Introducing Amazon Bedrock AgentCore Gateway: Transforming enterprise AI agent tool development
在这篇文章中，我们讨论了亚马逊基础代理网关，这是一项完全管理的服务，通过为企业与工具和服务连接企业如何通过为代理工具通信的统一界面提供统一的界面，从而彻底改变了企业的AI代理。该服务提供关键功能，包括安全保护，翻译，组成，目标扩展性，基础架构管理器和语义工具选择，同时为入站和出站连接实施复杂的双面安全体系结构。
在传统的SDLC中，在不同的阶段花费了很多时间研究可以满足要求的方法：迭代设计更改，写作，测试和审查代码以及配置基础架构。在这篇文章中，您了解了经验，并看到了通过使用Amazon Q Developer作为编码助理来构建AWS上的可扩展Mern堆栈Web应用程序的生产力提高。
Optimizing Salesforce’s model endpoints with Amazon SageMaker AI inference components
在这篇文章中，我们分享了Salesforce AI平台团队如何优化GPU利用率，提高了资源效率并使用Amazon SageMaker AI，特别是推理组件来节省成本。
Building a RAG chat-based assistant on Amazon EKS Auto Mode and NVIDIA NIMs
在这篇文章中，我们使用全面的现代技术堆栈来证明实用的基于RAG聊天的助手。该解决方案将NVIDIA NIMS用于LLM推理和文本嵌入服务，而NIM操作员处理其部署和管理。该体系结构将Amazon OpenSearch无用的服务器融合到存储和查询高维矢量嵌入以进行相似性搜索。
Introducing Amazon Bedrock AgentCore Identity: Securing agentic AI at scale
在这篇文章中，我们探索了Amazon Bedrock AgentCore Identity，这是针对AI代理的全面身份和访问管理服务，以便可靠地访问AWS资源和第三方工具。该服务提供了可靠的身份管理功能，包括代理身份目录，代理授权器，资源凭证提供商和资源代币保管库，以帮助组织按大规模安全地部署AI代理。
Scalable intelligent document processing using Amazon Bedrock Data Automation
在博客文章可扩展的智能文档使用Amazon Bedrock中，我们演示了如何使用Amazon Bedrock上的拟人基础模型构建可扩展的IDP管道。尽管这种方法带来了强大的性能，但引入亚马逊基岩数据自动化为IDP解决方案带来了新的效率和灵活性。这篇文章探讨了亚马逊基岩数据自动化如何增强文档处理功能并简化自动化之旅。
我们很高兴共享亚马逊基础数据自动化模型上下文协议（MCP）服务器，以在Amazon Q和您的企业数据之间进行无缝集成。在这篇文章中，您将学习如何使用Amazon Bedrock数据自动化MCP服务器与AWS服务安全集成，使用BedRock Data Automation Automation Operations用作可召唤的MCP工具，并使用Amazon Q建立对话性开发体验。
Bringing agentic Retrieval Augmented Generation to Amazon Q Business
在这篇博客文章中，我们探讨了亚马逊Q业务如何通过代理检索增强发电（RAG）来改变企业数据交互。
总部位于马里兰州贝塞斯达的大学初创公司成立于2020年，旨在使高中生将教育扩展到传统课程之外。大学初创公司专注于全美学区的特殊教育和相关服务。在这篇文章中，我们解释了大学初创公司如何在AWS上使用生成的AI技术，以使学生能够为他们的教育或劳动力设计特定的计划。
Citations with Amazon Nova understanding models
在这篇文章中，我们演示了如何提示Amazon Nova理解模型引用响应中的来源。此外，我们还将介绍如何评估响应（和引用）的准确性。
Securely launch and scale your agents and tools on Amazon Bedrock AgentCore Runtime
在这篇文章中，我们探讨了亚马逊基石代理商运行时如何简化AI代理的部署和管理。
PwC and AWS Build Responsible AI with Automated Reasoning on Amazon Bedrock
这篇文章介绍了AWS和PWC如何开发新的推理检查，这些检查将深厚的行业专业知识与亚马逊基岩护栏的自动推理检查相结合，以支持创新。
How Amazon scaled Rufus by building multi-node inference using AWS Trainium chips and vLLM
在这篇文章中，亚马逊分享了他们如何使用Amazon Trainium Chips和VLLM为其生成的AI购物助理Rufus开发多节点推理解决方案，以大规模提供大型语言模型。该解决方案结合了领导者/追随者编排模型，混合并行性策略以及在亚马逊ECS上构建的多节点推理单元抽象层，以跨多个节点部署模型，同时保持高性能和可靠性。
Build an intelligent financial analysis agent with LangGraph and Strands Agents
这篇文章描述了一种结合三种强大技术的方法，以说明您可以适应并构建特定财务分析需求的体系结构：工作流程编排的langgraph，用于结构化推理的链代理以及用于工具集成的模型上下文协议（MCP）。
Amazon Bedrock AgentCore Memory: Building context-aware agents
在这篇文章中，我们探索了Amazon Bedrock AgentCore Memory，这是一项完全管理的服务，使AI代理能够保持直接和长期知识，将一次性的对话转变为用户与AI代理之间的连续，不断发展的关系。该服务消除了复杂的内存基础架构管理，同时提供了对AI代理所记住的内容的完全控制，为维持短期工作记忆和长期智能内存提供了强大的功能。
Build a conversational natural language interface for Amazon Athena queries using Amazon Nova
在这篇文章中，我们探索了一种创新的解决方案，该解决方案使用由亚马逊Nova Lite提供动力的亚马逊基岩代理商来创建雅典娜查询的对话界面。我们以AWS成本和使用报告（AWS CUR）为例，但是可以将此解决方案适用于您使用athena查询的其他数据库。这种方法在保留雅典娜的强大分析能力的同时使数据访问民主化，因此您可以使用自然语言与数据进行交互。
在这篇文章中，我们回顾了P6E-GB200 Ultraservers的技术规格，讨论其性能优势，并突出关键用例。然后，我们走过如何通过灵活的培训计划购买超声处理能力，并开始使用带有Sagemaker Hyperpod的Ultraservers。
这篇文章探讨了Indegene的社会情报解决方案如何使用高级AI来帮助生命科学公司从数字医疗对话中提取有价值的见解。该解决方案以AWS技术为基础，解决了HCP对数字渠道的日益偏好，同时克服了分析规模的复杂医学讨论的挑战。
