行业内容

AWS 推出 Adjudicated Query 模式，规则引擎负责合规判定

Sweep thousands of leases for compliance using Amazon Quick and the Adjudicated Query pattern

AWS 博客介绍 Adjudicated Query 模式，把自然语言提问交给 Amazon Quick 对话层，实际的合规判定由确定性规则引擎完成。参考架构中 MCP 服务只暴露 sweep_compliance、simulate_rule_change 等六个工具，规则以版本化数据存放于 Amazon Aurora Serverless v2，每次核查生成完整性回执，要求合规、违约、歧义与不可读四项计数之和等于扫描总数，Amazon Bedrock 仅用于探索性的条款相似度排序。

教程#AWS#Amazon Quick#Amazon Bedrock

推荐理由：材料给出规则引擎加对话层的合规查询设计模式，并说明模型只做转译与叙述、判定仍由确定性引擎完成。

为 Claude Desktop 接入 AgentCore 托管联网搜索

Add secure Web Search to Claude Desktop with Amazon Bedrock AgentCore

AWS 博客给出分步教程，用 Amazon Bedrock AgentCore Gateway 把托管 Web Search 接入 Claude Desktop，补上模型训练知识截止后的信息缺口。方案以 AWS IAM Identity Center 为身份源、经 Amazon Cognito 签发 JWT 做入站认证，查询流量留在 AWS 内且无需管理外部 API key；该能力目前在 us-east-1、eu-west-1 和 ap-northeast-1 提供。

教程#Claude Desktop#Amazon Bedrock AgentCore#AWS

推荐理由：教程给出把托管 Web Search 通过 MCP 接入 Claude Desktop 的完整配置路径，并展示 IAM Identity Center 到 Cognito 的 JWT 认证链路。

AWS 用 SageMaker AI 多轮 RL 微调搜索智能体

Fine-tune a search agent with multi-turn RL on Amazon SageMaker AI

AWS 机器学习博客介绍了用 Amazon SageMaker AI 的多轮强化学习（MTRL）微调 Qwen3.6-27B 搜索智能体的做法，仅调整 max_epochs、global_batch_size、rollout_max_concurrency 三个超参数，其余走默认值。训练以 nDCG@10 作为轨迹级奖励，在四个留出基准中的三个取得提升，BrowseComp-Plus 的 nDCG@10 提高 23.7%，失败率从 22.89% 降至 0.68%，FreshStack 上略有回退。

教程#Amazon SageMaker AI#Qwen3.6-27B

推荐理由：文中给出多轮强化学习的完整训练配置与四个基准的对比数字，可据此判断小模型在检索任务上替代前沿模型的成本与可靠性边界。

AWS 实践：用 AgentCore 上的四个智能体给300+应用云迁移提速——IaC 开发从3-4周/应用降到分钟级

Scaling cloud migrations with agentic AI on Amazon Bedrock AgentCore

AWS ML 博客(2026-10 更新)：一个覆盖300+应用、有财年死线的大型云迁移项目回答"哪些交给托管服务、哪些需要自建自动化"——Amazon Bedrock AgentCore 上的四智能体模式把每应用的 IaC 开发从3-4周压到分钟级(内部项目跟踪数据)。模式与 AWS Transform(迁移现代化)和 AWS DMS(数据库层)并行而非替代：智能体用 Strands Agents SDK 构建、跑在 AgentCore 上，经 AgentCore Gateway 暴露的组织自建 MCP 工具连接源与目标端。文中给出架构、智能体定义与工具接入代码及 responsible AI 控制。

教程#Amazon Bedrock AgentCore#AWS#Strands Agents SDK

用 Amazon S3 Vectors 为 NAT 智能体实现持久记忆层

Build agent memory with NVIDIA NeMo Agent Toolkit and Amazon S3 Vectors

AWS 博客给出把 Amazon S3 Vectors 接入 NVIDIA NeMo Agent Toolkit 的完整实现，通过自定义 MemoryEditor 插件承载智能体持久记忆，并部署在 Amazon EKS 上。索引使用 1024 维向量与余弦距离，配合 Amazon Titan Text Embeddings V2 生成嵌入，NAT 内置的记忆后端还包括 Mem0、MemMachine、Redis 和 Zep。

教程#NVIDIA#AWS#Amazon S3 Vectors

推荐理由：文中给出可运行的插件代码与 YAML 配置，读者可以据此把 S3 Vectors 接入 NAT 的记忆子系统。

Amazon Payments 用上下文老虎机优化支付转化漏斗

Uplifting conversion across the acquisition funnel with personalization using contextual bandits on AWS

