用 Amazon Bedrock AgentCore 构建可自我改进的文档处理系统
基于 Amazon Bedrock AgentCore 的多智能体 IDP 系统，可自动处理供应商发票、采购订单等新文档格式，通常 20 分钟内完成部署，无需人工配置模板。
#教程/实践
#教程/实践
今日 2 条AWS Machine Learning BlogAI 评分4141 NVIDIA Developer BlogAI 评分2727 NVIDIA 用 NeMo Gym 优化芯片设计智能体的可靠性与工具调用效率
NVIDIA 针对芯片设计工作流中 AI 智能体易生成看似合理却错误内容的问题，使用 NeMo Gym 优化其可靠性与工具调用效率。多阶段工程流程中，早期未被发现的错误会沿下游阶段静默传播，影响最终产物生成。
AWS Machine Learning BlogAI 评分2828 用 Amazon Bedrock AgentCore 生成演示文稿
AWS 发布方案，用 Amazon Bedrock AgentCore 搭建 AI 智能体自动生成 PowerPoint 演示文稿，内部测试中不到 90 秒即可完成。
AWS Machine Learning BlogAI 评分2424 用 Amazon SageMaker JumpStart 部署并评测模型
Amazon SageMaker JumpStart 提供可复用 Python 脚本流程：从 SageMaker JumpStart 部署预训练模型、用示例提示词测量延迟与单请求生成速率，测完删除端点。
NVIDIA Developer BlogAI 评分2323 如何用 AI 智能体为 GPU 加速重写 Apache Spark UDF
NVIDIA 介绍如何借助 AI 智能体将 Apache Spark UDF 重写以适配 GPU 加速。面对 AI 智能体带来的企业数据查询量激增，NVIDIA cuDF 利用大规模并行与高带宽显存提升数据吞吐，从而在不显著增加成本的前提下满足需求。
AWS Machine Learning BlogAI 评分2424 如何用托管权益管理 Amazon Bedrock 的私有定价优惠
Amazon Bedrock 的托管权益让企业只需在一个中心账户订阅 AWS Marketplace 私有定价优惠（MPPO），即可向全组织分发第三方模型访问权限。
AWS Machine Learning Blog精选AI 评分6565 在 Amazon Bedrock 上用 Grok 4.7 构建长时程智能体
AWS 在 Amazon Bedrock 上线 SpaceXAI 的 Grok 4.7，并给出一个工具调用智能体的完整评测：三个需要搜索而非查询的任务各跑六次、四个推理投入档位共 72 次运行，答对 67 次；xhigh 档 18 次全对，low 档答对 15 次且输出 token 约为 xhigh 的八分之一。
推荐理由：原文用72次可复现的智能体运行，给出不同推理投入档位在准确率与输出token上的权衡数据，方法可迁移。
AWS Machine Learning BlogAI 评分4141 ShipStation Global 如何基于 Amazon Bedrock AgentCore 构建 AI IT 服务台 Deckhand
ShipStation Global 工程团队基于 Amazon Bedrock AgentCore 打造了 Slack 内的 AI IT 服务台 Deckhand，可回答常规 IT 与公司问题、读取报错截图，并创建和更新 Jira Service Management 工单，上线后解决了 97.5% 的频道查询，员工正面反馈率达 96%。
AWS Machine Learning BlogAI 评分2626 Orca Security 在 Amazon Bedrock 上用自然语言安全查询
Orca Security 与 AWS 合作在 Amazon Bedrock 上构建了 Discovery AI，将自然语言问题转换为 Sonar 查询，支持 900+ 云模型和 18 种操作符，可处理每天数千次查询、15 秒响应。
AWS Machine Learning BlogAI 评分3636 Amazon SageMaker AI 上的 MoE 内核工程实践
针对 MoE 模型推理，AWS 团队通过 Swap-AB 转置让专家维度 N=8192 进入 WGMMA 首个操作数位置，在 H200 上取得 2–4% 端到端输出吞吐提升，该优化已合入 vLLM 0.24.0 及更高版本。
GitHub Blog · AI & MLAI 评分3030 GitHub Copilot 入门：如何让 Copilot 了解你的代码库
GitHub Copilot 可通过四种方式定制对项目的理解：.github/copilot-instructions.md 定义仓库级约定，.github/instructions 支持按 applyTo 字段的路径级指令。
