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。
Amazon SageMaker AI Async Inference now supports inline request payloads
今天，我们宣布为 Amazon SageMaker AI 异步推理提供内联负载支持。客户现在可以直接在 InvokeEndpointAsync API 的请求正文中发送推理负载，无需在每次调用之前将输入数据上传到 Amazon Simple Storage Service (Amazon S3)。
Get back hours every day with autonomous agents in Amazon Quick
如今，Quick 变得更加强大：新的自主代理可以代表您持续工作，活动源可以帮助您确定最重要工作的优先级，并且能够从单个问题中跨您的业务运行的每个数据源找到见解。
Context intelligence for your data and AI agents at scale
智能体的智能取决于它们能够推理的上下文。如今，这种背景分散在数据湖、数据仓库、湖屋、数据库和流中，以及从未被记录下来的机构知识中。您希望信任人工智能代理做出的决策，但这只有在代理掌握上下文后才能实现。想象一下，当我们为代理提供一种安全的方式来访问他们提供可信决策所需的上下文时，将会发生什么。这就是为什么在纽约市 AWS 峰会上，我们宣布了一系列创新技术，可为您的数据和 AI 代理大规模提供智能。
New in Amazon Bedrock AgentCore: Build agents with broader knowledge and continuous learning
今天，我们将推出 Amazon Bedrock AgentCore 的新功能，该平台用于构建、连接和优化代理。在这篇文章中，我们将介绍这些功能如何缩小各个差距：将代理与组织、网络和付费知识连接起来；帮助团队发现并修复生产中出现的问题；随着代理能力的增强，实施可扩展的控制措施。它们共同帮助您更快地构建更强大的代理，通过可扩展的控制来管理它们，并不断改进它们。
Safeguard your agentic AI applications with the Amazon Bedrock Guardrails InvokeGuardrailChecks API
今天，我们宣布推出 Amazon Bedrock Guardrails 的新 API。借助此 API，您可以在代理 AI 应用程序中的任何点应用单独的防护措施（也称为安全检查），而无需创建护栏资源。在这篇文章中，我们将介绍 InvokeGuardrailChecks API 的工作原理以及如何使用它来构建安全的多轮代理 AI 应用程序。
Introducing container caching in Amazon SageMaker AI for faster model scaling
今天，我们很高兴地宣布用于 Amazon SageMaker AI 推理的容器映像缓存，这是我们更快的扩展优化之旅的下一个重大进展。这使得生成式 AI 模型在横向扩展事件期间的端到端延迟速度提高了 2 倍。
Parallelize speculative decoding with P-EAGLE on Amazon SageMaker AI
本文将引导您了解如何直接在 Amazon SageMaker AI 中使用 P-EAGLE。它将演示如何从 SageMaker JumpStart 目录中选择兼容模型、配置并行绘图规范以及部署高度优化的实时 SageMaker AI 端点以加速您的生成式 AI 应用程序。
Introducing Gemma 4 models on Amazon Bedrock
今天，我们宣布 Gemma 4 系列在 Amazon Bedrock 上上市。 Gemma 4 由 Google DeepMind 构建并在 Apache 2.0 许可下发布，是一系列开放权重模型，其设计重点是跨广泛部署场景的每参数智能。该系列包括三个指令调整变体：Gemma 4 31B、Gemma 4 26B-A4B 和 Gemma 4 E2B。这些涵盖密集和专家混合 (MoE) 架构，其中每个请求仅激活模型参数的一小部分。这些变体提供内置推理、本机函数调用以及跨文本和图像的多模式输入。
Build context-rich research agents with Deep Agents and Bedrock AgentCore
在这篇文章中，您将构建一个有竞争力的研究代理，端到端地演示此模式。本演练针对的是构建多步骤 AI 工作流程的开发人员，他们需要为其代理提供隔离的执行环境。在本笔记本的第 2 部分中，您可以使用 AgentCore CLI 将同一代理部署到 Bedrock AgentCore Runtime，以便它作为托管、会话隔离的服务运行。
Building Supercharger: How Rocket Close optimized title operations with agentic AI
在本文中，我们将探讨 Rocket Close 如何使用 Strands Agent、大型语言模型 (LLM)、Amazon Bedrock、Amazon Bedrock 知识库和模型上下文协议 (MCP) 工具构建解决方案。我们将介绍解决方案的功能、技术堆栈的基本原理、经验教训以及 Rocket Close 的业务影响。
Build a meeting prep and follow-up assistant with Amazon Quick and Cisco Webex MCP servers
本文展示了如何使用 Amazon Quick 和 Cisco Webex MCP 服务器构建自定义会议准备和后续助理。根据单个提示，客服人员可以找到即将召开的 Webex 会议，查看之前的会议摘要和文字记录，并提取相关的 Vidcast 亮点和文字记录上下文。然后，它会在 Webex 消息线程中搜索未解决的后续问题，并创建简洁的准备摘要。会议结束后，同一位助理可以总结讨论并确定行动项目。它还可以查找相关的 Vidcast 更新并为正确的 Webex 空间起草后续消息。
Built from the inside out: How AWS Professional Services became a frontier team first
AWS 专业服务 (AWS ProServe) 将参与时间从几个月压缩到几天，不是通过向现有流程添加人工智能 (AI) 工具，而是从根本上重建我们从内到外的交付方式。在这篇文章中，我们将分享 AWS ProServe 如何成为前沿团队、实现这一目标的实践，以及您的工程组织可以从我们的经验中学到什么。
Evaluate AI agents systematically with Agent-EvalKit
Agent-EvalKit 是一个开源工具包 (Apache 2.0)，它通过与 AI 编码助手（包括 Claude Code、Kiro CLI 和 Kilo Code）集成来提供此评估基础架构。本文以使用 Strands Agents SDK 和 Amazon Bedrock 构建的旅行研究代理作为运行示例，介绍了 Agent-EvalKit 在六个评估阶段的工作原理。
