Safely Releasing Frontier Models to Customers
我们的目标是让 AWS 成为运行任何工作负载的最安全的地方，为了支持这一目标，自 AWS 二十多年前成立以来，我们一直在整个服务的安全性方面进行深入投资。我们的 AI 服务（例如 Amazon Bedrock）建立在这个基础上，并具有相同的重点。
Introducing Claude Sonnet 5 on AWS: Anthropic’s most capable Sonnet model
今天，我们很高兴地宣布 Anthropic 最先进的 Sonnet 模型 Claude Sonnet 5 在 Amazon Bedrock 和 AWS 上的 Claude Platform 上可用。 Claude Sonnet 5 是 Anthropic 最新一代的第一个 Sonnet 模型，代表着向前迈出的有意义的一步。它以 Sonnet 定价为编码、代理和日常专业人士提供顶级情报 [...]
Simplify multi-account access to Amazon Bedrock models with managed entitlements
在本文中，我们将向您展示如何使用 Amazon Bedrock 的托管权利从中央账户订阅一次并在整个组织中分配模型访问权限。此方法无需工作负载账户中的 AWS Marketplace 权限。
Implementing resilience patterns with Amazon Bedrock and LLM gateway
在本文中，您将学习在 AWS 上构建弹性生成 AI 应用程序的五种实用模式，从原生 Amazon Bedrock 功能发展到使用 LLM 网关的多模型编排。这些模式解决了现实世界的挑战，例如意外流量激增期间的配额耗尽，通过推理的地理分布最大化可用性，并帮助防止多租户环境中的嘈杂邻居问题。
How Outpost VFX Uses AWS to Accelerate AI Model Training for Visual Effects
在这篇文章中，我们将探讨 Outpost VFX 如何使用 AWS 基础设施将训练速度提高 8 倍，以转变其面部替换工作流程、他们为克服单 GPU 限制而实施的技术架构，以及通过 AWS 多 GPU 训练实现的可衡量结果。
Multi-tenant LLM analytics with row-level security: How we built a secure agent on AWS
在这篇文章中，我们将向您展示 PAR 如何构建一个生产就绪的多租户 LLM 分析系统，该系统通过三层架构强制执行行级安全性：使用 AWS SigV4 进行加密请求签名、Amazon Bedrock 上的语义验证以及通过 Split-Plane SQL 进行编程数据隔离。我们演示了每一层如何独立运行，以降低跨租户数据暴露的风险，即使 LLM 本身受到损害或操纵也是如此。
Debugging production agents with Amazon Bedrock AgentCore Observability
在本文中，您将了解如何使用内置的可观察性功能来调试生产代理故障。我们介绍常见的故障模式，展示如何通过跟踪和指标分析代理行为，并提供结构化工作流程来解决无限循环和工具调用失败等问题。这是由两部分组成的系列的第 1 部分。第 2 部分介绍性能优化和内存管理。
How Cara pioneers domain-specific AI for enterprise insurance brokerages with AWS
在这篇文章中，我们将探讨与 AWS 合作构建的 Cara 如何应对这些挑战。我们详细介绍了支持该解决方案的技术设计决策和 AWS 服务。我们还分享 Cara 为企业经纪公司提供的可衡量的成果。
Production-grade AI agents for financial compliance: Lessons from Stripe
在这篇文章中，您将了解 Stripe 如何构建生产级 AI 代理系统以实现财务合规性。我们介绍了 Stripe 的 ReAct 代理框架的技术架构以及专用代理服务背后的基础设施决策。我们还讨论了人类监督在维持责任方面的作用，以及有关任务分解、编排模式和通过即时缓存优化成本的重要经验教训。最后，您将了解如何设计在不影响质量或可审计性的情况下扩展合规性操作的代理系统。
Optimize model training on Amazon SageMaker AI with NVIDIA Blackwell
本文向您展示如何在 Amazon SageMaker AI 上配置训练作业，以充分利用 AWS 上的 Blackwell 架构。您将学习如何选择利用 Blackwell 扩展内存的批量大小和序列长度，为您的模型大小（1B 至 64B 参数）选择正确的精度格式，以及策略性地应用激活检查点。最后，您将拥有一个实用的框架，用于调整训练配置并在 P6-B200 实例上启动分布式训练作业。