Meta EngineeringAI 评分2424 Meta 如何把闲置推理算力变成更好的广告推荐
Meta 构建了一套系统，把 fleet 中分散闲置的推理算力聚合成共享的机会算力池，用于增强广告推荐，无需额外采购容量。系统通过 Rank More Ads（RMA，增加排序阶段评估的候选广告数量）和 Serve Better Models（SBM，提高请求路由到更强模型的比例）两个弹性杠杆，在保障基线性能的前提下扩展可选工作负载。
AWS Machine Learning BlogAI 评分2929 如何用 Ray LLM Deep Learning Containers 在 Amazon EKS 上运行多节点推理负载
AWS 发布 Ray LLM Deep Learning Containers，支持在 Amazon EKS 上跨两个 GPU 节点部署单个 LLM，将 prefill 与 decode 分离运行并统一在一个 OpenAI 兼容端点后。
AWS Machine Learning BlogAI 评分2626 在 Amazon SageMaker AI 上用 llama.cpp 部署决策模型
在 Amazon SageMaker AI 上用 llama.cpp 部署决策模型，可让应用从固定选项集中直接输出概率分数，而不必生成文本答案。AWS 的 llama.cpp DLC 支持通过 OpenAI 兼容的 Chat Completions 接口调用，扩展方案 SemIf 则返回 option_ids、probabilities 与 raw option_logits。
Hugging Face BlogAI 评分3737 Ai2 如何为 GPU 集群设计高影响力的调度系统
Ai2 用 GPU 时间预算、分层公平分配和时间切片合约替换了原有的优先级调度器，把各研究项目该分多少 GPU 时间的争论从逐案运维操作变成透明的预算流程。其集群由数千块 NVIDIA H100、B200、B300 组成，规模 88 至 1024 块，服务约 150 名内部研究者，而排队需求常年是可用容量的 2-3 倍。
AWS Machine Learning BlogAI 评分4545 Postman 如何在 Amazon Bedrock 上为 4000 万开发者运行 Agent Mode
Postman 在 Amazon Bedrock 上构建并运行 Agent Mode，以 AI 原生方式覆盖 API 测试、文档、发现与实现，服务 4000 万开发者。
Hugging Face Blog精选AI 评分6868 作者用 Hugging Face ML Intern 花约 103 美元做出六个定制模型
作者描述自己用 Hugging Face 的 ML Intern 在几天内做出六个小模型，包括基于 Qwen3.5-2B 的柑橘病害模型、Huggy LoRA、相机角度 LoRA、Pocket Rewriter 0.8B/2B 和 Agate 4-step 蒸馏模型，累计算力成本约 103 美元。
推荐理由：作者用 ML Intern 在两三天内做出六个小模型，给出提示词结构与逐项成本，可作为低成本定制模型的实操参考。
NVIDIA Developer BlogAI 评分2626 NVIDIA 五步打造机器人仿真用 SimReady 资产，结合前沿 AI 模型
NVIDIA 发布五步流程，借助 Omniverse 库、SimReady Foundation 规范和智能体技能，将 CAD 资产转换为机器人仿真可用的 SimReady 资产。该流程不限于几何转 OpenUSD，还要求配置并验证材质、碰撞几何、关节等物理属性，之后才能测试机器人行为。
NVIDIA Developer BlogAI 评分3737 NVIDIA KGMON 团队如何在 KDD Cup 2026 Data Agents 竞赛中获得亚军
NVIDIA KGMON 团队在 KDD Cup 2026 Data Agents 竞赛中获得第二名，其方案的核心思路是让智能体的 harness 更小、更清晰、更易验证。该竞赛要求智能体在数据库、CSV 和 JSON 文件、散文文档、PDF 及简报视频等异构数据源上回答自然语言问题。
AWS Machine Learning BlogAI 评分2424 用 Amazon SageMaker HyperPod 实现团队间 GPU 集群的隔离与公平共享
针对多个团队共享昂贵 GPU 集群的需求，AWS 给出了一套基于 Amazon SageMaker HyperPod 与 EKS 的多租户参考架构，通过 Kubernetes 命名空间隔离工作负载、HyperPod Task Governance 做公平资源分配、命名空间级成本分摊实现按团队计费。
