Automate IT operations with Amazon Bedrock Agents
这篇文章提供了一个全面的AIOPS解决方案，结合了各种AWS服务，例如Amazon Bedrock，AWS Lambda和Amazon CloudWatch，以创建AI助理以进行有效的事件管理。该解决方案还使用亚马逊基础知识库和亚马逊基岩代理商。该解决方案使用亚马逊基岩的功能来实现能够监视IT系统，分析日志和指标并调用自动补救过程的智能代理的部署。
在这篇文章中，我们将连续的自我实施微型调整框架作为DSPY框架实现的复合AI系统。该框架首先从域知识库中生成一个综合数据集，并为自我建筑生成文档，然后通过SFT驱动模型进行微调，并介绍了人类的工作流程，以将人类和AI的反馈收集到模型响应中，它用于通过增强学习（RLHF/RLAIF）来对齐人类偏好来进一步提高模型性能。
Accelerate your Amazon Q implementation: starter kits for SMBs
入门套件是完整的可部署解决方案，可解决常见的可重复业务问题。它们根据最佳实践部署构成解决方案的服务，帮助您优化成本并熟悉这些类型的架构模式，而无需在培训方面进行大量投资。在这篇文章中，我们展示了 Amazon Q Business 的入门套件。如果您有一个文档存储库，需要将其快速转换为知识库，或者只是想测试 Amazon Q Business 的功能而又不需要在控制台上投入大量时间，那么此解决方案非常适合您。
AGI in 2025 |Do you think what matters today will still matter in the coming months? TL;DR: No!
OpenAI、Sam Altman、Elon Musk、xAI、Anthropic、Gemini、谷歌、苹果……所有这些公司都在竞相在 2025 年前打造 AGI，一旦实现，将在数周内被数十家公司复制。创建压缩的人类知识库、提取信息并迭代输出以优化结果的想法已不再是革命性的。全球数千名工程师可以复制 OpenAI 所取得的成就，因为它主要涉及扩大 Transformers——谷歌开发的一种模型，而它本身只是先前 AI 研究的一个进步。但接下来会发生什么？劳动力下一个重大转变：地球上的每家公司都将尽可能开始用 AGI 取代工作负载，以最大化利润率。公司不会雇佣那么多人，因为有了 AI 代理，现有
Harnessing Amazon Bedrock generative AI for resilient supply chain
通过利用 Amazon Bedrock 的生成式 AI 功能和工具，您可以创建一个智能神经中枢，连接各种数据源，将数据转换为可操作的见解，并制定全面的计划以减轻供应链风险。这篇文章介绍了 Amazon Bedrock Flows 如何连接您的业务系统、监控医疗设备短缺情况，并根据来自 Amazon Bedrock 知识库的知识或直接存储在 Amazon S3 中的数据提供缓解策略。您将学习如何创建一个领先于供应链风险的系统。
Develop a RAG-based application using Amazon Aurora with Amazon Kendra
RAG 从预先存在的知识库（您的数据）中检索数据，将其与 LLM 的知识相结合，并生成更像人类语言的响应。但是，为了让生成式 AI 理解您的数据，需要进行一定程度的数据准备，这涉及很大的学习曲线。在这篇文章中，我们将引导您了解如何将现有的 Aurora 数据转换为索引，而无需为 Amazon Kendra 进行数据准备以执行数据搜索并实施 RAG，将您的数据与 LLM 知识相结合以产生准确的响应。
Design multi-agent orchestration with reasoning using Amazon Bedrock and open source frameworks
这篇文章提供了创建具有推理功能的协作多代理框架的分步说明，以将业务应用程序与 FM 分离。它演示了如何将 Amazon Bedrock 代理与开源多代理框架相结合，从而实现代理之间的协作和推理，以动态执行各种任务。该练习将指导您完成使用 Amazon Bedrock、Amazon Bedrock 知识库、Amazon Bedrock 代理和 FM 构建推理编排系统的过程。我们还探讨了 Amazon Bedrock 代理与开源编排框架 LangGraph 和 CrewAI 的集成，以进行调度和推理。
完成网络：识别南非蜘蛛调查中的采样偏差和知识差距（蛛形纲、蜘蛛目）摘要物种分布数据集是宏观生态研究的基础，尽管总体上需要确保这些数据集代表整个群落。生物多样性数据集中的不足或知识差距源于多种原因，并可能导致得出错误的结论或建议。空间尺度会影响多样性模式的解释，因此是一个需要考虑的重要方面。南非拥有丰富的蜘蛛采样历史，因此，可以研究空间和分类尺度对该国蜘蛛知识库完整性的整体解释的影响。为此，我们利用精选的自然历史蜘蛛收藏，并确定蜘蛛群落在十二种独特的分类和空间尺度组合中的完整性。总体而言，我们从七个收藏中获得了 121 605 条可用记录，蜘蛛记录和多样性集中在南非东部和沿海地区。我们发现，随着
How Twitch used agentic workflow with RAG on Amazon Bedrock to supercharge ad sales
在本文中，我们展示了我们如何创新地构建具有代理工作流和 Amazon Bedrock 上的知识库的检索增强生成 (RAG) 应用程序。我们在基于 Slack 聊天的助手中实施了 RAG 管道，以使 Amazon Twitch 广告销售团队能够快速抓住新的销售机会。