Amazon Payments 在支付产品获客漏斗上采用多目标上下文多臂老虎机，基于 Amazon SageMaker AI 实现，在七周线上 A/B 测试中对一类客户群取得高个位数百分比的最终转化率相对提升，另一类客户群则未见改善。作者指出问题出在内容而非模型，并开源了可在合成数据上试跑该方法的代码仓库。

教程#Amazon#AWS#Amazon SageMaker AI

推荐理由：Amazon Payments 公开了七周线上 A/B 测试结果与多目标 LinUCB 的实现代码，可供评估该方法在转化漏斗上的实际收益与局限。

AWS 用 AgentCore 搭建事件驱动的环境智能体

Building ambient agents with Amazon Bedrock AgentCore: From event-driven signals to human-in-the-loop workflows

AWS 介绍如何在 Amazon Bedrock AgentCore 上构建环境智能体，由 S3 事件通知或定时任务触发，经 Signal Processor 匹配信号并创建作业，再由 SQS 队列交由 Lambda 调用 AgentCore Runtime 执行；智能体通过唯一的 ask_human 工具在需要澄清或审批时暂停，返回 interrupted 状态后由前端 Interrupted 标签页让用户回应，参考实现默认 autoExecute 为 false，并把每轮时长限制在 Lambda 15 分钟超时内。

教程#Amazon Bedrock AgentCore#AWS

推荐理由：以可部署的参考实现讲清事件触发型智能体的架构，读者可据此评估人机协同环节的设计取舍。

AWS 教程：Claude Platform on AWS 跨三环境访问——专属 AI Services 账号 + 跨账号 SigV4、workspace 级 API Key、OIDC 联邦

Implementing Multi-Environment Access for Claude Platform on AWS

AWS ML 博客实操教程：同一份 Claude Platform on AWS(CPonAWS)订阅要同时服务 AWS 生产负载、开发者本地笔记本与其他云/本地 CI-CD。方案：在组织内建专属 AI Services linked account 持有订阅/workspace/API key/跨账号角色，负载账号不直接碰订阅、经跨账号 SigV4 assume role 进入调用推理；开发者发 workspace-scoped API key，外部环境走 OIDC 联邦，生产与开发流量在 workspace 层隔离。每步附 CLI/控制台/代码片段。

教程#Anthropic#Claude Platform on AWS#AWS

AWS 案例教程：uniopen 用 SageMaker 微调 Amazon Nova 2 Lite 落地自家两轴审核分类，配提示层输出优化

How uniopen customized Amazon Nova to their retail moderation policies for production deployment

AWS ML 博客：台湾统一企业集团的数字沟通与会员平台 uniopen 在 web/平板/移动端执行两轴内容审核——9类"行为"×(brand/other/forbidden)"对象"，两个都判对才有可用结论，且分类体系是企业特有、通用模型学不会。方案：在 Amazon SageMaker AI 里对 Amazon Nova 2 Lite 做监督微调，再以提示词层的输出优化收尾；修正数据、训练、评估与部署控制在一条可重复工作流里。

教程#uniopen#Amazon Nova#Amazon SageMaker AI

AWS 教程演示用 Bedrock 知识库搭建理赔问答助手

Query claims in natural language with Amazon Bedrock Knowledge Bases

AWS 机器学习博客发布技术实操，演示如何用 Amazon Bedrock Knowledge Bases 的托管 RAG 能力把 S3 中的理赔文档解析、分块、向量化并建库，再通过 AgenticRetrieveStream 接口实现自然语言多轮提问、按 claim_id 等元数据过滤，以及带引用的答案输出。文中数据为合成的理赔记录，并说明未描述生产客户部署。

教程#Amazon Bedrock Knowledge Bases#AWS

推荐理由：从 S3 文档摄入到元数据过滤和答案引用，这篇实操给出了搭建带引用理赔问答助手的完整步骤，可迁移到其他文档密集场景。

AWS 教程：用 AgentCore Runtime Instances 搭三天多智能体音乐流水线——一个 agent 在本机 GPU 跑生成音频、另两个开共享卷上的 .wav

Build a multi-agent music production pipeline on Amazon Bedrock AgentCore Runtime Instances

