Build agents to learn from experiences using Amazon Bedrock AgentCore episodic memory
在这篇文章中，我们将引导您完成构建和存储情节的完整架构，讨论反射模块，并分享令人信服的基准，这些基准证明代理任务成功率显着提高。
How bunq handles 97% of support with Amazon Bedrock
在这篇文章中，我们展示了 Bunq 如何使用 Amazon Bedrock 升级其内部生成式 AI 助手 Finn，以实现多种语言和时区的无缝用户支持和银行运营。
How Thomson Reuters built an Agentic Platform Engineering Hub with Amazon Bedrock AgentCore
这篇博文介绍了 TR 的平台工程团队（一个负责监督 TR 服务可用性的地理分布单位）如何通过使用 Amazon Bedrock AgentCore 从手动系统过渡到自动化代理系统来提高其运营生产力。
Introducing multimodal retrieval for Amazon Bedrock Knowledge Bases
在这篇文章中，我们将指导您构建多模式 RAG 应用程序。您将了解多模式知识库的工作原理、如何根据内容类型选择正确的处理策略，以及如何使用控制台和代码示例来配置和实现多模式检索。
Safeguard generative AI applications with Amazon Bedrock Guardrails
在这篇文章中，我们将演示如何通过使用 Amazon Bedrock Guardrails 向自定义多提供商生成式 AI 网关添加集中式保护措施来应对这些挑战。
Deploy AI agents on Amazon Bedrock AgentCore using GitHub Actions
在这篇文章中，我们演示了如何使用 GitHub Actions 工作流程在 AgentCore Runtime 上自动部署 AI 代理。这种方法提供了具有企业级安全控制的可扩展解决方案，提供完整的持续集成和交付 (CI/CD) 自动化。
How Palo Alto Networks enhanced device security infra log analysis with Amazon Bedrock
Palo Alto Networks 的设备安全团队希望检测潜在生产问题的早期预警信号，以便为中小企业提供更多时间来应对这些新出现的问题。他们与 AWS GenAIIC 合作开发由 Amazon Bedrock 提供支持的自动日志分类管道。在这篇文章中，我们讨论 Amazon Bedrock 如何通过 Anthropic 的 Claude Haiku 模型和 Amazon Titan Text Embeddings 协同工作来自动分类和分析日志数据。我们探索这个自动化管道如何检测关键问题，检查解决方案架构，并分享实现可衡量的运营改进的实施见解。
Scale creative asset discovery with Amazon Nova Multimodal Embeddings unified vector search
在本文中，我们将介绍如何使用 Amazon Nova 多模式嵌入来检索特定视频片段。我们还回顾了一个现实世界的用例，其中 Nova Multimodal Embeddings 在针对 170 个游戏创意资产的库进行测试时，实现了 96.7% 的召回成功率和 73.3% 的高精度召回率（返回前两个结果中的目标内容）。该模型还展示了强大的跨语言功能，并且跨多种语言的性能下降最小。
本文探讨了新的无服务器模型定制功能、弹性训练、无检查点训练和无服务器 MLflow 如何协同工作，将您的 AI 开发速度从几个月缩短到几天。
Advanced fine-tuning techniques for multi-agent orchestration: Patterns from Amazon at scale
在这篇文章中，我们向您展示微调如何使危险用药错误减少 33%（Amazon Pharmacy）、工程人力减少 80%（Amazon Global Engineering Services）以及内容质量评估如何提高 77% 至 96% 的准确性（Amazon A+）。这篇文章详细介绍了这些结果背后的技术：从监督微调 (SFT)（指令调优）和近端策略优化 (PPO) 等基础方法，到用于人类对齐的直接偏好优化 (DPO)，再到尖端推理优化，例如基于策略优化的分组强化学习 (GRPO)、直接优势策略优化 (DAPO) 和专为代理系统构建的组序列策略优化 (GSPO)。
How AutoScout24 built a Bot Factory to standardize AI agent development with Amazon Bedrock
在这篇文章中，我们将探讨 AutoScout24 用于构建标准化 AI 开发框架的架构，从而实现安全且可扩展的 AI 代理的快速部署。
Build a generative AI-powered business reporting solution with Amazon Bedrock
本文介绍了生成式 AI 指导的业务报告，重点是撰写有关您的业务的成就和挑战，提供智能、实用的解决方案，有助于简化和加速内部沟通和报告。
PAL Airlines replaces Jazz on some Air Canada routes
本文仅适用于订阅商业航空新闻、运营商和机场数据
Securing Amazon Bedrock cross-Region inference: Geographic and global
在本文中，我们探讨了实施 Amazon Bedrock 跨区域推理配置文件的安全注意事项和最佳实践。无论您是构建生成式 AI 应用程序还是需要满足特定的区域合规性要求，本指南都将帮助您了解 Amazon Bedrock CRIS 的安全架构以及如何正确配置您的实施。
How Omada Health scaled patient care by fine-tuning Llama models on Amazon SageMaker AI
本文由 Omada Health 的 AI/ML 产品经理 Sunaina Kavi 共同撰写。 Omada Health 是虚拟医疗服务领域的长期创新者，于 2025 年推出了新的营养体验，其特色是 OmadaSpark，这是一款接受过强大临床输入训练的人工智能代理，可提供实时动机访谈和营养教育。它是在 AWS 上构建的。 OmadaSpark 的设计 [...]
Architecting TrueLook’s AI-powered construction safety system on Amazon SageMaker AI
本文详细介绍了 TrueLook 如何使用 SageMaker AI 构建人工智能驱动的安全监控系统，重点介绍了关键技术决策、管道设计模式和 MLOps 最佳实践。您将获得有关在 AWS 上设计可扩展计算机视觉解决方案的宝贵见解，特别是围绕模型训练工作流程、自动化管道创建和实时推理的生产部署策略。
使用几行代码即可将量化模型无缝部署在 Amazon SageMaker AI 上。在这篇文章中，我们探讨了为什么量化很重要——它如何实现更低成本的推理，支持在资源受限的硬件上的部署，并减少现代法学硕士对财务和环境的影响，同时保留其大部分原始性能。我们还深入研究 PTQ 背后的原理，并演示如何量化您选择的模型并将其部署在 Amazon SageMaker 上。
How Beekeeper optimized user personalization with Amazon Bedrock
Beekeeper 的自动排行榜方法和用于动态法学硕士和即时配对选择的人工反馈循环系统解决了组织在快速发展的语言模型领域面临的关键挑战。
