Building a Workplace Safety Intelligence Platform with Computer Vision and Edge Analytics
闭路电视有记录但看不懂。了解计算机视觉和边缘人工智能如何在工业现场构建整体安全智能。
Robotic Refrigerant Charging with Vision Error-Proofing: How to Build the Line
机器人制冷剂加注和压缩机油加注，由 EVST 高级应用工程师梁伟完成 — 机器人加液单元和装配线视觉防错。最后更新：2026 年 6 月 18 日。首先回答：通过手动漂移充注制冷剂和计量压缩机油 - 偏差几克、型号错误或跳过一次填充，以及单元 […]带有视觉防错功能的机器人制冷剂充注：如何构建生产线首次出现在 EVST 中。
How to Build a Flexible Assembly Cell for E-Drives and Precision Modules: Turntable + Cobot
如何构建用于电子驱动器和精密模块的灵活装配单元 作者：EVST 高级应用工程师梁伟 — 协作机器人单元和灵活装配自动化。最后更新：2026 年 6 月 18 日。首先回答：电子驱动器和精密模块的多步骤组装 - 紧固、零件装配、拆卸，一个接一个 - 无法通过[...]提升周期时间 [...]如何为电子驱动器和精密模块构建灵活的组装单元：转盘 + 协作机器人首次出现在 EVST。
How to Build a Structural-Steel / Bridge Welding Line: Robot + Rail + Positioner
钢结构/桥梁焊接线需要机器人+导轨+定位器：导轨延伸超过10 m，定位器使接缝平整，激光跟踪校正。如何构建钢结构/桥梁焊接线：机器人+导轨+定位器首次出现在EVST。
Why L&D Teams Are Building Their Own Training Workflows—Without A Single Developer
大多数学习与发展改进工作都集中在内容和设计上。但对 L&D 绩效的真正拖累在于操作：手动工作流程、电子表格跟踪器和电子邮件链会消耗专业时间并造成执行差距。以下是如何修复大多数团队忽略的层。这篇文章首先发表在电子学习行业。
Sponsored Content: Fast-Track the Front Line: Build Stronger Equipment Faster
国防部已经制定了明确的优先事项，既要扩大国内军事制造能力，又要投资为美国军队在战场上提供明显技术优势的平台。
Build context-rich research agents with Deep Agents and Bedrock AgentCore
在这篇文章中，您将构建一个有竞争力的研究代理，端到端地演示此模式。本演练针对的是构建多步骤 AI 工作流程的开发人员，他们需要为其代理提供隔离的执行环境。在本笔记本的第 2 部分中，您可以使用 AgentCore CLI 将同一代理部署到 Bedrock AgentCore Runtime，以便它作为托管、会话隔离的服务运行。
Building Time-Series Machine Learning Models with sktime in Python
在本文中，我们将使用 sktime 在 Python 中构建时间序列机器学习模型，并探索其用于预测工作流程的核心数据结构。
I Built an AI Grading Tool. Then a Student Thanked Me for Words I Didn’t Write.
How to keep teachers in charge when AI does the grading.
Sponsored Content: Fast-Track the Front Line: Build Stronger Equipment Faster
国防部已经制定了明确的优先事项，既要扩大国内军事制造能力，又要投资为美国军队在战场上提供明显技术优势的平台。
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。
Built from the inside out: How AWS Professional Services became a frontier team first
AWS 专业服务 (AWS ProServe) 将参与时间从几个月压缩到几天，不是通过向现有流程添加人工智能 (AI) 工具，而是从根本上重建我们从内到外的交付方式。在这篇文章中，我们将分享 AWS ProServe 如何成为前沿团队、实现这一目标的实践，以及您的工程组织可以从我们的经验中学到什么。
Larger Context Windows Don’t Fix RAG — So I Built a System That Does
增加 RAG 系统中的上下文大小并不会提高聚合任务的准确性 - 它会使错误更难以检测。在本文中，我针对跨 100,000 行的确定性全扫描引擎对基于检索的管道进行了基准测试，并展示了为什么计算查询必须完全路由远离 RAG。更大的上下文窗口不修复 RAG — 所以我构建了一个可以修复 RAG 的帖子首先出现在《走向数据科学》上。
Build with Cursor and deploy production-ready AI agents on DataRobot
光标改变了开发人员编写代码的方式。代理模式很好：你描述你想要什么，它推理问题，选择正确的工具，并发布工作代码。对于新建项目和标准库，它运行顺利。当您在拥有自己的专用平台上构建代理时，事情会变得更加困难......使用 Cursor 构建并在 DataRobot 上部署生产就绪的 AI 代理一文首先出现在 DataRobot 上。
UW researchers built AI agents that quickly estimate electronic devices’ carbon footprints
华盛顿大学的研究人员开发了一种人工智能系统，可以自动估计制造不同电子设备对环境的影响。该系统只需一分钟即可运行，并获得与人类专家相似的准确度估计。
Beyond the Classroom: How School Districts Are Building Real-World Career Pathways
一些学区正在远远超越职业模拟，而是与社区中的客户合作，为学生提供...
Introducing Mobile Layout for Amazon Quick dashboards
依赖仪表板进行日常决策的团队通常必须捏合和缩放才能与最初为更大的显示器设计的控件进行交互。当仪表板是为桌面屏幕构建时，在早上站立时检查收入、在会议之间检查管道指标或在旅行时监控操作都需要付出额外的努力。亚马逊的移动布局 [...]
