Generate user-personalized communication with Amazon Personalize and Amazon Bedrock
在这篇文章中，我们演示了如何使用Amazon个性化和亚马逊基石来使用视频启用用例为个体用户生成个性化的外展电子邮件。该概念可以应用于其他领域，例如吸引电子商务和数字营销用例的客户体验。
Pixtral Large is now available in Amazon Bedrock
在这篇文章中，我们演示了如何从亚马逊基岩中的Pixtral大型模型开始。 PixTral大型多模式模型使您可以解决各种用例，例如文档理解，逻辑推理，手写识别，图像比较，实体提取，从扫描的图像中提取结构化数据以及字幕生成。
Harness the power of MCP servers with Amazon Bedrock Agents
今天，MCP正在为代理提供标准访问，以访问扩展的可访问工具列表，您可以使用这些列表来完成各种任务。在这篇文章中，我们向您展示了如何构建一个使用MCP访问数据源以快速构建生成AI应用程序的亚马逊基石代理。
Build agentic systems with CrewAI and Amazon Bedrock
在这篇文章中，我们探讨了Crewai的开源代理框架如何与Amazon Bedrock结合使用，可以创建复杂的多代理系统，从而可以改变企业的运作方式。通过实际的示例和实施细节，我们演示了如何构建，部署和编排可以通过最少的人类监督来处理复杂任务的AI代理。
Amazon Bedrock launches Session Management APIs for generative AI applications (Preview)
Amazon Bedrock宣布了会话管理API的预览发布，这是一种新功能，使开发人员能够为使用Langgraph和LlamainDex等流行的开源框架构建的生成AI应用程序简化状态和上下文管理。会话管理API提供了一个开箱即用的解决方案，使开发人员能够在[…]
Integrate generative AI capabilities into Microsoft Office using Amazon Bedrock
在这篇博客文章中，我们展示了一个强大的解决方案，该解决方案以基于Amazon Bedrock的大型语言模型（LLM）的形式无缝地集成了AWS生成的AI功能，以进入办公室体验。通过利用生成AI的最新进步，我们使员工能够在他们每天使用的工具中解锁新的效率和创造力水平。
在这篇文章中，我们使用Amazon Bedrock探索使用RAG创建文本到SQL应用程序。我们使用人类的Claude 3.5十四行诗型号来生成SQL查询，亚马逊基德岩中的亚马逊泰坦（Amazon Titan）用于文本嵌入，亚马逊基德岩（Amazon Bedrock）访问这些型号。
Transforming financial analysis with CreditAI on Amazon Bedrock: Octus’s journey with AWS
在这篇文章中，我们演示了Octus如何将其旗舰产品Creditai迁移到亚马逊基岩，从而改变了投资专业人员如何访问和分析信用情报。我们踏上了Octus的旅程，从管理多个云提供商和昂贵的GPU实例到使用AWS服务（包括Amazon Bedrock，AWS Fargate和Amazon OpenSearch Service）的AWS服务实施简化的，具有成本效益的解决方案。
Optimize reasoning models like DeepSeek with prompt optimization on Amazon Bedrock
在这篇文章中，我们使用Amazon Bedrock上的迅速优化来演示如何优化诸如DeepSeek-R1之类的推理模型。
How IDIADA optimized its intelligent chatbot with Amazon Bedrock
在2021年，Applus+ Idiada是汽车行业的全球合作伙伴，拥有30多年的经验，通过设计，工程，测试和同级服务为客户开发活动提供支持，建立了数字解决方案部门。在这篇文章中，我们展示了使用Amazon Bedrock在这个基于AI的环境中为人类互动开发分类器的研究过程。
我们很高兴地宣布，Mistral-Small-24B-Instruct-2501-来自Mistral AI的240亿个参数大语言模型（LLM），可针对低延迟文本生成任务进行优化 - 可以通过Amazon Sagemaker Jumpstartand Jumpstartand Amazon Bedrock Marketplace提供客户。在这篇文章中，我们介绍如何发现，部署和使用Mistral-Small-24B-Instruct-2501。
Orchestrate an intelligent document processing workflow using tools in Amazon Bedrock
这种智能文档处理解决方案使用Amazon Bedrock FMS来协调一个复杂的工作流程，以处理具有混合内容类型的多页医疗保健文档。该解决方案使用FM的工具使用功能，该功能通过亚马逊基岩匡威API访问。这使FMS不仅可以处理文本，还可以积极地使用各种外部工具和API来执行复杂的文档分析任务。
这篇文章通过使用Amazon Bedrock知识库实施经过验证的语义缓存来介绍一个解决方案，以减少大语言模型（LLMS）的幻觉，该方法在生成新的答案之前检查了用户问题是否匹配策划和验证的答案。该解决方案将LLM的灵活性与可靠，验证的答案相结合，以提高响应准确性，降低潜伏期和降低成本，同时防止医疗保健，财务和法律服务等关键领域的潜在错误信息。
Generate synthetic counterparty (CR) risk data with generative AI using Amazon Bedrock LLMs and RAG
在这篇文章中，我们探讨了如何将LLM与高级检索增强发电（RAG）一起生成金融领域用例的高质量合成数据。您也可以将相同的技术用于其他业务领域用例的合成数据。在这篇文章中，我们演示了如何产生对方风险（CR）数据，这将对非正式交易的非处方（OTC）衍生产品有益，而无需进行正式交流。
Build a dynamic, role-based AI agent using Amazon Bedrock inline agents
在这篇文章中，我们探讨了如何使用Amazon Bedrock Inline Agents构建应用程序，并演示了单个AI助手如何根据用户角色动态调整其功能。
Use language embeddings for zero-shot classification and semantic search with Amazon Bedrock
在这篇文章中，我们探讨了哪些语言嵌入方式以及如何使用它们来增强您的应用程序。我们展示了如何通过使用嵌入式的属性来实现实时零击分类器，并可以添加强大的功能，例如语义搜索。
Fine-tune LLMs with synthetic data for context-based Q&A using Amazon Bedrock
在本文中，我们将探讨如何使用 Amazon Bedrock 生成合成训练数据来微调 LLM。此外，我们还提供了具体的评估结果，展示了合成数据在数据稀缺时进行微调的强大功能。
LLM-as-a-judge on Amazon Bedrock Model Evaluation
这篇博文探讨了 Amazon Bedrock 模型评估中的 LLM-as-a-judge，提供了功能设置的全面指导，通过控制台和 Python SDK 和 API 评估作业启动，并展示了这一创新评估功能如何增强生成式 AI 应用程序在多个指标类别中的性能，包括质量、用户体验、指令遵循和安全性。
