灾难恢复在超大规模环境下是一项艰巨挑战。当数千个微服务横跨多个 AWS 区域时，协调可靠的故障转移成为重大运维难题。**Intuit** 正是处于这样的规模，其产品（如 TurboTax、QuickBooks、Mailchimp 和 Credit Karma）支撑着数百万用户的业务与财务。 Intuit 构建了名为 **EWOK Agent** 的智能体，基于 Amazon Bedrock 打造，作为其现有集中式灾难恢复系统 EWOK 的智能决策层。EWOK 通过 YAML 声明式配置，将受支持工作负载的恢复时间从数小时缩短至约 20 分钟，但决策环节仍依赖值班工程师的经验。 EWOK Agent 解决了这一痛点。它利用 Amazon Bedrock 提供的数百种基础模型，通过统一 API 进行模型评估与切换，并内置 Guardrails 和安全保护，确保在金融生产环境中的合规性。该智能体以插件形式交付，工程师可直接安装并执行故障转移。 在八个月的内部使用中，EWOK Agent 已成功应对大量故障转移场景。例如，在变更冻结窗口期间，若收到故障转移请求，智能体能够理解紧急覆盖流程，指导工程师合规操作。这种将 AI 与现有运维体系结合的方式，显著降低了运维门槛，提升了响应速度。 Intuit 通过 Amazon Bedrock 实现了智能决策与执行的无缝集成，无需自行管理模型基础设施。这为大型企业提供了灾难恢复智能化的新范式，展示了生成式 AI 在关键任务系统中的价值。
工程团队在采用 AI 驱动开发生命周期（AI-DLC）时，常面临从概念到代码的鸿沟。本文通过两个基于 Amazon Bedrock AgentCore 的参考实现，展示了如何将 AI-DLC 的构建阶段落地。 ## 背景 Amazon Bedrock AgentCore 是一项用于大规模构建、连接和优化智能体的服务，支持任意框架或模型。AI-DLC 将 AI 定位为软件开发全生命周期中的核心协作者，处理常规执行任务，而人类保留对关键决策的监督。 ## 两个参考实现 本文介绍的两个参考实现，分别针对 AI-DLC 构建阶段的不同模式： - **自动生成工件**：智能体接收结构化输入（如 SQL 模式文件），制定详细计划，生成输出（如 Mermaid ER 图），并存储结果供人工审核。 - **持续代码质量保障**：一个多智能体系统分析 CI/CD 流水线中的代码，生成安全评估、CVE 检查和策略合规报告，为人工决策提供依据。 ### 实现一：SQL 转 ER 图生成器 该实现利用 AgentCore 运行时（AgentCore runtime）的能力，从 SQL 模式自动生成实体关系图。它展示了智能体如何根据输入文件制定计划，并产出可视化图表，减少手动建模的时间。 ### 实现二：多智能体代码安全分析器 该实现采用多智能体架构，使用 AgentCore Gateway 和 AgentCore Memory，并集成外部工具。它能够对代码进行自动化安全审查，生成报告供开发团队参考，同时保持人工监督。 ## 架构与设计要点 两个系统均基于 AgentCore 构建，展示了如何从模块化、可管理的组件组合出 AI 驱动的工作流。关键设计包括： - **人工参与**：在关键决策点保留人工审核环节，确保治理。 - **工具集成**：通过外部工具扩展智能体能力。 - **记忆机制**：利用 AgentCore Memory 存储上下文，提升智能体的连贯性。 ## 总结 这两个参考实现提供了完整的部署指南，链接在各自的 GitHub 仓库中。它们不仅填补了 AI-DLC 理论与实际代码之间的空白，还为企业采用 AI 驱动开发提供了可复用的模式。通过将 AI 用于自动化工件生成和代码质量保障，团队可以加速交付，同时保持对关键流程的控制。
**生产环境中的智能体远不止笔记本里的原型。** 当真实用户接入后，你需要处理与智能体推理无关的运维负担：会话隔离、跨轮次状态管理、工具认证、系统补丁等。本文以 LangGraph 客户支持智能体为例，展示如何分两阶段迁移至 Amazon Bedrock AgentCore，从而托管运行时、网关、内存及模型驱动的规划，显著降低运维成本。 ## 迁移前的现实 在笔记本中运行的智能体并非生产就绪。一旦上线，你需处理十个运维负担，例如确保不同用户的会话数据隔离、跨天保持状态、为每个工具调用管理认证，以及定期修补底层操作系统。即便你的模型调用已指向 Amazon Bedrock，这并非决定性优势——真正的工作在于将整个智能体托管化。 ## 两阶段迁移路径 **阶段一：接入 AgentCore 运行时、网关与内存** 保持 LangGraph 图结构不变，将智能体部署到 AgentCore 的 Runtime（通过 `BedrockAgentCoreApp` 和 `@app.entrypoint` 函数），利用 Gateway 管理 API 调用，Memory 服务处理会话状态持久化。此阶段即可获得托管的基础设施，减少对自建容器和 Web 服务器的依赖。 **阶段二：采用 Strands Agents 实现模型驱动规划** 将原有 LangGraph 循环重构为基于模型的规划流程，利用 Strands Agents 的 `Agent(model=..., tools=...)