AWS Machine Learning BlogAI 评分4545 Amazon Quick 与 Amazon Bedrock 如何用实时 ACL 校验重塑 RAG 访问控制
Amazon Quick 和 Amazon Bedrock Knowledge Bases 采用实时 ACL 校验，在查询时直接向 Google Drive、SharePoint 等权威源验证权限，叠加在原有的预检索过滤之上。
NVIDIA Developer BlogAI 评分3232 NVIDIA 如何教机器人组装 GB300 测试托盘
NVIDIA 分享了教机器人组装 GB300 测试托盘的经验，GB300 是支撑现代基础模型训练与推理的 Grace Blackwell 超级芯片，其托盘组装目前依赖全球工厂的技能型体力劳动。文章围绕这一过程讨论了机器人学习、机械智能与工程实践。
AWS Machine Learning BlogAI 评分3232 Cornerstone OnDemand 如何用 Amazon Bedrock 将数据库诊断时间缩短 78%
Cornerstone OnDemand 基于 Amazon Bedrock 和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 分钟降至 10 分钟，缩短 78%。该系统还把数据库生命周期操作从 10 多个手动步骤压缩为 1 次自然语言交互，冗余告警中位数减少 65%，SRE 与数据团队之间的 15 分钟报告延迟降为实时。该三
AWS Machine Learning BlogAI 评分1818 AWS 发布 AI 构建者培养手册：六周让非工程背景员工造出多智能体应用
AWS 推出六周结构化培养项目，让非工程背景的业务人员用 Amazon Bedrock、Bedrock AgentCore 和 Strands Agents SDK 构建可运行的 AI 原型。
AWS Machine Learning BlogAI 评分3232 用 AWS DevOps Agent 自动执行事后修复
通过 Amazon EventBridge、AWS Lambda Durable Functions 和 Amazon Bedrock，可以把 AWS DevOps Agent 的事故调查结果转成待审批的修复方案，实现修复工作流自动化。
AWS Machine Learning BlogAI 评分2626 告别"节省工时"：如何为智能体自动化构建商业论证
AWS 提出 Agentic Value Model 框架，主张传统 ROI 模型低估了智能体自动化的价值，应从时间节省、异常处理、决策质量、变更韧性与维护成本四个维度衡量。框架引用 McKinsey 的"1:3:5"投入比例，并给出错误修正成本为原始交易 1.5–4 倍、人为错误占运营成本 2–15% 等规划区间。文中以年处理 20 万件理赔的流程为例演示测算。
NVIDIA Developer BlogAI 评分2525 NVIDIA：用数字孪生与 AI 智能体验证 AI 工厂变更
NVIDIA 提出用数字孪生与 AI 智能体验证 AI 工厂的变更。AI 工厂融合 GPU、CPU、交换机、DPU 与 SuperNIC，并叠加大规模调度器、编排服务和安全控制。面对快速迭代的软件栈，验证基础设施、软件与策略能否协同支撑目标负载同样棘手。
NVIDIA Developer BlogAI 评分2525 NVIDIA Megatron Core 实现可扩展的逐位确定性预训练
NVIDIA Megatron Core 支持可扩展的逐位确定性预训练，让大规模预训练更易调试、验证和可复现地恢复。在数千块 GPU 上训练万亿参数模型时，多种并行维度、低精度计算和分布式 checkpointing 会加大故障复现与修复验证难度。
AWS Machine Learning BlogAI 评分5050 在 AgentCore 与 OpenClaw 上构建上下文感知 AI 助手
AWS 官方博客介绍如何在 Amazon Bedrock AgentCore 运行时的 OpenClaw 开源智能体系统上构建具备长期记忆的上下文感知助手，以园艺助手 Sprout 为例，全部组件部署在一个 CloudFormation 模板中。
NVIDIA Developer BlogAI 评分2222 DOCA GPUNetIO 如何统一 NVIDIA 软件栈中的 GPU 发起网络通信
NVIDIA DOCA GPUNetIO 让网络与数据搬运由 GPU 直接控制，不再依赖 CPU 中转。CPU 若处在每次网络事务的关键路径上会成为瓶颈，增加延迟并限制分布式应用的实时响应效率。该方案旨在 NVIDIA 软件栈中统一 GPU 发起的网络通信。
