Introducing agent quality optimization in AgentCore, now in preview
根据生产跟踪生成建议，通过批量评估和 A/B 测试对其进行验证，然后放心发货。在发布时表现良好的人工智能代理不会一直保持这种状态。随着模型的发展，用户行为发生变化，提示会在从未设计过的新环境中被重用。代理质量悄然下降。在大多数团队中，改进 [...]
Introducing the agent quality loop: AgentCore Optimization now in preview
根据生产跟踪生成建议，通过批量评估和 A/B 测试对其进行验证，然后放心发货。在发布时表现良好的人工智能代理不会一直保持这种状态。随着模型的发展，用户行为发生变化，提示会在从未设计过的新环境中被重用。代理质量悄然下降。在大多数团队中，改进 [...]
Agent-guided workflows to accelerate model customization in Amazon SageMaker AI
Amazon SageMaker AI 现在提供的代理体验改变了这一点。开发人员使用自然语言描述他们的用例，AI 编码代理简化了整个过程，从用例定义和数据准备到技术选择、评估和部署。在这篇文章中，我们将引导您使用 SageMaker AI 代理技能完成模型自定义生命周期。
Generate dashboards from natural language prompts in Amazon Quick
构建有意义的仪表板需要数小时的手动设置，即使对于经验丰富的 BI 专业人员也是如此。Amazon Quick 现在可以根据自然语言提示生成完整的多表仪表板，让您在几分钟内从一个或多个数据集开始进行生产就绪分析。数据分析师构建经常性运营报告、项目经理准备领导力审查或工程师探索新数据集可以 [...]
From data lake to AI-ready analytics: Introducing new data source with S3 Tables in Amazon Quick
Amazon Quick 推出 Amazon S3 表（Apache Iceberg 表）作为新数据源。借助此功能，客户可以直接查询和可视化存储在 Amazon S3 表存储桶中的 Apache Iceberg 表，而无需中间数据层。在这篇文章中，我们探讨了 Amazon Quick 的新 Amazon S3 表数据源如何在简化现代数据架构的同时实现近实时分析。
Capacity-aware inference: Automatic instance fallback for SageMaker AI endpoints
今天，Amazon SageMaker AI 为新的和现有的推理终端节点引入了容量感知实例池。您定义实例类型的优先级列表，只要在创建、横向扩展和横向收缩期间容量受到限制，SageMaker AI 就会自动处理您的列表。您的端点无需人工干预即可配置可用的人工智能基础设施。此功能适用于单模型端点、基于推理组件的端点和异步推理端点。
AWS Transform now automates BI migration to Amazon Quick in days
在这篇文章中，我们将介绍整个过程，从在 AWS Transform 中设置迁移工作区，到通过 AWS Marketplace 订阅合作伙伴代理，再到解锁可改变组织使用数据方式的 Amazon Quick 功能。
在这篇文章中，我们介绍了生成式 AI 生产中 LLM 迁移或升级的系统框架，包括基本工具、方法和最佳实践。该框架通过提供用于快速转换和优化的强大协议来促进不同法学硕士之间的转换。
Unleashing Agentic AI Analytics on Amazon SageMaker with Amazon Athena and Amazon Quick
本文演示了 Amazon Quick 的代理 AI 助手如何使用 Amazon Simple Storage Service (Amazon S3) 作为存储、使用 Amazon SageMaker 和 AWS Glue for Lakehouse、Amazon Athena 跨多种存储格式（S3 表、Iceberg 和 Parquet）进行无服务器 SQL 查询，从而将数据分析转变为自助服务功能。
Configuring Amazon Bedrock AgentCore Gateway for secure access to private resources
在本文中，您将配置 Amazon Bedrock AgentCore Gateway 以使用资源网关访问私有终端节点，资源网关是一种托管结构，可直接在 Amazon VPC 内配置弹性网络接口 (ENI)，每个子网一个。您将探索两种实施模式（托管和自我管理）并演练三个实际场景：连接到私有 Amazon API Gateway 终端节点、与 Amazon Elastic Kubernetes Service (Amazon EKS) 上的 MCP 服务器集成以及访问私有 REST API。
Extracting contract insights with PwC’s AI-driven annotation on AWS
这篇文章是与普华永道的 Yash Munsadwala、Adam Hood、Justin Guse 和 Hector Hernandez 共同撰写的。合同分析通常会消耗法律、合规和采购团队的大量时间，尤其是当重要的见解隐藏在冗长的、非结构化的协议中时。随着合同量的增长，寻找具体条款和评估提取的条款可能变得越来越难以扩展。 [...]
Organizing Agents’ memory at scale: Namespace design patterns in AgentCore Memory
在本文中，您将了解如何设计命名空间层次结构、选择正确的检索模式以及为 AgentCore 内存实施基于 AWS Identity and Access Management (IAM) 的访问控制。
Building AI-ready data: Vanguard’s Virtual Analyst journey
在这篇文章中，您将了解 Vanguard 如何通过关注 AI 就绪数据的八项指导原则、支持其实施的 AWS 服务以及他们所实现的可衡量的业务成果来构建其虚拟分析师解决方案。
Automate repetitive tasks with Amazon Quick Flows
本文向您展示如何使用 Amazon Quick 构建第一个由 AI 驱动的工作流程，从财务分析工具开始，逐步发展到高级员工入职自动化。
Build and deploy an automatic sync solution for Amazon Bedrock Knowledge Bases
在这篇文章中，我们探索了一种自动化解决方案，该解决方案可以检测 S3 事件并触发摄取作业，同时尊重服务配额并提供全面的监控。此无服务器解决方案使用事件驱动的架构来使您的知识库保持最新状态，而不会压垮 Amazon Bedrock API。
Build Strands Agents with SageMaker AI models and MLflow
在这篇文章中，我们演示了如何使用 Strands Agents SDK 以及部署在 SageMaker AI 端点上的模型来构建 AI 代理。您将了解如何从 SageMaker JumpStart 部署基础模型，将其与 Strands Agent 集成，以及使用 SageMaker Serverless MLflow 进行代理跟踪建立生产级可观测性。我们还介绍了如何跨多个模型变体实施 A/B 测试，使用 MLflow 指标评估代理性能，并展示如何在您控制的基础设施上构建、部署和持续改进 AI 代理。
Building Workforce AI Agents with Visier and Amazon Quick
在这篇文章中，我们展示了如何通过模型上下文协议 (MCP) 将 Visier Workforce AI 平台与 Amazon Quick 连接起来，为每个知识工作者提供一个统一的代理工作空间来提出问题。Visier 有助于将工作空间建立在实时劳动力数据及其周围的组织环境中，同时让您的用户无需切换工具即可根据对话结果采取行动。
Amazon Quick for marketing: From scattered data to strategic action
Amazon Quick 改变您的工作方式。您可以在几分钟内完成设置，到一天结束时，您会想知道如果没有它您是如何工作的。快速连接您的应用程序、工具和数据，创建个人知识图谱，了解您的优先事项、偏好和网络。