` 结构，自动决定执行步骤。此阶段进一步简化代码，使智能体更灵活地应对复杂查询。 **阶段三：AgentCore 托管编排** 若需更高级的自动化，可将编排逻辑交由 AgentCore harness 处理，该功能已有文档说明，无需自行构建。 ## 生产环境的安全加固 无论停在哪个阶段，都应集成 Amazon Bedrock Guardrails，以过滤有害内容、验证响应与源文档的一致性，并阻止提示注入攻击。这些控制措施适用于任何智能体，是生产环境的必备保障。 ## 迁移收益与考量 迁移后，你不再需要操心基础设施的补丁、扩展和状态管理，可将精力集中于智能体的核心逻辑。然而，若你的模型调用来自 OpenAI 或 Anthropic，需在阶段 0 调整构造函数以接入 Bedrock。迁移过程本身边界清晰，仅涉及四个核心构造，但运维简化带来的长期收益显著。 总之，AgentCore 为智能体生产化提供了一条平滑路径，从托管的基础设施到智能的规划能力，分阶段迁移降低了风险，让你逐步摆脱运维负担。
澳大利亚的开发者们迎来了一个好消息：现在可以通过 **Amazon Bedrock** 的全球跨区域推理功能，从悉尼（亚太地区）和墨尔本（亚太地区）区域访问最新的 **OpenAI GPT-5.6** 系列模型，包括 **Sol**、**Terra** 和 **Luna**。这标志着 AWS 在扩展其 AI 服务覆盖范围上又迈出了一步，让澳大利亚的团队能够更便捷地使用前沿模型，而无需自行管理复杂的跨区域路由。 ### 模型定位与能力 - **GPT-5.6 Sol**：适合高要求的推理、编码和智能体工作负载，提供最强的性能。 - **GPT-5.6 Terra**：在性能和成本之间取得平衡，适用于日常生产环境。 - **GPT-5.6 Luna**：针对高吞吐量和延迟敏感型应用，提供快速且经济的推理服务。 这三款模型均支持文本和图像输入，可生成文本，并支持高达 **100 万 token** 的上下文窗口，为处理长文档、复杂对话等场景提供了强大的基础。 ### 使用方式与配置 借助 Amazon Bedrock Runtime 端点，开发者可以从悉尼或墨尔本区域通过 **Responses API**、**Chat Completions API** 和 **Converse API** 调用这些模型。AWS 提供了清晰的全球推理配置文件（例如 `global.openai.gpt-5.6-sol`），帮助用户轻松指定所需模型和源区域。 为确保最佳实践，AWS 建议开发者： - 使用 **提示缓存** 优化推理成本，减少重复计算开销。 - 通过 **OpenID Connect (OIDC)** 设置 Codex 认证，增强安全性。 - 利用 **Amazon CloudWatch** 和 **Coding Agent Insights** 监控模型使用情况，以便进行成本控制和性能调优。 ### 部署前注意事项 在开始之前，用户需要确保 AWS 账户已启用悉尼或墨尔本作为源区域，并检查服务控制策略（SCP）是否允许使用这些全球推理配置文件。此外，还需要配置具有相应权限的 IAM 角色或用户，并满足 Python 3.9 或更高版本的环境要求。 值得注意的是，全球推理配置文件会将请求路由到支持商业 AWS 区域，从而提供更广泛的容量池，但具体可用性和模型支持可能会变化，建议在部署前查阅最新的跨区域推理支持文档。 ### 行业意义 此次更新不仅简化了澳大利亚团队访问 OpenAI 模型的流程，也反映了 **AWS 在 AI 基础设施上的持续投入**，旨在为客户提供更灵活、更具弹性的模型访问方式。通过全球跨区域推理，企业可以突破地域限制，充分利用 AWS 全球网络的优势，加速 AI 应用的创新与落地。对于在澳大利亚运营的科技公司而言，这无疑是一个令人兴奋的进展。
在支持运营领域，团队常面临工单量激增、SLA压力、知识分散等挑战。AWS近期发布了一套基于生成式AI的解决方案，旨在通过自动化SOP生成、RAG引导工单处理和ML预测SLA风险，实现运营现代化与规模化。 ## 挑战：知识碎片化与流程低效 企业支持团队通常依赖大量SOP文档，但这些文档常按需编写，缺乏系统视角，导致知识分散在不同团队和工具中。分析师需要花费大量时间搜索指导，而非解决问题。这种低效不仅拖慢工单处理，还影响决策的前瞻性。 ## 方案：三管齐下的AI架构 AWS提出的架构包含三个核心模块： - **视频到SOP自动生成**：利用生成式AI将培训视频转化为结构化的SOP，减少人工编写文档的时间，确保知识的系统化沉淀。 - **RAG驱动的工单引导**：通过检索增强生成，在工单处理过程中实时提供相关SOP和知识，帮助分析师快速定位解决方案。 - **ML预测SLA风险**：使用机器学习模型分析工单数据，预测可能违反SLA的工单，并优化工作分配，提前干预风险。 此外，方案还通过agentic workflows自动化标签、评论、状态更新等重复性操作，同时保留人工审核环节，确保准确性和可控性。 ## 适用场景与行业扩展 该方案不仅适用于IT支持，还可扩展至金融服务、医疗、物流、制造和能源等行业。例如，在金融领域可用于合规审批流程，在医疗领域可用于患者服务工单处理。 ## 小结 AWS强调，该方案并非孤立优化单个工单或文档，而是从流程层面提升整体运营效率。通过AI捕获知识、辅助决策并预测风险，团队可以在不增加人力的情况下应对增长。这一思路为支持运营的现代化提供了可借鉴的路径。
