Rescale 如何利用 Strands Agents 和 AI-DLC 构建 AI 故障分诊智能体
Rescale 利用 Strands Agents 和 AI-DLC 构建测试故障分诊智能体，五天内完成预发布部署，数周内投入生产。该智能体调用 Amazon Bedrock 上的 Claude Opus 4.8，结合历史故障记录与 MCP 日志检索，在数秒内完成故障分类并生成修复建议报告，供工程师审核。
#教程/实践
AWS Machine Learning BlogAI 评分4747 AWS Machine Learning BlogAI 评分4141 如何为 Amazon SageMaker AI 上的 TTS 确定自动扩缩容目标，而非依赖猜测
AWS 展示如何在 Amazon SageMaker AI 上部署 Kokoro-82M，并通过实测确定 TTS 自动扩缩容目标。方案测量单实例满足 SLO 的并发上限与扩容总耗时，据此计算扩缩容阈值及冷却时间。扩缩容采用原生指标 ConcurrentRequestsPerModel，避免依赖自定义指标上报。
AWS Machine Learning BlogAI 评分4444 如何在 Amazon SageMaker AI 上使用 Kokoro TTS 为 AI 智能体实现低延迟语音流
AWS 演示在 Amazon SageMaker AI 上部署 Kokoro-82M，将 AI 智能体逐句生成的文本即时转为语音流，无需等待完整回答。方案使用 ml.g5.xlarge GPU 实例承载模型，并讲解双向流式传输中二进制 WebSocket 帧的处理及消息间连接保持方法。
AWS Machine Learning BlogAI 评分4242 如何使用 Amazon Quick 在具备 HIPAA 适用资格的环境中部署 AI
Amazon Quick 部署指南讲解医疗机构如何利用其 HIPAA 适用资格构建合规 AI 工作流，强调服务资格不等于环境自动合规。平台提供基于访问权限的检索、聊天与反馈日志及智能体操作控制；机构仍须签署 BAA、正确配置并落实自身安全保障措施。
AWS Machine Learning BlogAI 评分4545 IskayPet 如何利用 Amazon Bedrock Managed Knowledge Bases 整合企业知识
IskayPet 利用 Amazon Bedrock Managed Knowledge Bases 构建企业知识助手，覆盖3个国家、4种语言，无需自行管理 RAG 基础设施。助手接入 SharePoint，按员工文档权限检索并提供来源引用。团队使用 Kiro 和 Claude Haiku 4.5 完成前端、AWS 架构及部署。
AWS Machine Learning BlogAI 评分4242 如何使用 AtScale 和 Amazon Bedrock AgentCore 在 AWS 上构建 AI 智能体语义层
AWS 展示如何以 AtScale 和 Amazon Bedrock AgentCore 构建 AI 智能体语义层，让智能体与 BI 工具使用相同指标定义。教程以客户 360 场景为例，由 Claude Sonnet 4.6 规划查询，Strands 智能体通过 MCP 访问映射至 Amazon Redshift 的语义模型。
AWS Machine Learning BlogAI 评分3939 使用 Strategy Mosaic 和 Amazon Bedrock AgentCore 在 AWS 上为 AI 智能体构建语义层
教程演示用 Strategy Mosaic 和 Amazon Bedrock AgentCore 构建语义层，让 AI 智能体查询跨源客户数据。方案以关联模型连接 Amazon Redshift 与 Amazon Aurora，无需 ETL。Strands 智能体通过 MCP 访问模型，指标定义及按用户实施的行列权限控制保留在 Mosaic 中。
AWS Machine Learning BlogAI 评分4141 如何使用 Denodo 和 Amazon Bedrock AgentCore 在 AWS 上构建 AI 智能体语义层
AWS 展示如何用 Denodo 和 Amazon Bedrock AgentCore 构建语义层，让 AI 智能体受控查询云端及本地企业数据。方案联邦查询 Amazon Aurora、Amazon Redshift 与本地 PostgreSQL，通过 Denodo MCP Server 暴露客户全景视图，并在查询时应用行列访问策略。
