用 Denodo 和 Amazon Bedrock AgentCore 在 AWS 上为智能体 AI 构建语义层
本文演示用 Denodo Platform 作为语义层、配合 Amazon Bedrock AgentCore 托管智能体，联邦查询 Amazon Aurora、Amazon Redshift 和本地 PostgreSQL 三处数据源。
#教程/实践
AWS Machine Learning BlogAI 评分2222 AWS Machine Learning BlogAI 评分3636 Eon 如何基于 Amazon Bedrock AgentCore 的 MCP Gateway 构建多云调查能力
Eon 用 Amazon Bedrock AgentCore 的 MCP Gateway 替换了逐工具凭证和本地 MCP 进程，让开发者和自主 SRE 智能体通过单一认证网关访问 AWS、GCP、Azure 三朵云上的调查工具。
AWS Machine Learning BlogAI 评分2626 在 AWS 上用 X.509 PKI 保障 AI 智能体身份安全
AWS 与 Keyfactor 联合发布参考架构，用 X.509 PKI 为 AI 智能体建立加密身份，解决 MCP 缺乏内置认证标准导致的智能体伪造与凭证重放问题。
GitHub Blog · AI & MLAI 评分3838 三位 Java Champion 如何用 GitHub Copilot 提升生产力
三位拥有十余年 Java 经验的 Java Champion 分享了在生产与开源项目中使用 GitHub Copilot 的具体实践。
GitHub Blog · AI & MLAI 评分3131 如何在 VS Code 中继续 GitHub Copilot 应用会话
GitHub Copilot 应用中的会话可直接在 VS Code 中打开并继续，对话、代码改动和工作上下文均完整保留。VS Code 会加载该会话对应的 worktree，并在 Copilot 侧边栏显示原会话，用户可逐行审查 diff、手动编辑、在集成终端运行测试，最后提交并推送到该会话关联的 pull request。
AWS Machine Learning BlogAI 评分3232 vLLM 推出基于 push 的 KV 传输，分拆推理下 TTFT 最高提升 3 倍
vLLM 新增 push 模式的 NIXL connector，把 KV 传输的协调与准备工作移出首 token 关键路径。在 AWS EC2 P5en 实例搭配 EFA 的 1P1D 部署上，Qwen3-32B 的 TTFT 最高提升 3 倍，TPOT 最高改善 30%。该功能先在 AWS Trainium 集群验证，再以与加速器无关的形式贡献给 vLLM。
AWS Machine Learning BlogAI 评分2525 Deepgram 如何借助 AWS Trainium 优化大规模语音 AI
Deepgram 将 Nova-3 语音转文字模型移植到 AWS Trainium2，在单台 Amazon EC2 trn2.3xlarge 实例上运行八个模型副本，离线批处理任务每美元处理的音频量比原有算力方案提升 11%–70%。
AWS Machine Learning BlogAI 评分3636 vLLM 双向 KV 传输如何降低多轮智能体工作负载的 TTFT
vLLM 引入双向 KV 传输，让 decode 节点在后续轮次把已计算的 KV 缓存回传给 prefill 节点，避免重复计算对话历史。在 Amazon EC2 P5en 的 1P1D 部署上，该机制使 Qwen3-32B 的 TTFT 最高降低 1.6 倍、zai-org/GLM-5-FP8 最高降低 3.3 倍。
AWS Machine Learning BlogAI 评分5858 AWS 用 Amazon Bedrock AgentCore 搭建智能体九阶段评测框架
AWS 销售与市场团队基于 Amazon Bedrock AgentCore Evaluations 搭建了覆盖从首次提交到生产运行的九阶段智能体评测框架，用于其内部多智能体销售分析系统。
OpenAI NewsAI 评分4242 Stack Overflow for Agents 借助 ChatGPT 插件实现注册量三倍增长
Stack Overflow for Agents 由两名工程师用 Codex 在几周内完成开发，其 ChatGPT 插件推动智能体创建量最高增长 10 倍，注册量随之增至三倍。