商业智能（BI）仪表板可能静默失败，显示空白、过期或错误的数据，即使所有基础设施监控都报告正常。本文介绍了AWS团队如何构建一个基于Amazon Bedrock的自动化AI驱动内容验证解决方案，该方案同时扫描数百个仪表板并提醒所有者，将平均检测时间从数天缩短至不到一小时。 ## 内容层监控的缺口 传统基础设施监控确保服务运行和API响应，但健康的基础设施并不能保证用户看到的内容是正确的。这种缺口表现为两种不同的问题：静默视觉故障（如空白图表）和数字不一致（如数据错误）。这些故障对用户可见，但传统监控无法捕捉，通常依赖用户报告，而用户报告率不足1%。 ## 五阶段无服务器验证架构 该解决方案采用五阶段无服务器架构，基于AWS托管服务构建。它同时扫描AWS Insights应用程序（由Amazon QuickSight支持）托管的数百个仪表板，检测缺失或错误的元素。架构包括： - 定期触发扫描 - 捕获仪表板截图 - 使用Amazon Bedrock上的大语言模型（LLM）进行视觉分析 - 验证数字一致性 - 实时提醒构建者 ## 两种并行的AI验证机制 解决方案采用两种并行的AI验证机制，基于相同设计原则：一种用于视觉完整性，另一种用于数字一致性。视觉完整性检查通过分析截图来识别空白或渲染错误的图表；数字一致性检查则验证数据值是否在预期范围内或与源数据匹配。 ## 生产工程经验 在生产环境中，设计时要考虑防止误报，并让LLM远离算术运算。LLM擅长视觉和语义理解，但不适合精确计算，因此数字验证采用独立逻辑或工具，而LLM仅用于判断视觉和上下文的合理性。 ## 结论 该解决方案将平均检测时间从最多72小时缩短至不到1小时，显著提高了仪表板内容的可靠性。随着组织将仪表板数据馈送给AI系统以生成业务报告，内容层验证变得至关重要。AWS团队的经验表明，AI驱动的视觉和语义验证可以弥补传统监控的不足，确保用户看到的内容准确无误。
架构文档一直是软件开发中的顽疾：代码日新月异，而文档却常常滞后数周甚至数月，导致知识孤岛、新员工上手缓慢，并埋下合规隐患。如今，一家全球银行间经纪商借助 **Amazon Bedrock AgentCore** 构建了一套自动化的架构文档流水线，将代码分析、图表生成与知识库检索无缝集成，让文档与代码同步演进。 ## 痛点：文档为何总是“掉队”？ 传统架构文档的维护成本极高。开发人员需要手动绘制 UML 或 Mermaid 图表，但代码库的持续变更让这些图表迅速过时。团队知识往往依赖个别成员的经验，一旦人员流动，系统便成为“黑箱”。此外，安全审计往往要求提供最新的架构图，过时的文档可能拖延认证进程，甚至带来合规风险。在微服务架构中，这些挑战愈发严峻，服务数量激增使得手动维护几乎不可能。 ## 方案：AgentCore 驱动的自动化流水线 该解决方案的核心是 **Amazon Bedrock AgentCore**，一个支持任意框架和模型、可规模化构建与优化智能体的平台。整个流水线依托 AgentCore 编排智能体，自动完成以下环节： - **代码分析**：智能体深度扫描 .NET 代码库，提取类、方法、依赖关系等关键信息。 - **架构图生成**：基于分析结果，自动生成 UML 或 Mermaid 格式的架构图，并支持迭代修正，确保准确性。 - **知识库构建**：通过 **Amazon Bedrock Knowledge Bases** 建立语义搜索能力，让开发人员能够用自然语言检索架构决策与组件关系。 - **持续部署**：集成 **AWS CodePipeline**，每当代码变更时自动触发文档更新，实现文档与代码的同步演进。 ## 生产实践：全球银行间经纪商的验证 该方案已在金融服务领域落地。一家全球银行间经纪商将其部署于电子交易平台，自 **2026 年第一季度** 起投入生产，成功维护了平台架构文档的实时性。这一实践表明，智能体驱动的自动化文档不仅可行，而且能显著降低人工成本，提升文档的时效性与可信度。 ## 价值与展望 AgentCore 的方法论为架构文档提供了新的范式：从“人工绘制”转向“智能生成”，从“静态快照”变为“活文档”。这不仅提升了开发效率，还加强了团队协作与审计合规能力。随着智能体技术的成熟，类似的自动化方案有望在更多行业普及，让技术文档真正成为开发流程的有机组成部分。
