⌘ K
… 读取采集状态 同步中...
雷

#教程/实践

今日 4 条
今天10月13日周二
10月11日周日
  1. AWS Machine Learning Blog55

    Postman 如何基于 Amazon Bedrock 为 4000 万开发者运行 Agent Mode

    Postman 展示了 Agent Mode 在生产环境中服务 4000 万开发者的架构实践，通过动态工具筛选将 170 多个工具缩小至约 15 个以降低幻觉，并针对 ClickHouse 数据引入基于 Schema 的查询能力。系统结合 Amazon Bedrock 的跨区域推理和分层 Prompt 缓存机制，平衡了吞吐量、数据驻留要求与推理成本。

10月9日周五
  1. Hugging Face Blog80

    用 ML-intern 构建定制小模型的实战指南

    作者演示了如何使用 HuggingFace 的 ML-intern 智能体在几天内构建 6 个定制小模型，总计算成本约 103 美元。文中详细分享了提示词撰写技巧，包括要求先运行基线测试和烟雾测试，以及为每个任务设置明确的预算上限。案例涵盖柑橘病识别、特定角色 LoRA、视角转换及 4 步推理模型等。

    推荐理由：作者展示了如何用 ML-intern 智能体构建垂直领域小模型，给出了具体提示词结构和成本数据，供读者复刻

10月8日周四
  1. AWS Machine Learning Blog40

    Amazon Quick 和 Amazon Bedrock 如何通过实时 ACL 增强 RAG 访问控制

    Amazon Quick 和 Amazon Bedrock Knowledge Bases 通过实时访问控制列表（ACL）执行来解决企业 RAG 中的权限验证难题。该方案在预检索过滤基础上增加实时验证阶段，通过调用源系统 API 动态确认可访问性，避免使用过期数据。此方法确保即使权限变更，AI 生成答案也能即时遵守最新访问限制。

  3. AWS Machine Learning Blog58

    构建智能体自动化的业务价值评估框架

    AWS 提出“Agentic Value Model”框架，用于评估智能体自动化在时间节省、异常处理、决策质量及变更韧性四个维度的价值。文章指出传统基于 RPA 的 ROI 模型无法捕捉智能体带来的额外收益，并建议引入价值实现系数以避免高估效益。通过 Kitsa、dLocal 和 Genpact 的部署案例，展示了如何在不同业务场景中量化这些价值，为领导层提供可执行的优先级排序和财务论证方法。

10月7日周三
  2. AWS Machine Learning Blog28

    AWS 发布 AI 构建者手册：弥合知识与应用差距的六周培训方案

    AWS 推出针对非工程背景业务人员的六周结构化 AI 构建计划，旨在弥合 AI 认知与实际应用间的差距。该计划通过导师指导与生产级工具，帮助业务专业人员利用 Amazon Bedrock、Strands Agents SDK 等构建可落地的 AI 原型。实践证明，完成分阶段培训的人员保留的实际技能强度是两天密集培训者的三倍。

10月6日周二
  1. AWS Machine Learning Blog52

    Amazon Bedrock AgentCore 多智能体系统可解释性评估实践

    Amazon Bedrock AgentCore 发布了针对多智能体系统的评估框架，支持通过内置与自定义评估器量化可解释性与业务准确性。文章以虚构零售公司 AnyCompany Retail 的供应链场景为例，展示了如何用 Strands Agents SDK 和 AgentCore MCP Server 构建包含编排者与四个子智能体的系统，并通过三层评估架构验证推荐是否满足预算、库存覆盖等约束。

  2. AWS Machine Learning Blog15

    Amazon Quick 用户角色降级操作指南

    Amazon Quick 控制台和 update-user API 不支持将用户直接从 Author 角色降级至 Reader 角色。对于 Quick Identity 用户，需通过 AWS CLI 遵循特定的降级序列，例如从 Author Pro 依次降级至 Author、Restricted Reader，最终到达 Reader Pro。

  3. AWS Machine Learning Blog37

    SageMaker AI 推出 aws-ai-ml 技能，赋能编码智能体优化生成式 AI 推理

    Amazon SageMaker AI 推出 aws-ai-ml 技能，通过 AWS Agent Toolkit 为 Kiro、Claude Code 和 Codex 等支持 Model Context Protocol 的编码智能体提供推理优化与基准测试能力。该技能可让智能体生成可执行的 SageMaker Python SDK v3 代码，支持推荐部署配置、对比性能运行及生成生产环境代码。

10月2日周五
  3. AWS Machine Learning Blog40

    Amazon SageMaker AI 如何使用多轮强化学习微调搜索智能体

    Amazon SageMaker AI 利用多轮强化学习（MTRL）微调了 Qwen3.6-27B 模型，使其具备可靠的多轮搜索智能体能力。该方案通过策略梯度算法优化完整轨迹，在保持小模型速度优势的同时，提升了检索质量与可靠性。用户可结合 BM25 和向量搜索工具，在服务端无服务器环境中按 token 计费运行生产级强化学习训练。

