TDS Newsletter: October Must-Reads on Agents, Python, Context Engineering, and More
在 TDS 上，我们可以与读者分享一系列精辟的文章，涵盖尖端工具、基础数据和 ML 技能、对人工智能现状的深思熟虑以及我们顶级作者的职业（和其他）见解。从这个角度来看，十月是一个值得期待的十月。这篇 […]TDS 时事通讯：10 月有关代理、Python、上下文工程等的必读文章首先出现在《迈向数据科学》上。
Is RAG Dead? The Rise of Context Engineering and Semantic Layers for Agentic AI
上下文工程、语义层和代理 AI 检索的演变The post Is RAG Dead?代理人工智能的上下文工程和语义层的兴起首先出现在《走向数据科学》上。
bananaz launches AI-powered design agent for mechanical engineers
人工智能初创公司 Bananaz 推出了新的 Design Agent，这是一种专门为机械工程师构建的人工智能系统，用于在上下文中分析 CAD 文件、技术图纸和工程数据。与通用聊天机器人不同，banaz Design Agent 旨在理解机械系统的复杂逻辑，包括 3D 几何形状、装配层次结构、材料规格和制造 [...]
How to Apply Vision Language Models to Long Documents
了解如何应用强大的 VLM 来执行长上下文文档理解任务《如何将视觉语言模型应用于长文档》一文首先出现在《走向数据科学》上。
Mamba-3 – the next evolution in language modeling
Mamba-3 - 状态空间模型，重新定义人工智能如何思考、学习和理解语言。通过改进上下文跟踪、信息处理和响应生成，Mamba-3 为性能和推理速度树立了超越传统 Transformer 模型的新标准。
The Rise Of Learning Co-Pilots: AI Agents That Level Up Every Employee
学习副驾驶是直接嵌入日常工作工具中的人工智能代理，用于在工作流程中指导、培训和支持员工。他们提供的不是冗长的课程，而是微课程、及时的推动和上下文建议，帮助人们立即表现得更好。这篇文章首先发表在电子学习行业。
实体链接 (EL) 传统上依赖于大型注释数据集和广泛的模型微调。虽然最近的小样本方法通过提示来利用大型语言模型 (LLM) 来减少训练要求，但由于昂贵的基于 LLM 的推理，它们常常效率低下。 ARTER（自适应路由和目标实体推理）提出了一种结构化管道，通过策略性地结合候选生成、基于上下文的评分、自适应路由和选择性推理，无需深度微调即可实现高性能。 ARTER 计算一小组...
The Coasean Singularity? Demand, Supply, and Market Design with AI Agents
NBER 工作文件。 “会议于 2025 年 9 月 18 日至 19 日举行书籍：变革性 AI 的经济学书籍编辑：Ajay K. Agrawal、Anton Korinek 和 Erik Brynjolfsson 出版商：芝加哥大学出版社 AI 代理——代表人类主体感知、推理和行动的自主系统——准备通过大幅降低交易成本来改变数字市场。本章评估了这一点的经济影响 转型，采用以消费者为导向的观点，将代理商视为可以直接搜索、谈判和交易的市场参与者。从需求方面来看，代理采用反映了派生需求：用户在决策质量与工作量减少之间进行权衡，结果由代理能力和任务上下文调节。在供应方面，公司将设计、整合代理并使其货
Google Cloud Outlines Key Strategies for Securing Remote MCP Servers
Google Cloud 发布了一份指南，列出了保护远程模型上下文协议 (MCP) 服务器部署的策略，特别是在 AI 系统依赖于外部工具、数据库和 API 的环境中。作者：克雷格·里西
Building smarter AI agents: AgentCore long-term memory deep dive
在这篇文章中，我们将探讨 Amazon Bedrock AgentCore Memory 如何通过反映人类认知过程的复杂提取、整合和检索机制将原始会话数据转换为持久的、可操作的知识。该系统解决了构建人工智能代理的复杂挑战，这些代理不仅存储对话，还提取有意义的见解、跨时间合并相关信息，并维护连贯的内存存储，从而实现真正的上下文感知交互。
New Webinar - "AI & Information Literacy: Building Critical Evaluation Skills for Generative AI"
人工智能与信息素养：构建生成式人工智能的关键评估技能 A Library 2.0“AI Deep Dive”研讨会由 Reed Hepler 主持概述：本次网络研讨会探讨了人工智能 (AI) 与信息素养的重要交叉点，探讨了人工智能对信息获取、评估和利用方式的变革性影响。参与者将对生成式人工智能 (GenAI) 工具的功能有基本的了解，包括它们在信息搜索和研究方面的功能和局限性。本次会议将深入探讨人工智能工具中网络搜索功能的集成，以及 SearchGPT 等平台和高级研究工具对传统信息素养实践的影响。重点将是培养批判性思维技能，以有效评估人工智能的输出。与会者将学习实用策略，包括 SIFT（停止
Medical reports analysis dashboard using Amazon Bedrock, LangChain, and Streamlit
在这篇文章中，我们演示了概念性医疗报告分析仪表板的开发，该仪表板结合了 Amazon Bedrock AI 功能、LangChain 的文档处理和 Streamlit 的交互式可视化功能。该解决方案通过上下文感知聊天系统将复杂的医疗数据转化为可访问的见解，该系统由 Amazon Bedrock 提供的大型语言模型和健康参数的动态可视化提供支持。
Connect Amazon Quick Suite to enterprise apps and agents with MCP
在本文中，我们将探讨 Amazon Quick Suite 的模型上下文协议 (MCP) 客户端如何实现与企业应用程序和 AI 代理的安全、标准化连接，从而消除复杂的自定义集成的需要。您将了解如何设置 MCP Actions 与 Atlassian Jira 和 Confluence、AWS Knowledge MCP Server 和 Amazon Bedrock AgentCore Gateway 等流行企业工具的集成，以创建一个协作环境，让人员和 AI 代理可以跨组织的数据和应用程序无缝协作。
OfS Access and Participation data dashboards, 2025 release
是否正在努力将提供商的访问和参与绩效置于上下文中？大卫·科诺汉 (David Kernohan) 为您提供支持