**Trinity** 是一款由 University Startups 开发的对话式 AI 解决方案，旨在帮助残疾学生自主规划中学后生活。该平台已在美国多个州投入使用，并开始拓展至国际市场。为应对规模扩大带来的挑战，University Startups 与 AWS 合作伙伴 g/d/n/a 合作，在 Amazon Bedrock 上构建了无服务器多智能体架构，以高效生成符合《残疾人教育法案》（IDEA）的个性化过渡计划。 ## 从静态表格到智能对话 传统上，制定个性化教育计划（IEP）需要家长、教师和专家共同填写静态表格，流程繁琐且缺乏个性化。Trinity 则让学生直接与 AI 对话，通过自然交互探索兴趣、优势和目标，最终生成量身定制的过渡计划。这种对话式方法不仅提升了学生的参与度，还使计划更贴合个人需求。 ## 规模化挑战与应对 随着数十个学区相继接入，Trinity 的初始架构面临复杂性激增的问题。过渡规划受 IDEA 联邦法规严格监管，涉及中学后教育、就业、独立生活和社区参与等多维度目标设定。AI 系统必须确保准确性、情境感知、法律合规，并兼顾不同能力学生的可访问性。为此，University Startups 与 g/d/n/a 合作，将 Trinity 升级为基于 Amazon Bedrock 的无服务器多智能体架构。该架构支持灵活扩展，同时保证高可用性和安全性，能够高效处理大量并发对话。 ## 早期成果与未来展望 上线第一年内，Trinity 已服务了美国超过 12 个州的教育者和学生，并已启动向沙特阿拉伯和科威特的国际扩张。University Startups 成立于 2020 年，其核心理念是：残疾学生理应获得清晰、个性化的未来发展路径。未来，团队计划继续优化 AI 模型，并探索更多应用场景，以赋能更多学生。 *（本文基于 AWS 机器学习博客文章编写，部分细节未在原文中详述。）*
**Anthropic 的最新模型 Claude Fable 5.1 现已正式登陆 Amazon Bedrock 和 Claude Platform on AWS**。作为 Fable 5 的升级版本，它在复杂推理、智能体编码、自主操作和科学计算等领域实现了显著提升，同时引入了企业级前沿安全防护，为在云环境中处理敏感数据的企业提供更安全的 AI 部署选项。 ## 更强大的推理与自主能力 根据 Anthropic 的测试，**Fable 5.1 在竞赛数学、研究生水平的工程与科学问题，以及需要高可靠性的多步推理任务上，表现明显优于前代**。在实际应用中，这意味着它能更好地处理模糊任务，并减少错误的自信回答。 在**智能体编码**方面，Fable 5.1 能够独立承担整个项目的开发，包括跨代码库的功能实现、代码审查和性能优化，甚至能持续工作数小时。它变得更加诚实——遇到困难时会主动说明，而不会为了通过测试而禁用失败的用例。 在**自主操作**上，它专为跨多个应用、持续数小时的任务设计，能够自行规划、调用所需工具，并在步骤失败时自动恢复，同时保持用户知情。 ## 面向知识工作与科研的升级 对于**端到端的知识工作**，Fable 5.1 可以从最初的问题出发，逐步完成研究、数据整理、报告撰写，并在过程中自行核对数据准确性。这使其尤其适用于金融、会计和医疗保健等日常业务场景。 在**科学研究**方面，它支持从文献调研、提出假设，到构建模型、设计实验和形式化验证的完整研究流程。此外，**可用性也得到了改善**：它在长任务中会持续更新进度，写作更清晰，也更严格地遵循指令。 ## 企业级前沿安全防护 由于 Fable 5.1 被 Anthropic 指定为 **Covered Model**，它在所有提供区域都适用额外的数据保留、安全审查和访问策略。与此同时，Anthropic 还推出了 **Enterprise Frontier Safeguards**，允许客户在自主控制的云基础设施中部署最强模型，同时确保数据安全。这一方案在 Amazon Bedrock 上的具体实现，为企业提供了更多安全选择。 ## 如何在 Amazon Bedrock 上使用 开发者现在可以通过 Amazon Bedrock 调用 Claude Fable 5.1，构建更复杂的 AI 应用。无论是代码生成、数据分析，还是自动化工作流，Fable 5.1 都提供了更强的性能和更可靠的表现。对于有严格数据合规要求的企业，Enterprise Frontier Safeguards 则提供了更灵活且安全的部署方案。 随着 AI 模型在复杂任务中的能力不断增强，如何平衡性能与数据安全成为企业关注的重点。Claude Fable 5.1 的发布，展示了 Anthropic 在这两方面的探索，也为行业树立了新的标杆。
Atos 与 AWS 合作，通过为期三天的 AI League 活动，让 400 名工程师从零基础或有限经验，快速上手构建多智能体系统。这一实践导向的培训模式，不仅提升了工程师的技能，也为企业 AI 转型提供了新思路。 ## 背景：理论培训的局限 Atos 在推进 Agentic AI 战略时，面临一个常见难题：如何让工程师不仅理解理论，更能实际应用。传统的在线课程和课堂教学，虽然能打下基础，却难以让团队获得足够的信心和实践经验，以应对真实业务中的 AI 问题。 ## AI League：实践出真知 为此，Atos 与 AWS 合作，在 2026 年举办了 Agentic AI League 活动。为期三天的密集训练中，工程师们从有限的动手经验，逐步发展到能够构建带有路径规划、防护栏、记忆和微调模型的多智能体系统。活动通过实时排行榜激励竞争，评分标准兼顾性能与效率。 ## 参与者背景差异显著 参与者的技能水平差异很大：5% 对 Agentic AI 完全不了解，25% 仅有基本认知，50% 理解概念但无实际操作经验，20% 已有相关实践经验。这种多样性也验证了活动设计的包容性——无论基础如何，都能在实战中快速成长。 ## 为什么选择 AI League 形式？ Atos 志在建设全球多个主权 Agentic AI 工作室，需要快速提升工程团队的实战能力。AI League 相比传统培训优势明显： - **即时应用**：工程师直接构建可运行的 Agentic 系统，而非纸上谈兵。 - **竞争激励**：排行榜带来紧迫感和参与度，远胜于被动学习。 - **真实工具**：全程使用 AWS 原生服务，确保所学即所用。 ## 企业启示 对于计划开展类似 AI 赋能的企业，Atos 的经验表明：动手实践是技能转化的关键。短周期、高强度的实战训练，配合竞争机制，能有效激发学习热情，并加速 AI 技术在组织内的落地。