Implementing super resolution by deploying SeedVR2 on Amazon SageMaker AI
在这篇文章中，我们演示了如何在 SageMaker AI 上使用 SeedVR2 实现视频升级。我们介绍解决方案架构、逐步介绍部署步骤并展示性能比较，突出显示您可以实现的质量改进和处理效率。读完本文后，您将掌握实施此超分辨率解决方案所需的实践知识。
Build a healthcare appointment agent with Amazon Nova 2 Sonic
在本文中，您将了解如何使用 Amazon Nova 2 Sonic 和 Amazon Bedrock AgentCore 构建处理预约提醒对话的语音代理。该代理通过语音对患者进行身份验证，管理预约（确认、取消或重新安排），收集就诊前的健康信息，并在需要时升级给工作人员。您可以大规模处理例行呼叫，这有助于降低缺席率。此示例重点关注问题的代理方面：语音对话和工具编排。包含一个基于浏览器的界面用于测试。要将代理连接到实际电话线路以进行出站拨号，您可以集成电话服务，例如 Amazon Connect Customer。
AI-powered BI with Snowflake and Amazon Quick
在本文中，您将了解如何在 Snowflake 语义视图和 Amazon Quick 之间构建端到端集成。样本数据是媒体公司的用户评论数据。首先，您将电影评论数据从 Amazon Simple Storage Service (Amazon S3) 加载到 Snowflake 中，在 SQL 中定义语义视图以添加业务含义，通过 Cortex Analyst 使用自然语言查询进行探索，然后生成 Amazon Quick 数据集和仪表板。可以手动或使用提供的自动化脚本创建数据集。最后，您的 BI 团队或 AI 团队可以针对受管数据层提出自然语言问题，并相信每个响应都反映相同的业务逻辑。
How Loka Built a Natural, Low-Latency Voice Agent with Amazon Nova 2 Sonic
在这篇文章中，我们演示了 Loka 用于解决常见问题的架构和方法：机器人、缓慢的语音助手会导致客户挂断电话，损害品牌声誉并增加支持成本。
Building pay-per-intelligence for AI agents: How Ampersend uses Amazon Bedrock AgentCore Payments
在本文中，您将了解 Ampersend 如何在 Amazon Bedrock AgentCore Payments 之上构建按智能付费的路由层。人工智能代理自动将任务路由到最有效的模型，按请求付费，并在支出预算内运行。您还将了解两跳支付模式如何端到端工作以及如何开始您自己的实施。
Embed the world: Multimodal AI for searchable aerial imagery at scale
在这篇文章中，我们将介绍问题空间、我们在 Amazon Bedrock 和 Amazon OpenSearch Serverless 上的架构、我们在 OpenStreetMap 基础事实上构建的评估方法、比较嵌入模型、融合策略、字幕和搜索方法的四个实验，以及构建类似系统时可以应用的实用指南。您将了解哪些设计选择推动了地理空间语义搜索，包括为什么 Amazon Nova Multimodal Embeddings 在我们的评估中的两个基准查询中提供了最高的 F1 分数。这里描述的工作演变成 Vexcel Intelligence，一种可搜索的图像产品。
Accelerate campaign workflow with insights from Adobe Marketing Agent for Amazon Quick
本文展示了如何使用模型上下文协议 (MCP) 启用 Adobe Marketing Agent for Amazon Quick。我们将引导您了解如何配置集成、使用您的 Adobe 凭证进行身份验证以及在 Amazon Quick 中获取最新见解。示例工作流程返回受众排名、忠诚度细分摘要、旅程使用情况和冲突建议。
今天，Amazon Bedrock AgentCore 线束正式上市。两次 API 调用（CreateHarness 定义代理，InvokeHarness 运行它），几秒钟内即可运行代理。该代理在具有文件系统和 shell 的独立环境中运行，因此它可以安全地读取文件、运行命令和编写代码。它会记住会话中的用户和对话，获取您指定的技能（包括 AWS 策划的目录），浏览网页，通过网关或 MCP 调用您的工具，并在会话中切换模型提供商而不会丢失上下文。每一步都会实时反馈给您，并自动跟踪到 Amazon CloudWatch。除非您愿意，否则您不需要编写编排代码或构建容器。