Search enterprise data assets using LLMs backed by knowledge graphs
在本文中，我们将介绍一种生成式 AI 驱动的语义搜索解决方案，使业务用户能够快速准确地在各种企业数据源中找到相关数据资产。在此解决方案中，我们集成了托管在 Amazon Bedrock 上的大型语言模型 (LLM)，这些模型由基于 Amazon Neptune 构建的知识图谱派生的知识库提供支持，以创建强大的搜索范例，使基于自然语言的问题能够集成对存储在 Amazon Simple Storage Service (Amazon S3) 中的文档、托管在 AWS Glue 数据目录中的数据湖表以及 Amazon DataZone 中的企业资产的搜索。
RAG Evolution – A Primer to Agentic RAG
什么是 RAG（检索增强生成）？检索增强生成 (RAG) 是一种将大型语言模型 (LLM) 的优势与外部数据检索相结合的技术，以提高生成的响应的质量和相关性。传统的 LLM 使用其预先训练的知识库，而 RAG 管道将在运行时查询外部数据库或文档并检索相关信息 […]文章 RAG 演变 - Agentic RAG 入门首先出现在 Unite.AI 上。
The Ultimate Guide to RAGs — Each Component Dissected
RAG 终极指南 — — 剖析每个组件视觉导览构建生产就绪的 LLM 管道所需的条件让我们学习 RAG 吧！（图片来自作者）如果您使用过大型语言模型，很有可能您至少听说过 RAG（检索增强生成）这个术语。RAG 的想法非常简单 — — 假设您想向 LLM 提问，您首先要从外部知识库中检索相关信息，而不是仅仅依赖 LLM 的预训练知识。然后，将检索到的信息与问题一起提供给 LLM，使其生成更明智、最新的响应。将标准 LLM 调用与 RAG 进行比较（来源：图片来自作者）那么，为什么要使用检索增强生成呢？当提供准确和最新的信息是关键时，您不能依赖 LLM 的内置知识。 RAG 是一种廉价实用的方法
Exploring AI Tools for Research: Transforming How We Approach Knowledge
探索用于研究的 AI 工具：改变我们处理知识的方式 人工智能 (AI) 已经彻底改变了各个行业，其对学术研究的影响尤其深远。对于研究人员来说，AI 工具提供了广泛的机会，从简化数据分析到增强文献综述流程，再到提高预测模型的准确性。这篇博文深入探讨了 AI 工具塑造研究格局的多种方式，帮助研究人员更有效地工作并发现其领域的新见解。那些刚接触 AI 研究或希望扩展知识的人可以从宝贵的资源中受益，例如乔治城大学关于用于研究的 AI 工具的综合指南，可在此处获得：(https://guides.library.georgetown.edu/ai/tools)。AI 工具在文献综述过程中非常有用。通过实
在本文中，我们将演示如何部署上下文 AI 助手。我们构建了一个解决方案，使用 Amazon Bedrock 知识库、Amazon Lex 和 Amazon Connect 为用户提供熟悉且方便的界面，并使用 WhatsApp 作为渠道。
Choosing Between LLM Agent Frameworks
构建定制的基于代码的代理和主要代理框架之间的权衡。作者提供的图片感谢 John Gilhuly 对本文的贡献。代理正处于发展阶段。随着多个新框架和该领域的新投资，现代 AI 代理正在克服不稳定的起源，迅速取代 RAG 成为实施优先事项。那么 2024 年最终会成为自主 AI 系统接管编写电子邮件、预订航班、与我们的数据对话或任何其他任务的一年吗？也许，但要达到这一点还有很多工作要做。任何构建代理的开发人员不仅必须选择基础——使用哪种模型、用例和架构——还必须选择要利用哪个框架。您会选择长期存在的 LangGraph 还是新进入的 LlamaIndex Workflows？或者你走传统路线，自己
Institutional data repositories are vital | Science
随着资助机构和出版商重申对研究数据共享的期望 (1)，许多高等教育机构通过将研究人员与本地基础设施连接起来，并配备专门的人员，减轻数据共享的负担，表明了他们对长期管理研究数据的承诺。机构知识库就是这种投资的一个例子 (2)。它们为研究人员提供支持，以共享可能丢失的数据：没有学科知识库的数据、资金有限的项目的数据或太大而无法在其他地方持续存储的数据。机构知识库提供的人员和技术基础设施确保负责任地访问信息，同时考虑长期保存和与国际标准保持一致 (3–5)。为了确保继续访问宝贵的研究数据，出版商和资助机构必须将机构知识库视为负责任且可靠的数据共享解决方案。
Generative AI-powered technology operations
在本文中，我们将介绍 AWS 生成式 AI 解决方案（包括 Amazon Bedrock、Amazon Q Developer 和 Amazon Q Business）如何进一步提高 TechOps 生产力、缩短解决问题的时间、增强客户体验、标准化操作程序并扩充知识库。
Elevate customer experience through an intelligent email automation solution using Amazon Bedrock
在本文中，我们向您展示了如何使用 Amazon Bedrock 自动回复客户查询的电子邮件。使用我们的解决方案，您可以识别客户电子邮件的意图，如果意图与您现有的知识库或数据源匹配，则发送自动回复。如果意图不匹配，电子邮件将发送给支持团队进行手动回复。