AWS Machine Learning BlogAI 评分4848 Eon 如何利用 Amazon Bedrock AgentCore 上的 MCP 网关构建多云故障调查能力
Eon 利用 Amazon Bedrock AgentCore 构建统一 MCP 网关，将新工程师接入调查工具的时间从约2天缩短至约2分钟。网关取代逐工具凭证和本地 MCP 进程，为开发者与自主智能体统一接入 AWS、GCP 和 Azure 调查工具，并通过身份区分与 Cedar 策略控制工具调用权限。
AWS Machine Learning BlogAI 评分4141 如何在 AWS 上利用 X.509 PKI 保障 AI 智能体身份安全
AWS 与 Keyfactor 展示基于 EJBCA 和 AWS 服务的 X.509 PKI 参考架构，为 AI 智能体建立可验证、可撤销的身份。架构覆盖用户、智能体间及 MCP 工具调用认证，结合签名请求、委托断言、限定受众的 token 和实时 OCSP 吊销检查。示例完整源码已在 GitHub 提供。
AWS Machine Learning BlogAI 评分5151 如何用 AWS Agent Registry 在运行时发现并调用工具
AWS 通过 Python 示例讲解如何用 AWS Agent Registry 在运行时发现已审批的 MCP 服务和 A2A 智能体，并为每次请求动态构建客户端与内部智能体。流程采用关键词与语义混合搜索获取候选能力，调用凭证通过独立可信配置获取，不随搜索结果返回。示例覆盖订单查询、定价折扣和退货退款场景；新增兼容且获批的记录无需修改编排器，但协议、鉴权或编排策略变化仍可能需要更新代码或配置。
AWS Machine Learning BlogAI 评分3636 通过跨区域推理从加拿大访问 Amazon Bedrock 上的 OpenAI GPT 模型
Amazon Bedrock 现支持从加拿大通过跨区域推理访问 OpenAI GPT-5.6、GPT-6 和 GPT-6.1。教程涵盖权限配置与 API 调用，并说明 US geographic 配置将推理保留在北美，Global 配置则可路由至模型已部署的受支持 AWS 商业区域。
AWS Machine Learning BlogAI 评分4545 Octave 如何基于 Amazon Bedrock 构建安全的多租户 AI 基础架构
Octave 基于 Amazon Bedrock 构建安全的多租户 AI 基础架构，将每个用例的部署时间缩短了 50%。该架构使用 Cohere Embed v4 生成嵌入向量，通过租户专属向量存储、隔离执行环境和输入输出过滤保护数据，并以投诉分流助手验证生产应用。
AWS Machine Learning BlogAI 评分3838 在 Amazon SageMaker HyperPod 上微调 GPT-OSS-20B，实现多语言推理
AWS 展示了在 Amazon SageMaker HyperPod 上微调 GPT-OSS-20B 的方法：SFT 承担主要行为学习，GRPO 在仍有提升空间时进一步优化。基础模型在 50 个多语言测试用例中，仅 22% 使用目标语言推理；实验强调，应根据能力缺口选择微调方法。
Hugging Face BlogAI 评分4444 使用 IBM Granite 时间序列模型进行集成预测
Hugging Face 介绍 IBM Granite Timeseries Ensemble，将4个开源预训练模型组合用于时间序列预测，无需重新训练或拟合集成权重。默认的 Probabilistic Ensemble 采用等权概率汇聚，输出中位数和分位数预测；IQR Ensemble 则依据预测区间宽度自适应加权，但可能偏向过度自信的模型。
AWS Machine Learning BlogAI 评分3535 如何使用 AWS PrivateLink 保障企业网络对 Amazon Quick 的安全访问
AWS 讲解如何结合 AWS PrivateLink 与 VPC 连接，让 Amazon Quick 与企业本地数据源之间的流量不经过公网。VPC 端点承载用户和 API 访问，VPC 连接负责数据源访问，并配合安全组和端点策略实施防护。配置需有 Enterprise 订阅，以及已建立的 AWS Direct Connect 或站点到站点 VPN。