AWS Machine Learning BlogAI 评分3636 用 Amazon Bedrock AgentCore、Managed Knowledge Base 与 Nova Sonic 构建语音旅行管家
亚马逊展示如何为航司应用加入语音旅行管家：基于 Amazon Bedrock AgentCore 托管智能体、Nova 2.5 Sonic 实现实时语音、Bedrock Knowledge Bases 支撑政策问答，通过 MCP 与 AgentCore Gateway 打通后端，可查行程、改座位、更新餐食偏好并转接人工客服。
AWS Machine Learning BlogAI 评分1717 Amazon SageMaker HyperPod 管理与治理最佳实践
针对多团队共享一个 Amazon SageMaker HyperPod 集群时的治理难题，AWS 给出组织、项目、集群、工作负载四层控制模型。其中项目只是协作边界而非运行时安全边界，集群与稀缺加速器容量应集中在单一 capacity account 中管理。
NVIDIA Developer BlogAI 评分2121 NVIDIA Green Contexts：控制 GPU 工作负载资源共享
NVIDIA 介绍 Green Contexts，用于控制同一进程内多个独立 GPU 组件之间的资源共享，例如延迟敏感算子与吞吐型后台 kernel、数据预处理与模型推理等场景。单个 GPU 上多阶段工作流并存时，资源分配一直难以精细控制。
AWS Machine Learning BlogAI 评分2929 用 Amazon Bedrock AgentCore 评估多智能体系统的可解释性与有用性
亚马逊云科技展示如何用 Amazon Bedrock AgentCore Evaluations 评估多智能体供应链系统，内置评估器覆盖有用性、任务完成和指令遵循，自定义评估器可检查约束满足、路线可行性、SQL 正确性和解释质量。
AWS Machine Learning BlogAI 评分1212 如何在 Amazon Quick 中降级用户角色
Amazon Quick 控制台不提供从 Admin 或 Author 直接降级到 Reader 的路径，update-user API 也会报错拒绝。针对 Quick Identity 用户，可通过手动删除重建，或用 AWS CLI 按 Admin > Author > Restricted Reader > Reader 顺序逐级降级；Pro 用户中间步骤沿用旧角色即可完成降级。
AWS Machine Learning BlogAI 评分3737 LangChain 与 Amazon Bedrock Knowledge Bases 的智能体检索实践
Amazon Bedrock Managed Knowledge Bases 新增智能体检索，通过 AgenticRetrieveStream API 将复杂问题拆成子查询、循环判断证据是否充分并按需重搜，与单次混合搜索的 Retrieve API 形成两条路径。
AWS Machine Learning BlogAI 评分4343 在 Amazon SageMaker AI 上用多轮 RL 微调搜索智能体
在 Amazon SageMaker AI 上用多轮强化学习（MTRL）微调 Qwen3.6-27B 搜索智能体，训练数据来自 FRAMES、BRIGHT 和含 50 万+合成企业文档的 Enterprise RAG 数据集。
AWS Machine Learning BlogAI 评分4040 用 Amazon Bedrock AgentCore 为 Claude Desktop 添加安全 Web Search
通过 Amazon Bedrock AgentCore 的 AgentCore Gateway，可将 Claude Desktop 连接到由 Amazon 网页索引支持的 Web Search，突破模型训练知识截止限制。
AWS Machine Learning BlogAI 评分4242 用 Amazon Quick 与 Adjudicated Query 模式批量筛查数千份租约合规性
AWS 提出 Adjudicated Query 模式，让业务用户在 Amazon Quick 聊天界面提问，判定由确定性规则引擎完成，并生成"完整性回执"确保合规加违规加模糊加不可读等于已扫描。
GitHub Blog · AI & MLAI 评分2020 AI 正在改变开发者工作，GitHub 给出三项需要强化的技能
GitHub 提出 AI 时代开发者应强化三项技能：学会指挥 AI 智能体而非只使用 AI、不要轻信 AI 的第一次答案、用 AI 节省的时间去解决更大的问题。GitHub Copilot 内置的 Rubber Duck agent 会用第二个模型对计划、代码和测试进行批判性审查。开发者仍需负责最终结果，包括定义问题、评审 AI 生成的代码并决定哪些可以发布。