Connect an AgentCore Runtime hosted MCP server to Amazon Quick
在本文中，您将了解如何在 AgentCore Runtime 中部署和托管 MCP 服务器并将其与 Amazon Quick 集成以及先决条件。通过这种模式，您可以提高 AI 工具的可重用性并避免重复，因此客户端可以重用通过 MCP 服务器公开的常用工具和代理，而不是再次从头开始编写它们。您的客户可以在 Amazon Quick（聊天代理和工作流程）中使用您的产品，而无需为每个用例构建自定义连接器。
AWS recognized as a Leader in The Forrester Wave: AI Infrastructure Solutions, Q4 2025
我们很高兴地告诉大家，AWS 已被 Forrester Wave 评为 2025 年第四季度人工智能基础设施解决方案的领导者。在对 13 家提供商的评估中，AWS 在战略类别中获得了最高分。
本文在 Amazon Bedrock 托管知识库和 Amazon Bedrock AgentCore 上构建了企业代理检索解决方案。代理进行推理、跨多个知识库进行路由并返回引用的答案，具有七层可观察性以及按需和持续评估，所有这些都通过单个 AWS CloudFormation 链进行部署。
Batch write and discover records in Amazon SageMaker Feature Store
Amazon SageMaker Feature Store 现在支持两个新 API：BatchWriteRecord 在一次调用中跨多个功能组写入最多 25 条记录，ListRecords 枚举功能组内的记录标识符。在这篇文章中，我们将通过可用于入门的代码示例来介绍每个 API。
How Decathlon runs demand forecasting at scale with Chronos-2
迪卡侬是全球最大的体育用品零售商之一，预计多个大洲每周对数万种产品的需求。了解他们如何在 AWS 上部署 Chronos-2，将预测准确性提高 11-15 个百分点，同时降低操作复杂性，并在纯 CPU 实例上以约 0.03 美元的价格运行每周推理。
Spreading the load: How Salesforce met Multi-AZ HA with SageMaker Inference Components
了解 Salesforce 如何使用 Amazon SageMaker AI Inference 组件放置（SchedulingConfig 参数）跨多个可用区分发模型副本，满足其多可用区高可用性合规性要求，同时又不牺牲多模型共同托管的成本效率。
Build agentic creative workflows with Amazon Quick and fal
创意团队生产的资产比以往任何时候都多，但分散的工具和手动上下文传输会减慢生产速度。本文展示了如何使用 Amazon Quick 和 fal 构建可重复使用的代理工具，并通过模型上下文协议 (MCP) 连接，并使用两个实践工作流程：八面板故事板和音乐视频概念原型。
Deepgram deepens Amazon SageMaker AI observability with Enhanced Metrics
自托管语音 AI 需要进行可观察性权衡：驱动容量规划和成本管理的数字被锁定在供应商容器内。 Deepgram 通过两项功能缩小了 Amazon SageMaker AI 的这一差距，这些功能可将计费、使用情况和每个 GPU 指标直接存入您自己的 Amazon CloudWatch 账户中。
Reduce ASR inference costs by 75% with NVIDIA MPS on Amazon EC2
当每个请求仅使用 GPU 的一小部分时，大规模提供自动语音识别 (ASR) 模型的成本高昂。了解 Amazon EC2 GPU 实例上的 NVIDIA CUDA 多进程服务 (MPS) 与 NVIDIA Triton 推理服务器如何将 GPU 基础设施削减 75%，同时将亚秒级延迟保持在每个 GPU 每秒 92.1 个请求。
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。