随着生成式AI的规模化采用，成本治理成为首要挑战。Jamf通过IAM客户管理策略、Amazon Athena成本视图和无服务器Lambda循环，为Amazon Bedrock构建了实时、按用户的支出控制，在不中断活跃会话的情况下应用分层模型限制。本文深入解析其架构与实现，为AI成本治理提供可复用的生产级模式。
Amazon Quick 的概念验证（POC）项目往往在小型试点团队中进展顺利，但当安全和合规团队审查生产计划时，项目常常会停滞不前。一个适用于十名试点用户的权限模型，在扩展到五个部门时往往就会失效。Agents 可能会返回其预期范围之外的数据，合规团队也难以审计数据集、Agents 和 Spaces 之间的关联。Amazon Quick 将仪表板、Chat Agents、Flows 和 Spaces 与知识库相结合，每种功能都引入了标准仪表板控制无法覆盖的安全面。本文以 AnyCompany 场景为例，介绍如何设计仪表板、Spaces、知识库、Agents 和 Flows，并确保安全控制能够随着用户和部门的增加而保持有效。文章涵盖四种模式：数据集整形、Agent 隔离、文档分类和审批门控，并提供了治理框架和生产就绪检查清单。 ### 场景概述 假设 AnyCompany 有 5,000 名员工、5 个部门和 5 个地点，三类受众需要不同级别的相同数据： - **HR 领导层**：需要完整的员工数据，包括薪资和流失风险。 - **部门经理**：只需自己团队的运营指标。 - **全体员工**：可访问公司政策和匿名化趋势。 如果仅依赖权限控制，将所有数据暴露给三类受众，极易出现配置错误。 ### 解决方案概览 该方案将一份源数据集整形为三个符合授权级别的视图，并为每个视图连接一个专用 Agent。同时，为每个受众发布对应的仪表板，将 Spaces 范围限定为内容所有权，并通过带有“人在环”控制的 Flow 来门控出站操作。 - **HR 领导仪表板**：提供全员工可见性，包括薪资、流失风险和职位级别细分。 - **部门经理仪表板**：通过行级安全（RLS）将操作指标限定在单个部门内，移除敏感列，每位经理只能看到自己部门的员工。 - **公司趋势仪表板**：提供匿名化趋势和政策信息。 ### 四种安全模式 #### 数据集整形 通过创建视图或数据集副本，仅保留特定受众所需的列和行，从而减少敏感数据暴露面。例如，部门经理视图不包含薪资列，并应用 RLS 过滤行。 #### Agent 隔离 每个 Agent 仅连接到为其受众整形后的数据集或知识库。Agent 的系统提示和防护栏进一步限制其行为，确保其不会跨出预期范围。 #### 文档分类 在将文档添加到知识库之前，根据敏感级别（如公开、内部、机密）进行分类，并设置相应的访问策略。 #### 审批门控 通过 Flow 实现人工审批环节，例如当 Agent 尝试访问高权限数据或执行出站操作时，需要指定审批人批准。 ### 治理框架 建立跨职能团队（包括安全、合规、数据所有者和 IT）来定义数据所有权、访问策略和审计流程。定期审查权限和日志，确保合规。 ### 生产就绪检查清单 - 所有数据集是否已整形并应用 RLS？ - 每个 Agent 是否仅连接至授权数据源？ - 文档分类是否已实施并验证？ - 审批门控是否覆盖高风险操作？ - 是否建立了监控和审计机制？ 通过从 POC 阶段就融入这些安全控制，企业可以顺利将 Amazon Quick 扩展到全组织，同时满足安全与合规要求。
在 AI 代理（Agent）自主执行任务日益普及的今天，一个关键难题是如何让代理安全地进行支付。t54 公司通过结合 Amazon Bedrock AgentCore 的支付能力，构建了一个名为 x402-secure 的信任层，已成功处理超过 2000 万笔由代理发起的交易，全程无需人工审批。每笔交易金额介于 0.001 至 0.01 美元之间，属于高频小额支付，人工审核完全不可行。 ## 问题的核心：给代理钱包容易，治理难 t54 的客户部署的代理系统需要自主付费调用第三方服务。例如，金融服务团队运行的代理系统需实时监控股票投资组合，并从付费 API 获取市场数据。简单给代理一个钱包很容易，但难点在于治理：如何防止单一配置错误的循环耗尽账户？如何隔离凭证，让代理永不接触原始密钥？如何审计每笔交易以满足合规要求？这些挑战在多个代理调用数百个端点时尤为突出。 ## 解决方案：支付基础设施 + 信任智能 Amazon Bedrock AgentCore 支付提供了会话级消费限额、凭证保管和多提供商支持等基础设施。而 t54 的 x402-secure 则负责信任智能——实时评估每个端点，决定哪些可以安全支付。两者结合，为团队提供了无需定制集成即可实现的受治理代理支付。 ## 实际效果：无人工干预的规模化管理 通过这种双层架构，t54 已安全处理超过 2000 万笔代理交易，实现了真正的无人值守自动化。这不仅降低了运营成本，还避免了人工审核带来的延迟和错误。 ## 行业启示：代理支付治理的范式转变 t54 的案例展示了代理支付治理的可行路径：将支付执行与信任评估分离，利用云服务商的基础设施能力，结合专业信任层的智能判断。随着代理系统在各行业的普及，这种模式有望成为标准实践，让自动化支付既高效又安全。
在受监管行业中，组织往往面临一个持续存在的矛盾：既要赋予开发者进行临时分析的灵活性，又要严格锁定环境以满足合规要求。ZS Associates通过构建一个基于Amazon SageMaker的安全强化平台，成功平衡了开发者敏捷性与严格治理，目前该平台已服务超过1000名日常活跃用户，覆盖200多个SageMaker域。 ## 构建医疗级ML平台 ZS选择Amazon SageMaker Studio作为企业ML运营的基础，并集成了一套全面的安全框架，将独特的安全标准直接融入开发者体验中。这种方法使得整个组织的数据科学家和分析师能够访问ML能力，同时保持对医疗行业要求的合规性。 该解决方案默认在无互联网模式下运行，通过Amazon VPC端点实现与所需AWS服务的受控通信。对于包管理，ZS集成了JFrog Artifactory，具备向上仓库链接和实时包扫描功能，以防止未经授权或被篡改的代码进入环境。 ## 技术架构 平台采用多租户架构，每个租户拥有独立的Amazon SageMaker域，每个域都维护隔离的Amazon EFS卷、不同的IAM角色和可控制的网络设置。这种设计提供了强隔离性，支持细粒度的成本跟踪和访问控制。 ZS实现了三层IAM角色结构：域执行角色作为用户默认角色，Studio用户角色覆盖域默认值以实现细粒度控制，空间执行角色管理共享工作区。这一层级结构在整个平台中应用了最小权限原则，并保持了操作灵活性。 在数据保护方面，团队启用了AWS KMS加密，确保数据在静态和传输过程中都得到保护。 ## 业务影响与经验 通过这一平台，ZS显著降低了ML项目启动的摩擦，将新项目环境的搭建时间从数周缩短至数天。同时，安全治理的自动化减少了合规审计的负担，使团队能够更专注于核心分析工作。 ZS的经验表明，在受监管行业中，安全与敏捷并非不可兼得。通过将安全控制嵌入平台架构和开发者工作流，组织可以既保持创新速度，又满足严格的合规要求。 对于其他面临类似挑战的组织，ZS建议从清晰的IAM策略和网络隔离开始，逐步扩展安全功能，并确保开发者体验始终是设计核心。
对于企业开发团队而言，文档编写与维护始终是技术债务的主要来源之一，尤其是在涉及多个企业应用和数据源的复杂集成工作流中。Boomi 推出的 **Boomi Scribe** 正是为解决这一痛点而生——这是一款运行在 AWS 上的 AI 智能体，能够自动生成详尽的集成流程文档，并支持版本对比，从而显著减轻开发者的负担。 ## 从手动到自动：告别文档之痛 过去，记录集成工作流（即自动化业务流程）的文档完全依赖人工，耗时且极易出错。随着流程版本迭代，手动更新文档不仅效率低下，还容易遗漏关键变更，导致团队协作时产生误解，甚至引发返工。更关键的是，缺乏准确文档会为审计和合规留下隐患。 Boomi Scribe 的核心理念，是将这些流程表示为 **有向无环图（DAG）**，每个节点对应工作流中的一个具体步骤，如数据获取、转换、路由和交付。AI 智能体能够解析这些 DAG，自动生成结构清晰、内容准确的文档，让流程对所有相关方透明可读。 ## 技术栈：多方协同的 AWS 架构 Boomi Scribe 的实现依托于多项 AWS AI/ML 服务，包括 **Amazon Bedrock**（搭配 Claude 模型）、**Amazon SageMaker AI**、**Amazon S3**、**Amazon DynamoDB** 和 **AWS Lambda**。这种组合架构支持高并发解析、文档生成和版本对比，能够弹性扩展以应对大规模流程处理需求。 ## 不止于文档：智能洞察与版本对比 除了自动生成文档，Boomi Scribe 还提供**具体的洞察和版本对比功能**。开发者可以直观地看到不同版本组件之间的差异，从而更高效地进行规划、沟通和变更管理。这对于团队协作、项目交接以及满足业务和合规要求都至关重要。 ## 实际价值：提升效率，降低风险 通过自动化文档流程，Boomi Scribe 不仅释放了开发者的生产力，还确保了文档的准确性和一致性。在快速迭代的集成开发环境中，这种能力正在成为企业保持敏捷和合规的关键支撑。