AWS Machine Learning Blog精选AI 评分6464 Deep Insight 如何解决多智能体系统的 5 个生产挑战
AWS 团队以 Deep Insight 为例，讲解多智能体系统在执行编排、模型选择、生产运行、代码安全和运维监控上的 5 个挑战及解决方案。系统通过 8 个智能体协作，将 CSV 数据与自然语言请求转化为图表及带引用的 DOCX 报告，结合 Strands Agents SDK 的流程编排、人工计划审核和按角色配置的 Claude 模型组织任务。
推荐理由：通过把执行编排、模型分工、运行隔离与运维监控逐项对应到实现方案，文章提供了从多智能体原型走向生产的可迁移架构思路。
AWS Machine Learning BlogAI 评分4343 使用 Strands Agents 构建自适应 AI 智能体框架 AAIF
AWS 讲解基于 Strands Agents 的 AAIF 框架，以物联网监控为例，展示如何将常规任务留在本地、复杂请求交给云端模型。框架使用 llama3.2:1b 编排请求，通过 Ollama 运行本地模型，并调用 Amazon Bedrock 处理复杂分析，支持边缘、云端及混合部署。
AWS Machine Learning BlogAI 评分3535 如何使用 torchtitan 在 AWS Trainium 上训练 Qwen3
AWS 演示如何用 torchtitan 在单台 trn2.48xlarge 上训练 Qwen3，涵盖 Transformers v5 后端、原生实现及自定义 MoE 内核三种配置。配置支持从随机初始化预训练或微调已发布权重，并采用相同的 torchrun 启动模式；微调后可导出标准 Hugging Face safetensors 检查点。
AWS Machine Learning BlogAI 评分3838 U.S. Hunger 如何利用 Amazon Quick 连接领导团队与数据
U.S. Hunger 利用 Amazon Quick 让领导团队直接探索组织数据，并通过 Quick Spaces 共享指标定义、文档与分析。团队可结合财务信息和受助家庭情况开展讨论，减少反复请求技术团队提取数据。目前已有 17 名同事获得访问权限，覆盖管理层、技术、财务及合规等职能。
Hugging Face BlogAI 评分3636 TorchNeuron 性能剖析（第 1 部分）：AWS Trainium 上的系统级性能分析
Hugging Face 讲解如何在 AWS Trainium 上对 TorchNeuron 进行系统级性能分析，定位推理耗时。教程从零配置 torch.profiler，并用 Neuron Explorer 追踪框架分发、运行时调度与硬件执行。分析围绕 RMSNorm 的逐项运算、内置融合内核和 torch.compile 三种实现展开。
OpenAI NewsAI 评分4444 OpenAI 如何构建兼顾用户信任与相关性的 ChatGPT 新型广告技术栈
OpenAI 讲解了 ChatGPT 基于大语言模型的广告技术栈如何构建，以兼顾用户信任与广告相关性。该技术栈理解对话意图，将广告与回答分开，并支持大规模投放相关广告。
AWS Machine Learning BlogAI 评分3838 超越 KV cache：使用原生 PyTorch 在 AWS Trainium2 上训练和部署 i14 的 Laplace 3B 线性注意力模型
i14 与 AWS 讲解如何用原生 PyTorch 在 Trainium2 上训练和部署 Laplace 3B。模型每序列状态固定为 29.5 MB，不随上下文长度增长。单实例训练约每秒处理 120,000 tokens，推理在 1,280 路并发下每秒输出 11,544 tokens。
AWS Machine Learning BlogAI 评分4343 通过 AWS 上的 Smartsheet MCP 为 AI 智能体提供工作流上下文
AWS 讲解如何通过 Amazon Quick 和 Kiro 连接已正式可用的 Smartsheet MCP Server，将项目数据接入 AI 智能体工作流。该服务提供超过 40 个工具，支持读取、写入和管理表格等数据。业务用户可用自然语言更新任务，开发者可在 IDE 内查看项目规格、更新状态并跟踪依赖。
