How GoDaddy transformed its analytics with Amazon Quick
在这篇文章中，您将了解GoDaddy如何从传统的商业智能（BI）工具迁移到Amazon Quick。这是一项为期两年的转型，在业务的各个方面都取得了成果：每年节省15,000小时，减少50%
Natera’s intelligent appointment scheduling with Amazon Bedrock AgentCore
了解Natera如何在Amazon Bedrock AgentCore上构建自动语音代理，让患者通过自然对话预约移动抽血服务。文章涵盖了双WebSocket桥接、事件驱动延迟掩蔽和渐进信任机制。
Preparing data for supervised fine-tuning Part 2: Advanced data strategies
监督微调数据准备的高级方面。本两篇系列的第二篇涵盖使用学习曲线评估数据就绪性、选择高价值数据子集、使用合成和蒸馏样本增强数据以及混合数据源。
Connect Amazon Bedrock AgentCore to cross-account knowledge bases
了解Amazon Bedrock AgentCore代理如何从一个账户中从另一个账户由Amazon Redshift Serverless支持的Amazon Bedrock知识库生成答案，而无需复制源数据。本文涵盖架构、安全边界……
Governed reports with Amazon Quick Desktop and Amazon FSx for NetApp ONTAP
使用Amazon Quick Desktop和Amazon FSx for NetApp ONTAP构建受治理的每周报告工作流。Amazon S3接入点将批准文件夹暴露给Quick知识库，自定义技能生成带引用的每周报告和Slack摘要。
AI-powered metadata correction and harmonization
元数据协调（标准化标签、标识符和格式，以便数据集可以协同工作）仍然主要是手动的。这篇文章展示了人工智能驱动的元数据校正在实践中如何工作，涵盖两种方法：人机交互验证和自主代理驱动的工作流程，以及生产部署的治理注意事项。
Agentic Data Operations Platform (ADOP): Data engineering into hours
代理数据操作平台 (ADOP) 是 Amazon Bedrock 上的一个参考架构，它使用专门的 AI 代理来自动化整个铜牌到银牌到金牌的数据管道生命周期，将新来源的加入时间从几周压缩到几小时，同时保持数据治理和合规性控制的内联。
Govern AI agent tool access with Amazon Bedrock AgentCore Gateway
为您的 AI 代理提供对企业工具的受管控、可审核的访问，而无需整合基础设施。本文介绍了使用 Amazon Bedrock AgentCore 构建受管工具网关的四范围成熟度模型（连接、控制、目录和强化），仅在真正的治理难题需要时才推进。
Reduce RAG costs on Amazon Bedrock with query-aware compression
输入令牌通常是大规模运行检索增强生成 (RAG) 成本的重要组成部分。本文介绍了 Amazon Bedrock 上的查询感知上下文压缩模式：检索后，较小的模型会在主模型回答之前根据查询过滤检索到的块，从而减少输入令牌和成本，同时保持答案质量。
Accelerating aircraft IFEC diagnostics with agentic AI on AWS
Panasonic Avionics 与 AWS 和 AWS Generative AI 创新中心合作，在 Amazon Bedrock、Amazon SageMaker 和 AWS Glue 上构建代理 AI 系统，用于诊断全球机队的机上娱乐和连接 (IFEC) 问题，将诊断时间从几小时缩短到几分钟，同时保持准确性。
Introducing cross-Region inference for OpenAI GPT-5.6 models on Amazon Bedrock
Amazon Bedrock 现已在超过 25 个 AWS 区域提供具有跨区域推理功能的 OpenAI GPT-5.6 模型（Sol、Terra 和 Luna）。了解美国地理和全球推理配置文件如何路由更高吞吐量的请求、如何使用 OpenAI 和 Converse API 调用模型，以及如何配置 IAM、配额和监控。
医疗保健、零售和生命科学团队在 Snowflake 中存储大量运营数据，但将其转化为预测非常困难。在本系列的第 1 部分中，您将使用 Amazon SageMaker Canvas 设置 AWS 账户和 Snowflake 环境以实现无代码 ML 工作流程，为无需编写代码即可构建欺诈检测模型奠定基础。
在这个无代码 ML 系列的第 2 部分中，您将 Amazon SageMaker Canvas 连接到 Snowflake，准备交易数据并将其与 Data Wrangler 可视化转换结合起来，并训练 XGBoost 欺诈检测模型。所有这些都无需编写机器学习代码，为第 3 部分中的交互式仪表板奠定了基础。
在这个无代码 ML 系列的第 3 部分中，您将实现欺诈检测预测。将您的 Amazon SageMaker Canvas 预测导入 Amazon Quick Sight，构建交互式仪表板，使用生成式 BI 以自然语言回答问题，并为利益相关者发布 AI 生成的执行摘要。
Authoring Dogwood policies from natural language in Amazon Bedrock AgentCore
AI 代理可能会采取与您组织的策略不相符的操作。 Amazon Bedrock AgentCore 中的策略允许团队跨代理实施控制，现在包括基于时间的约束。这篇文章通过有效的示例和最佳实践展示了策略编写如何将自然语言策略文档转变为正确的山茱萸策略。
Scaling agentic AI: Enterprise patterns without vendor lock-in
在整个企业范围内扩展代理 AI 需要能够保持灵活性同时避免供应商锁定的模式。在多智能体系列的第二篇文章中，我们研究了机器学习团队如何在框架、模型和提供者的多元环境中操作许多智能体人工智能系统，以及让这些系统一起扩展的原则。
Scaling cloud migrations with agentic AI on Amazon Bedrock AgentCore
了解 AWS Professional Services 如何使用基于 Amazon Bedrock AgentCore 构建的多代理框架来自动执行端到端企业云迁移。专门构建的 AI 代理可以处理发现、基础设施即代码生成、投资组合治理和迁移后操作，从而将 IaC 开发时间从几周缩短到几分钟。
AWS vector solutions: Build agentic AI where your data lives
AWS 提供广泛的矢量搜索产品组合，直接内置于您已使用的数据库和存储服务中，无需独立的矢量数据库或数据迁移。这篇文章涵盖了六种专用服务、用于选择正确引擎的决策框架以及每种服务的客户证明点。
