7 Steps to Building and Deploying Your First Autonomous Agent
本文向您展示了从开始到结束构建和部署第一个自主 AI 代理的所有步骤。
Build enterprise search for agents with Amazon Bedrock Managed Knowledge Base
在这篇文章中，我们将介绍实现这一目标的三大支柱：简化的设置、更智能的检索和生产准备。我们还向您展示了用于设置知识库并从中检索的代码示例。
Brands urged to boost visibility to AI agents
全球专业服务公司 Accenture, Inc. 表示，随着消费者越来越依赖人工智能 (AI) 来做出购买决策，亚太 (APAC) 地区的品牌必须提高其对人工智能 (AI) 代理商的知名度。“现在采取行动、向横向代理商可见、探索垂直专业化并为代理商主导的采购奠定运营基础的品牌将成为 [...]
Publication: The structural interdependencies of industries: An agent-based model
我们开发了一个基于代理的库存流一致宏观经济模型，涉及多个行业并支持...
Из чего складывается реальная стоимость агентного ИИ
自主代理的经济性较少依赖于所使用的模型，而更多地依赖于“思考”的数量、周期的数量以及对辅助工具的调用频率。
Weblica: Scalable and Reproducible Training Environments for Visual Web Agents
网络复杂、开放且不断变化，这使得扩展可视网络代理的训练数据变得具有挑战性。现有的数据收集尝试仍然仅限于用于监督微调的离线轨迹或用于 RL 训练的少数模拟环境，因此无法捕获网络多样性。我们提出了Weblica（Web Replica），一个用于构建可复制和可扩展的Web环境的框架。我们的框架利用 1) HTTP 级缓存来捕获和重播稳定的视觉状态，同时保留交互行为，以及 2) 基于 LLM 的环境合成......
Intelligence is Free, Now What? <br> Data Systems for, of, and by Agents
...民有、民治、民享的政府... — 亚伯拉罕·林肯，葛底斯堡演说 (1863) 人工智能的成本正在迅速下降。到 2023 年初，GPT-4 级功能的成本约为每百万代币 30 美元；如今，同样的价格低于 1 美元，一些提供商将成本压低到 0.10 美元以下。在各个基准中，推理价格每年下降 9 倍到 900 倍，下降中位数接近 50 倍。即使是前沿型号也每一代都变得越来越便宜，开源型号紧随其后。至关重要的是，即使“诺贝尔奖获得者天才级”智能还没有出现，但足以满足绝大多数知识工作的智能今天已经存在，而且每个月都在变得更便宜。按照这个速度，我们很快就会进入几乎免费的智能时代——这种智能对于日常知识
Why this fully agentic ransomware attack is giving researchers nightmares
JadePuffer 可能是首例报告的自始至终由人工智能驱动的勒索软件攻击案例。企业该如何应对？
Improving the speed and energy-efficiency of AI agents
名为 Murakkab 的新系统优化了支持 AI 应用程序的多步骤工作流程的设计和部署。
70% of companies deploying customer service AI agents see ROI in 60 days
基于结果的解决定价意味着只有当人工智能代理在没有人工干预的情况下自主解决问题时，公司才会付费。
Context intelligence for your data and AI agents at scale
智能体的智能取决于它们能够推理的上下文。如今，这种背景分散在数据湖、数据仓库、湖屋、数据库和流中，以及从未被记录下来的机构知识中。您希望信任人工智能代理做出的决策，但这只有在代理掌握上下文后才能实现。想象一下，当我们为代理提供一种安全的方式来访问他们提供可信决策所需的上下文时，将会发生什么。这就是为什么在纽约市 AWS 峰会上，我们宣布了一系列创新技术，可为您的数据和 AI 代理大规模提供智能。
Building the enterprise environment for agentic AI
对于企业来说，代理人工智能的承诺不仅仅是一个更好的聊天机器人。它是跨人员、业务工作流程、数据和系统端到端执行业务任务的软件代理。最适合运行代理的平台具有适当的 CPU 容量、弹性数据访问、策略感知工具的使用、可观察性、内存管理以及……
Teaching LLMs to Update Beliefs for Efficient Long-Horizon Interaction
ABBEL 与传统递归摘要相比的概述。信念取代了完整的交互历史作为代理的工作环境，信念分级通过监督每个信念状态的内容来提高性能。随着任务范围的增长，LLM 环境无法永远扩展。自总结可以实现简洁、可解释的上下文，但会带来显着的性能成本，特别是对于高质量数据稀缺的人工辅助领域，例如协作代码生成。我们用 ABBEL 来解决这个问题：一个框架，以自然语言信念状态的形式隔离和监督摘要的信息内容。动机：递归摘要的成本对于语言模型来说，要有效地协助日益复杂的任务，例如软件开发，它们必须能够与我们进行数百甚至数千个步骤的交互。对于如此长的任务，将整个交互的历史记录保存在上下文中是不切实际的。迄今为止使用的启发
Evaluating AI Agents: A production blueprint with Strands and AgentCore
Motorway 和 AWS 共同构建了一个端到端评估管道，将错误结果从八分之一的查询减少到五十分之一，并将问题检测时间从几小时缩短到几分钟。该管道将 Strands Agents SDK 与 Amazon Bedrock AgentCore 相结合，这是一项用于大规模部署和操作 AI 代理的完全托管服务。在这篇文章中，您将学习如何为您自己的代理构建此管道。
Top 5 MCP Servers for High-Performance Agentic Development
这里有五个真正值得连接到高性能代理开发设置中的内容，选择它们是根据他们对代理的实际能力而不是他们的星级数量所做的工作。
The Right Amount of Spec for Agentic Development
我在有关代理的对话中不断看到同样的想法：详细的规格现在已经是旧世界的开销了。给模型一个粗略的目标，让它探索，修复返回的结果，然后继续前进。听起来很有效率，但也隐藏了成本。一个简单的提示看起来便宜且诱人，因为它可以立即开始实施。然后[...]
Don’t Neglect the Operational Groundwork
自主代理的移动速度超过了现场管理它们的能力，要追赶上来需要的不仅仅是更好的提示或更大的沙箱。在 O’Reilly 最近的 AI Superstream 上，重点关注 OpenClaw 以及更广泛的本地运行和自托管 AI 代理生态系统，五位发言者分别在堆栈的不同层工作，探索了模式 [...]
