So Long and Thanks for All the Context
上周，我在 Radar 的编辑 Mike Loukides 读完关于上下文管理的三部曲的第三部分后，我收到了一个非常有趣的问题。 “我读到的另一个问题，”迈克问道，“模型倾向于忽略上下文的中间部分。我已经看到了这一点，特别是对于带有 [...]
3 NLTK Tricks for Advanced Text Preprocessing & Linguistic Analysis
在本文中，我们将介绍三个基本的 NLTK 技巧来提升文本预处理：使用 MWETokenizer 保持短语完整性、使用词性映射进行上下文感知词形还原以及使用关联度量进行统计搭配提取。
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。
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。
The Growing Role of AI Agents in Industrial Risk Management
工业风险管理中的人工智能代理添加了推理层，可将现场现场数据转化为上下文危险情报和行动。