AWS Machine Learning BlogAI 评分4343 如何在 AWS 上通过 Smartsheet MCP 为 AI 智能体提供工作管理上下文
AWS 演示如何将 Smartsheet MCP Server 接入 Amazon Quick 和 Kiro，让 AI 智能体在现有工作流中读取、更新和管理项目数据。该服务器已正式可用，提供超过 40 种工具，支持通过自然语言管理表格、行、列和自动化；两条接入路径分别面向业务团队和开发者。
AWS Machine Learning BlogAI 评分4444 从数据到决策：用 Amazon Quick 和 Amazon Bedrock AgentCore 构建对话式供应链智能
AWS 演示如何用 Amazon Quick 和 Amazon Bedrock AgentCore 构建对话式供应链工作流，并讲解部署方法。该方案通过 MCP 工具连接业务系统，支持中断评估、缓解建议和紧急询价，所有变更均需指定人员批准。示例将跨五个系统、耗时45–60分钟的流程缩为单一工具内的三次提示词交互，数分钟完成。
GitHub Blog · AI & ML精选AI 评分6666 3 位 Java Champion 如何使用 GitHub Copilot 提高开发效率
3 位 Java Champion 分享了使用 GitHub Copilot 开发功能、迁移内容和排查缺陷的实践，强调提供上下文、验证结果并由开发者承担交付责任。
推荐理由：将需求澄清、任务专属验收关卡和确定性检查串成反馈闭环，为把智能体的快速执行转化为可维护的软件提供了可迁移方法。
GitHub Blog · AI & MLAI 评分5454 如何在 VS Code 中继续 GitHub Copilot app 会话
GitHub 介绍如何将 GitHub Copilot app 会话直接转入 VS Code，保留对话、代码改动和工作上下文并继续开发。在会话中选择 Open in VS Code，即可打开关联的工作树，在编辑器中逐行审查差异、继续与 Copilot 对话、手动修改代码并运行本地测试。完成后提交并推送原会话关联的分支，即可更新已有拉取请求，无需复制文件或手动重新关联。
Meta EngineeringAI 评分4343 GenRecs Tokenization：以稳定模型词表变革 Meta 广告推荐
Meta 的 GenRecs Tokenization 用稳定语义词表表示广告等项目，改进广告召回与排序。它融合内容与互动信号，帮助模型理解缺乏互动历史的新项目。与 GEM 和 Adaptive Ranking Model 配合后，广告转化量提升 +0.35%。
Meta Engineering精选AI 评分6565 Meta 如何通过精简编排器提高 AI 智能体可靠性
Meta 讲解薄编排器架构，将路由和可靠性检查留给确定性流程，把领域推理交给隔离上下文的专业 AI 智能体。其 1,300 行编排器将 20+ 个工作流分派给 14 个专业智能体，通过调整工作流模板复用现有智能体，并在运行时按需加载领域知识。新数据列的配置准备从人工操作的三至四天、此前配置驱动系统的约一天缩短至不到一小时，约三分之二的系统改动无需人工大幅修改即可落地。
推荐理由：将确定性路由与领域推理解耦，并通过工作流模板复用专家智能体，为复杂多步骤任务提供了可迁移的架构设计方法。
Meta Engineering精选AI 评分7575 深入 Meta Prometheus：吉瓦级超级集群的建设与可靠性工程
Meta 详解吉瓦级超级集群 Prometheus 的硬件、网络与可靠性工程，其第一阶段已完成并用于训练 Muse 基础模型。集群目前拥有数十万 GPU，正向约 1 million GPUs 扩展；Muse Wonder 预训练和强化学习运行的有效训练时间占比分别超过 85% 和 90%。
推荐理由：通过备用 GPU、分层故障恢复与逐项归因的工程实践，解释超大规模训练如何减少中断并提高有效吞吐量。
Meta Engineering精选AI 评分6666 Meta 如何用 AI 原生工程构建 Forum
Meta 复盘了用 AI 智能体构建独立群组应用 Forum 的工程实践，小团队在八周内实现了与 Facebook Groups 核心功能对齐。团队将规划、构建、测试和验证纳入智能体循环，通过直接读取应用状态的工具和隔离原型代码的构建方案支持开发，同时保留工程师对架构、产品目标和上线结果的决策与签核。