OpenAI NewsAI 评分2222 Benefit Street Partners 用 Codex 更快回答客户问题
Benefit Street Partners 的 Anant Kumar 借助 Codex 进行代码审查并加快后续跟进，从而更快回答客户问题。他构建的工具用于比较贷款估值和分析信贷协议。
AWS Machine Learning BlogAI 评分4343 用 Amazon Bedrock AgentCore 构建自改进的文档处理系统
AWS 发布基于 Amazon Bedrock AgentCore 的多智能体文档处理方案，由 8 个专用智能体组成识别与训练两条工作流，可在不到 20 分钟内完成部署。
AWS Machine Learning BlogAI 评分4040 用 Amazon Bedrock AgentCore 生成演示文稿
基于 Amazon Bedrock AgentCore 的 AI 智能体系统可在内部测试中于 90 秒内自动生成 PowerPoint 演示文稿。
AWS Machine Learning BlogAI 评分2222 Tamnoon 如何用 Amazon Bedrock 构建 AI 驱动的云安全修复平台
Tamnoon 基于 Amazon Bedrock 构建了智能体式云修复编排器 Tami，可自主调查 CNAPP 等来源的安全发现并评估修复安全性，在 90 天内将关键云暴露减少超 90%，且零生产事故。
AWS Machine Learning BlogAI 评分2525 如何用 Amazon SageMaker JumpStart 部署并评估模型
Amazon SageMaker JumpStart 提供可复用 Python 脚本，从模型目录部署模型、用示例提示词测量延迟与单请求生成速率，并在测试后删除端点。2026 年该服务新增 Model Hub 浏览与预配置端点部署选项，并支持从 Hugging Face 一键跳转至 SageMaker AI 部署。示例中单次请求延迟 9.07 秒、输出约 153 词、生成速率 16.9 词/秒。
GitHub Blog · AI & MLAI 评分4242 GitHub Copilot 入门指南：如何让 Copilot 了解你的代码库
GitHub Copilot 可通过四种方式学习代码库规则：仓库级自定义指令写入 .github/copilot-instructions.md，路径级指令文件用 applyTo 字段匹配特定文件。
Hugging Face Blog精选AI 评分7878 作者用 ML-intern 在几天内训出六个模型，总花费约 103 美元
作者在 HuggingChat 中开启 ML-intern，用提示词驱动它完成数据准备、训练、评测和发布，几天内做出六个模型，总计算花费约 103 美元。
推荐理由：作者用六个真实项目拆解了给 ML-intern 写提示词的方法，包括基线、冒烟测试和预算上限的具体写法。
GitHub Blog · AI & MLAI 评分5858 GitHub Copilot 应用如何用 canvases 构建自定义工作流
GitHub Copilot 应用中的 canvas 是一种可定制界面，用户与智能体共享同一份状态，可做成看板、问题分诊板、发布清单或仪表盘。创建时只需在智能体会话中输入 /create-canvas 并用自然语言描述工作流、界面操作和智能体可执行的动作，智能体便会生成界面并在右侧面板打开。
Mistral AIAI 评分5858 Mistral 用 AI 智能体将 4 万行 Fortran 77 迁移至 C++
Mistral 帮助一家欧洲能源运营商把 4 万行 Fortran 77 的油藏模拟器迁移到 C++，该代码库没有测试套件，也没有集中文档。团队先搭建数值对齐测试框架，再借助 Vibe CLI 启动上百个智能体整理文档，最终采用由人类把关的 coder、tester、reviewer 结构化工作流，逐模块迁移。
Berkeley AI ResearchAI 评分4343 从 CUDA 到 MLX：K-Search 如何将数十年 kernel 经验带到 Apple Silicon
伯克利 Sky Lab 团队将 K-Search 进化式 kernel 搜索框架扩展出 MLX 后端，通过结构化 CUDA-to-MLX 翻译层把已有 CUDA kernel 作为知识库迁移到 Apple Silicon。