**Amazon Quick 现已支持通过 AgentCore Runtime 托管 MCP 服务器，实现 AI 工具的无缝集成。** Model Context Protocol（MCP）服务器为 AI 模型提供访问外部数据和工具的标准方式，支持文件、数据库和 API 的安全访问。通过 MCP，AI 代理可以执行真实世界任务，减少幻觉，并提供多轮对话能力。Amazon Quick 现已集成 MCP，支持自主执行、实时数据访问和专用 AI 子代理。 ## 集成选项 根据您的需求，AWS 提供多种集成方案： - **现有 REST API**：可直接通过 Amazon Bedrock AgentCore Gateway 集成。 - **无服务器架构**：使用 AWS Lambda 函数，通过 AgentCore Gateway 连接。 - **全托管方案**：使用 AgentCore Runtime 托管 MCP 服务器，提供会话隔离、扩展执行时间、持久文件系统、内置认证、可观测性、增强负载、双向流和评估等功能。 ## 核心优势 采用 AgentCore Runtime 模式可**促进工具重用，避免重复开发**。您的客户无需为每个用例构建自定义连接器，即可在 Amazon Quick 的聊天代理和 Flows 中使用您的产品。 ## 实施步骤 要连接 MCP 服务器到 Amazon Quick，您需要： 1. **部署 MCP 服务器**到 AgentCore Runtime。 2. **配置 AgentCore Gateway** 以建立连接。 3. **在 Amazon Quick 中**启用 MCP 集成。 具体前置条件包括：AWS 账户、必要的 IAM 权限，以及已部署的 MCP 服务器。 ## 总结 通过将 MCP 服务器与 Amazon Quick 集成，您能构建更强大的 AI 代理，同时保持标准化和安全性。这一模式特别适合需要复用现有 AI 工具的企业，能显著降低集成成本。
**AWS 在 Forrester Wave AI 基础设施解决方案评估中被评为领导者**，并在战略类别中斩获最高分。这一认可凸显了其在 AI 基础设施领域的综合实力。 ## 评估背景 随着 AI 采用加速，基础设施需支撑从训练到推理的全生命周期。Forrester 认为，成功的 AI 基础设施需具备： - **工作负载特定架构**：针对训练、微调和推理定制，而非通用计算。 - **工程效率**：计算、网络、存储和编排的协同设计，最大化利用率。 - **可持续性与灵活性**：解决功耗、散热问题，避免供应商锁定。 ## 评估亮点 本次评估涵盖 13 家提供商，AWS 在 16 项标准中获得满分（5.00），包括： - **当前产品**：架构、生态系统、数据管理、开发、运维、容错、效率、安全、可扩展性。 - **战略**：愿景、创新、路线图、合作伙伴生态、定价灵活性与透明度。 ## AWS 的 AI 基础设施策略 AWS 的策略核心是**客户选择与成本效率**，同时提供自研芯片（AWS Inferentia 和 Trainium）和 NVIDIA GPU 实例，让客户按需匹配计算资源，避免锁定。Forrester 报告指出，AWS 的愿景是提供专有加速器和 NVIDIA GPU 的双轨选项，其定制硅片在主流任务中性能强劲，而 NVIDIA 满足高端需求，路线图显示将持续投资硅片开发，并与 Amazon SageMaker 等服务深度集成。 ## 行业意义 这一认可不仅是对 AWS 技术实力的肯定，也反映了 AI 基础设施市场对**灵活性**和**成本效益**的重视。对于企业而言，选择 AI 基础设施时，需权衡性能、成本与生态，而 AWS 的多样化选项提供了更多可能性。 ## 小结 AWS 在 Forrester Wave 中的领导者地位，源于其全面的产品组合和清晰的战略。但企业决策者仍需根据自身工作负载特点，评估不同方案的适用性，以做出最优选择。
随着企业大规模采用 AI 代理（Agent）和工具，如何有效管理和治理这些资源成为新的挑战。AWS 近日宣布 **AWS Agent Registry 正式可用**，这是一个统一的、可搜索的、受治理的目录，用于组织内部的代理、工具、技能和自定义资源。本文将介绍该服务的核心功能、工作流程、企业级考量及未来展望。 ## 为什么企业需要注册中心？ 当组织规模化其代理式 AI 系统时，通常会遇到三大挑战： 1. **缺乏权威清单**：团队各自为政，缺乏统一的资源记录，导致重复建设、版本漂移和资源蔓延。 2. **跨团队发现困难**：优秀的工具和代理因无法被搜索而闲置，开发者倾向于重复造轮子，造成工程浪费。 3. **缺乏治理与审计**：无法追踪访问权限、安全审查状态及故障溯源，难以满足企业级合规要求。 AWS Agent Registry 旨在解决这些问题，提供一个集中、可搜索的目录，支持注册、发现和治理，并通过访问控制、生命周期跟踪和审批流程实现管控。 ## 核心功能与工作流程 **发布（Publishing）**：团队可以将代理、工具和技能注册到 Registry，并附带元数据（如所有者、版本、描述）。**策展（Curation）**：管理员可以设置审批流程，确保资源经过审查和合规检查。**发现（Discovery）**：开发者可以通过搜索和过滤快速找到所需资源，减少重复开发。 ## 企业级考量 对于大型企业，Registry 还提供了细粒度的访问控制（基于 AWS IAM）、审计日志以及生命周期管理（如标记废弃资源）。这些功能有助于满足内部治理和外部合规要求。 ## 未来展望 AWS 表示，Registry 将不断演进，未来可能集成更多 AI 能力，如自动元数据提取、智能推荐和跨账户同步等。 总之，AWS Agent Registry 为企业级 AI 代理和工具的管理提供了可靠的解决方案，有助于提升开发效率、降低运营成本，并加强治理与合规。
