控的智能体自主交易环境。

    推荐理由:AWS 将 AWS Marketplace 集成至 AgentCore payments,使 AI 智能体能通过 AWS 账单直接支付 x402 协议的付费内容,为企业级智能体交易提供了可审计的结算方案。

  10. AWS Machine Learning Blog68

    AWS Quick 发布多智能体协作、流程自动化及网页端更新

    AWS Quick 推出多项更新,支持用户通过自然语言在聊天中构建和运行自动化流程,实现多智能体协同处理复杂任务。更新后的网页端新增了每日简报、任务看板及后台持续运行功能,并增加了对 Meta Ads 和 Amplitude 的数据连接支持,同时引入了提示词安全防护与多语言支持。

    推荐理由:AWS Quick 此次更新强化了流程自动化与多智能体协作能力,通过自然语言构建工作流及新增数据连接器,帮助团队将个人经验转化为可复用的标准化流程。

  11. AWS Machine Learning Blog68

    AWS 推出分布式 KV 缓存 Agent 技能以降低自托管 LLM 成本与延迟

    AWS 发布了用于 Agent Toolkit 的分布式 KV 缓存技能,旨在通过 Amazon ElastiCache 共享缓存层减少 GPU 重复计算,从而降低自托管 LLM 的推理成本并缩短首字延迟。该技能支持 Kiro、Claude Code 等 Agent,可引导用户完成工作负载评估、缓存集群配置及故障排查,并提供 KVTrace 工具用于预测性能收益。

    推荐理由:本文介绍了如何利用 AWS Agent Toolkit 中的分布式 KV 缓存技能优化自托管模型推理,通过自动化诊断、成本评估与配置引导降低延迟。

  12. Google Research74

    Google 在 Gemini 应用中推出 Duplex 智能体通话功能

    Google 宣布将 Duplex 语音通话技术集成至 Gemini 应用,支持用户通过 AI 智能体代为拨打商家电话处理预约等现实任务。该系统已从早期的专用模型演进为基于 Gemini 的统一架构,利用多模态理解与实时推理处理复杂通话场景,并支持通过 Agent Payments Protocol 处理交易。

    推荐理由:Google 将 Duplex 语音通话能力集成至 Gemini 应用,展示了从专用模型到 Gemini 统一架构的演进,并支持处理更复杂的现实任务。

  13. AWS Machine Learning Blog68

    Amazon SageMaker HyperPod 发布 Global Inference Gateway,支持跨区域与集群的统一推理端点

    Amazon SageMaker HyperPod 推出 Global Inference Gateway,允许用户通过单一端点管理多个集群的推理流量。该网关根据 KV 缓存利用率、队列深度、区域距离及错误率自动路由请求,并支持跨区域自动故障转移,无需用户手动维护负载均衡或 DNS 配置。

    推荐理由:该功能通过单一端点实现跨集群与跨区域的流量调度与自动故障转移,帮助用户提升 GPU 资源利用率并简化网络架构。

  14. AWS Machine Learning Blog62

    Standard Bank Group 如何实现生成式 AI 的风险评估自动化

    Standard Bank Group 与 AWS 合作开发了一套自动化风险评估系统,通过预评估智能体收集证据,并利用 Amazon Bedrock 上的大模型作为“裁判”对 AI 用例进行合规性评分。该方案将传统的两周人工审核缩短至约两小时,实现了从静态文档审核向持续性自动化合规治理的转变。

    推荐理由:本文展示了银行如何通过自动化评估流程将合规政策转化为可执行的测试,为企业在快速迭代中实现 AI 风险治理提供了可参考的架构思路。

  15. AWS Machine Learning Blog72

    AWS 发布 Amazon Textract Insights:面向文档的可验证生成式 AI 功能

    Amazon Textract Insights 正式发布,允许用户通过自然语言描述字段,从混合文档包中提取结构化数据。该功能无需模型训练,支持自动拆分文档,并为每个提取值提供置信度评分与页面级溯源,确保处理结果可审计。

    推荐理由:该功能通过自然语言定义字段并提供置信度评分与溯源,帮助企业在复杂文档处理中平衡自动化程度与审计需求。

  1. OpenAI News68

    OpenAI 应对对抗性蒸馏的防御策略与实践

    OpenAI 介绍了如何通过对抗性训练、分类器和 API 保护来防范对抗性蒸馏,即防止恶意攻击者提取模型的受保护推理过程(Chain-of-Thought)。通过在 GPT-6.2 Astra 等模型中强化防御,攻击成功率已显著降低,OpenAI 同时呼吁行业共享防御经验以共同应对安全风险。

    推荐理由:原文详细介绍了对抗性蒸馏的风险及防御策略,为开发者提供了保护模型推理过程和应对恶意提取攻击的实践参考。

  2. Hugging Face Blog82

    Hugging Face 发布智能体适配器训练方案以提升模型性能与效率

    Hugging Face 介绍了如何通过在特定智能体框架内进行强化学习训练 LoRA 适配器,从而显著提升模型在软件工程任务中的表现与效率。该方案支持将多个适配器合并为单一的超级适配器,并提供了完整的训练配方、数据集构建流程及工具调用安全插件,帮助开发者在自定义任务中复现该优化效果。

    推荐理由:原文提供了一套通过强化学习训练智能体适配器以提升模型在特定框架下表现的完整方案,开发者可参考此配方优化自定义任务的执行效率与准确性。

  3. Hugging Face Blog79

    Thinking Machines Lab 发布 Inkling 2 Mini 多模态循环模型

    Thinking Machines Lab 发布 Inkling 2 Mini,这是一款采用循环 Transformer 架构的多模态混合专家模型。该模型拥有约 26B 总参数和 3B 激活参数,通过将中间层循环运行三次以模拟 48 层逻辑深度,支持 1M 上下文窗口及图像输入。

    推荐理由:该模型通过创新的循环层架构在有限参数下实现了高推理性能,为本地部署提供了兼顾多模态能力与编码任务的高效选择。

  4. NVIDIA Blog68

    NVIDIA 与 Microsoft 扩展加速计算合作,覆盖 Azure、工业系统及 Windows PC

    NVIDIA 与 Microsoft 在 Microsoft Ignite 上宣布深化合作,将 NVIDIA Vera Rubin NVL72 系统引入 Azure,并扩展 Microsoft Foundry 的模型定制与部署能力。

    推荐理由:此次合作扩展了从云端到边缘计算的 AI 基础设施,为企业提供了更灵活的模型定制与本地化部署方案。

  5. NVIDIA Blog68

    NVIDIA 开发者如何利用前沿 AI 智能体将创意转化为仿真应用

    NVIDIA 官方介绍了开发者如何通过自然语言指令引导 AI 智能体,结合 NVIDIA Omniverse 库与 Isaac Sim 框架,完成从 3D 资产组装、物理属性配置到交互式仿真环境构建的全过程。文中通过机器人拾取、VR 场景搭建、数字孪生测试及工业自动化等多个实战案例,展示了智能体在提升仿真开发效率与验证复杂场景中的应用价值。

    推荐理由:文章通过多个 NVIDIA 内部及生态开发者的实操案例,展示了如何利用前沿 AI 智能体结合 Omniverse 库构建物理仿真环境,为开发者提供了可参考的 Agent 辅助开发工作流。