  4. GitHub Blog · AI & ML50

    AI 正在改变开发者工作，GitHub 建议强化这三项技能

    GitHub 官方博文指出 AI 正在改变开发者工作模式，核心技能正从纯代码编写转向指令 AI、评估其输出以及沟通技术权衡。文章给出三项具体建议：一是学习如何指挥 AI Agent 而非仅仅使用工具；二是不要盲目信任 AI 的首个答案，利用多模型互评提升代码质量；三是利用 AI 节省的编码时间去解决更大范围的架构与设计问题。

  7. AWS Machine Learning Blog37

    Amazon Payments 利用 AWS 上下文多臂 Bandit 优化获客漏斗转化

    Amazon Payments 在 Amazon SageMaker AI 上部署基于 LinUCB 的多目标上下文多臂 Bandit（MAB），用于优化产品获客漏斗。七周在线 A/B 测试显示，部分客户群体的最终漏斗转化率实现高个位数百分比相对提升。方案通过线性组合各阶段 UCB 分数解决“跷跷板”问题，并公开代码库供用户使用合成数据进行测试。

  9. AWS Machine Learning Blog48

    AWS 上 Claude Platform 多环境访问配置指南

    本文提供 Claude Platform on AWS (CPonAWS) 多环境访问的完整实施步骤，涵盖 AWS 工作负载、本地开发及外部 CI/CD 场景。架构采用专用 AI Services 账户，通过跨账户 SigV4 签名处理 AWS 推理，利用工作区范围 API 密钥支持本地开发，并配置 OIDC 联邦生成短期密钥以实现外部环境的零持久化凭据接入。

10月1日周四
9月30日周三
  2. AWS Machine Learning Blog28

    Amazon Quick 提示工程基础

    本文阐述 Amazon Quick 平台的提示工程核心原则，包括通过具体化指令明确指标、时间与范围，以及利用业务背景提升响应相关性。文章介绍了 CRISPE 结构化框架，通过定义上下文、角色、意图及步骤等维度，帮助用户构建可复用、高质量的提示模式，以优化自动化流程与数据分析结果。

  3. AWS Machine Learning Blog50

    Amazon Quick 组件提示工程：模式与陷阱

    Amazon Quick 各组件提示工程需明确具体目标以获取精准结果。Quick Research 应定义受众、时间范围并分解子问题，以生成可操作报告；Quick Flows 需明确触发条件、数据源及交付格式，支持通过对话迭代调整工作流；Quick Sight 需结构化表达业务问题、指标及维度，以优化数据分析体验。

  4. AWS Machine Learning Blog42

    利用 Amazon Quick 和 Amazon Bedrock AgentCore 构建 AI 驱动的契约智能平台

    在 AWS 上构建的契约智能平台利用 AI 智能体提取合同数据，并通过多模型架构验证准确性，以解决 RAG 无法跨数百份合同进行聚合查询的问题。该平台使用 Claude Sonnet 系列模型提取关键字段，使用 Claude Haiku 模型进行验证，并将结果存储在 Amazon Aurora PostgreSQL 中，从而提供嵌入式分析和自然语言查询功能。

9月29日周二
9月26日周六
  1. GitHub Blog · AI & ML40

    GitHub Copilot 如何用 canvases 构建自定义工作流

    GitHub Copilot 应用支持通过 canvases 功能让用户和 AI 智能体共同操作自定义界面。用户输入 /create-canvas 指令并描述工作流即可生成 Kanban 看板或发布检查表，无需编写代码。界面支持双向实时同步，用户操作或智能体更新均即时生效，生成的 canvas 可作为扩展保存供团队复用。

9月24日周四
  1. GitHub Blog · AI & ML44

    GitHub Copilot 应用如何处理超大型 Pull Request 渲染

    GitHub 重构了 GitHub Copilot 应用中的 Pull Request 视图，以解决大型代码变更和评论导致的性能瓶颈。团队在处理包含 2,200 个文件、超 100 万行代码和 400 条评论的极端测试用例时，通过分离确定性代码行与动态评论块的几何结构，并采用虚拟化和延迟测量技术，确保滚动与交互的流畅性。该方案有效避免了因高度计算错误导致的布局抖动，提升了大型代码审查的用户体验。

9月16日周三
9月12日周六
9月11日周五
  1. GitHub Blog · AI & ML40

    GitHub Copilot 应用初学者指南：使用 diff、终端和浏览器面板

    GitHub Copilot 应用内置 diff、终端和浏览器三个面板，用户无需切换外部编辑器、终端窗口或网页浏览器即可审查智能体生成的代码变更、运行项目命令并预览用户界面效果。用户可利用 Pick & Polish 工具在浏览器中直接调整界面元素，确认功能正常后在应用内直接接受变更并创建 pull request。