企业级智能体检索正在改变 RAG 应用的构建方式。本文介绍如何利用 Amazon Bedrock 托管知识库与 AgentCore 构建一个具备多知识库路由、引用回答和七层可观测性的解决方案，并通过单一 AWS CloudFormation 模板链完成部署。 ## 从单次检索到智能体检索 传统 RAG 应用通常只做单次检索，面对跨域问题或需要决策来源时力不从心。智能体检索则让模型具备推理能力：它先规划任务，再决定调用哪个知识库，迭代检索并生成带引用的答案。但这也带来了新的挑战——当推理与检索循环进行时，如何确保过程透明、结果可靠？ ## 核心架构：推理、路由与编排 该方案以 **Amazon Bedrock AgentCore** 为运行时，搭配 **托管知识库**。用户提问后，智能体自动规划，并通过网关（Gateway）在多个知识库（如财务、天气）间路由。每个知识库对应一个检索工具，智能体根据问题主题选择合适工具，整个过程由 OpenTelemetry 自动埋点，实现从首次调用即可观测的完整链路。 ## 七层可观测性与评估 可观测性是该方案的设计重点，共分七层： - **追踪**：每个推理与检索步骤的完整轨迹 - **指标**：延迟、成功率等关键性能指标 - **日志**：详细的操作日志便于排查 - **成本**：每次调用的费用追踪 - **引用验证**：确保答案正确引用来源 - **质量评估**：基于参考答案的自动评分 - **持续监控**：实时与周期性评估结合 此外，方案支持按需评估和持续评估两种模式，帮助企业随时掌握系统质量。 ## 一键部署：CloudFormation 链 所有资源（包括 S3 语料库、两个托管知识库、AgentCore 网关、运行时智能体以及可观测性组件）均通过一条 CloudFormation 模板链部署。这大大降低了企业落地门槛，使团队能快速复制和定制。 ## 总结 该方案展示了企业级智能体检索的实践路径：以托管服务简化基础设施，以内置可观测性保障运维可控。对于正在构建复杂 RAG 应用的团队，这种模式值得参考。
随着企业级 AI 应用的普及，多租户智能文档问答助手成为热门需求。用户上传合同、报告或产品手册后，希望立即或稍后针对这些文档提问。虽然对话界面本身构建简单，但背后的多租户智能检索系统却充满挑战。每个租户的文档必须严格隔离，这种隔离必须基于可信身份而非客户端传入的值。智能检索进一步加剧了复杂性：智能体将问题分解为多个子查询并执行多次检索，每一次都必须携带租户过滤条件，否则隔离将被破坏。此外，还需要向量与全文检索引擎、解析并嵌入多模态数据的摄取管道以及同步索引。对于想快速交付此功能的团队而言，这涉及大量基础设施的构建、安全与运维工作。 **Amazon Bedrock 托管知识库**可以减轻这些差异化负担。该服务管理摄取、存储、嵌入和排序，无需预置基础设施或监控容量。更重要的是，它内置了智能检索能力，通过迭代规划和多跳检索回答复杂问题，并在每次检索中遵循访问权限。借助自定义连接器直接摄取，应用可将文档直接发送至知识库，几秒内即可被检索到。 本文介绍基于 Amazon Bedrock 知识库构建的多租户智能文档聊天应用架构，涵盖文档摄取和对话检索两大流程，并详细说明异步索引生命周期、按用户数据隔离及大规模运维最佳实践。同时提供配套代码仓库，方便你在自己的账户中部署。 ### 解决方案概览 该方案解决了多租户文档聊天的核心挑战，提供每位用户上传文档并立即基于文档提问的体验，而无需团队自行构建检索栈和隔离逻辑。 ### 两大核心流程 1. **文档摄取流程**：用户上传文档后，应用通过自定义连接器将文档直接发送至知识库。知识库异步处理文档，包括解析、分块、嵌入，并更新索引。这一过程在几秒内完成，用户可快速基于新文档提问。 2. **对话检索流程**：用户提问时，智能体将问题分解为多个子查询，并在每次检索中应用租户过滤器。知识库的托管检索能力确保每次跳转都遵循访问权限，从而保证数据隔离。 ### 数据隔离与安全 数据隔离是核心设计点。系统通过验证用户身份（如 AWS IAM 或 Cognito）来获取租户上下文，而不是信任客户端发送的参数。这种设计防止了恶意绕过。 ### 异步索引生命周期 文档摄取是异步的，状态包括待处理、进行中、完成或失败。应用需要处理异步回调或轮询，以更新用户界面。 ### 最佳实践 - **监控与告警**：使用 CloudWatch 监控摄取失败率和检索延迟。 - **成本优化**：根据使用模式调整知识库容量，或使用自动扩展。 - **测试隔离**：定期进行安全测试，确保租户间无法越权访问。 ### 总结 Amazon Bedrock 托管知识库简化了多租户智能文档聊天应用的构建，让团队专注于应用逻辑，而非底层基础设施。通过内置的智能检索和严格的数据隔离，企业可以快速、安全地部署此类应用。 如需深入实践，可参考提供的代码仓库，在 AWS 账户中部署并体验完整流程。