推荐理由：这份工程复盘给出了可迁移的实践路径，将自动验证、可直接检查的环境状态和构建隔离纳入智能体开发流程，而非只改提示词。
Meta EngineeringAI 评分2727 2026 世界杯：Meta 流量纪录、峰值曲线与大规模可靠性保障
Meta 复盘世界杯期间多平台流量破纪录及基础设施保障，WhatsApp 在决赛期间每秒消息量超过 30 million，创平台纪录。流量峰值主要出现在比赛间歇，系统通过预留容量、自动扩容和分国家降级吸收冲击。WhatsApp 提前对超过 100 项内部服务进行负载测试，赛事期间未暂停持续部署。
Google DeepMindAI 评分4545 如何用 Google Antigravity 加速抗菌肽搜索
Google DeepMind 演示了生物学家如何用 Google Antigravity 筛选新型抗菌肽候选物，所获候选物正接受湿实验验证。流程结合 ProtNLM 功能预测、跨数据库检索与结构分析，将原需数天的筛查压缩为一次协作会话。此次新增的 Biomolecular Structure Viewer 支持研究人员与 AI 智能体共同查看、标注蛋白质三维结构。
Apple Machine Learning精选AI 评分6161 如何用 MLX 与 RDMA 在 Mac Studio 上运行本地及分布式大语言模型推理
Apple 演示使用 MLX 与 Thunderbolt RDMA 在 Mac Studio 上运行本地及分布式推理，四台 M5 Ultra 以张量并行运行 Muse Spark Open，在 8,192 tokens 上下文下达到 36.73 tokens/s。
推荐理由：通过同一组模型的单机与多机测试，对比流水线并行和张量并行在首 token 延迟、生成速度及通信开销上的差异。
GitHub Blog · AI & MLAI 评分5656 GitHub 解读密钥检测模型：如何用 ModernBERT 减少误报与扫描成本
GitHub 详解密钥扫描管线，以正则筛选候选字符串，再由微调的 ModernBERT 结合上下文区分真实凭据与非敏感字符串。相比此前的 LLM 管线，新管线的提交后扫描执行时间中位数降低 86%，服务成本降低超过 98%，并使通用密钥检测得以扩展至推送保护。离线评估的精确率提高 13%、召回率提高 19%；客户 A/B 实验中，按仓库所有者加权的告警接受率提高 11.5%。
Google DeepMind精选AI 评分7575 Google DeepMind 推出面向机器人任务的 Gemini 4 Argon
Google DeepMind 推出 Gemini 4 Argon，展示机器人控制、Real2Sim、物理理解和自我改进四类应用，在 ERQA 物理空间推理基准上取得 87%。
推荐理由：从真实场景重建仿真、生成训练数据再回到实体机器人评估，文中案例提供了将物理推理接入机器人训练流程的具体路径。
GitHub Blog · AI & MLAI 评分5959 GitHub Copilot app 入门：如何让 Copilot 了解你的代码库
GitHub Copilot app 入门教程讲解如何结合自定义指令、智能体技能、自定义智能体与 MCP 服务器，让 Copilot 按项目规范工作。
Anthropic Engineering精选AI 评分7272 Anthropic 重设计源码管理的工程实践：从 git 迁移至 Scion
Anthropic 详解内部版本控制系统 Scion 的设计与迁移实践，以应对日均代码合并量从 2026 年 5 月约 2,500 次增至 9 月超过 30,000 次的负载。
推荐理由：将客户端始终在线作为设计前提，把历史查询与合并计算移至服务端，为应对智能体海量代码变更提供了可迁移的架构思路。
GitHub Blog · AI & MLAI 评分4343 AI 正在改变开发者工作：GitHub 建议强化的三项技能
GitHub 建议开发者强化三项技能：指导 AI 智能体、审查 AI 输出，以及利用节省的实现时间解决更大问题。GitHub Copilot 内置的 Rubber Duck 智能体会用第二个模型审查计划、代码和测试，但开发者仍需自行判断。随着 AI 承担更多实现工作，开发者应更重视客户需求、架构权衡与技术决策。