AWS ML 博客架构教程：多智能体协作跨越数天、共享上下文并互相接续产出时，数小时即终止的 serverless 会话不够用。示例流水线跑在 Amazon Bedrock AgentCore 的新计算选项 Runtime Instances(AWS 托管 EC2，支持多日会话、GPU、持久卷、多 agent 同机)：一个 agent 在实例 GPU 上跑生成式音频模型，另两个从共享卷打开它写出的 .wav 文件，最终产出可播放的曲目；教程覆盖创建 capacity provider、从不同 artifact 类型部署 agent、经共享会话做 agent-to-agent 编排与跨天持久化。MicroVM(serverless、按量计费)与 Instances 同用一套 runtime API，均支持 CrewAI/LangGraph/LlamaIndex/Strands 与 MCP/A2A。

教程#AWS#Amazon Bedrock

OpenAI 联手美国 SBDC：给小企业加实操 AI 培训与本地支持，附新报告

Helping small businesses put AI to work

OpenAI 宣布与美国 SBDC(America's Small Business Development Centers)合作，扩大面向小企业的动手 AI 培训与本地支持，同时发布一份关于小团队如何使用 AI 的新报告。原文为短文。

行业#OpenAI#America's SBDC

AWS 教程(上)：Amazon Quick 提示词工程基础——具体性、上下文、few-shot 与 CRISPE 框架

Prompt engineering fundamentals for Amazon Quick

AWS ML 博客教程(上下两篇的第一篇)：Amazon Quick 里"怎么问"决定 AI 功能回应的准确与可靠度——造自定义 agent、写自动化流、或用会话式分析查数据都一样。同样一句"分析客户数据"只会得到泛泛总结，而"找出近一季参与度下降、按营收影响排序、并带流失风险相关的产品使用模式的医疗行业前五企业客户"才给出可行动情报。本篇讲跨组件通用的原则与可复用框架(具体性、设上下文、少样本示例、复杂请求用 CRISPE)，第二篇再按 Research/Flows/Sight/Chat Agents/Action Integrations 逐组件讲技巧。

教程#Amazon Quick#AWS

AWS 教程(下)：Amazon Quick 各组件的提示词模式与坑——Research 要把目标/受众/范围说全

Prompt engineering by Quick component: Patterns and pitfalls

AWS ML 博客教程(第二篇)：通用原则(具体性、上下文、few-shot、CRISPE)之外，各 Quick 组件对提示词的解读不同。Quick Research 靠你如何框定研究目标：agent 会把目标拆成子主题、跨企业数据与外部来源检索、再出带引用的结构化报告——目标含糊就出浅报告，明确就出可执行报告；AWS 文档原话"要说清你要实现什么、为谁、为什么"，好的目标会点名主题、限定时间窗、指明确定受众与最看重的产出(示例：过去12个月美国医院系统的生成式 AI 采用，聚焦临床决策支持与行政自动化两块)。Flows/Sight/Chat Agents/Action Integrations 亦各有模式与陷阱。

教程#Amazon Quick#AWS

AWS 架构教程：用 Amazon Quick + Bedrock AgentCore 造合同智能平台——RAG 语义检索跨千份合同会失灵

Building an AI-powered contract intelligence platform with Amazon Quick and Amazon Bedrock AgentCore

AWS ML 博客架构教程：合同主管面对数百上千份 PDF 里的合同金额/到期日/签署状态/关键联系人，靠人肉摘要与电子表格。单份问答类工具没问题，但一旦"总敞口/即将续约"这类要跨全量数据聚合的问题，把长文切块、只检索 top-k 块的 RAG(语义检索)就失灵——需要的不是更好的提示词而是另一种架构。文中给出 AWS 上的合同智能平台架构：用 AI agent 抽取合同数据、以多模型方式校验准确性、再经内嵌分析与自然语言查询即时作答。

教程#AWS#Amazon Quick#Amazon Bedrock AgentCore

Condé Nast 用 Amazon Bedrock 做多模态视频检索：140万+条视频从每次250分钟压到不到2分钟

How Condé Nast built multimodal video discovery with Amazon Bedrock

AWS ML 博客案例：Condé Nast(Vogue、GQ、Vanity Fair、Wired 等品牌)编辑团队过去只能靠标题与描述找片段、手动拖看14万条视频库里的内容，单次内容发现平均花250分钟。核心问题是结构性——现有搜索看不到视频内部，团队依赖"机构记忆"。他们与 AWS Generative AI Innovation Center 合作，在 Amazon Bedrock 与 OpenSearch Service 上做出一套多模态检索方案，跨视频转录、画面元素与音频做"基于意图"的语义检索，选 TwelveLabs 的 Marengo 嵌入模型(原生联合编码视觉/音频/转录)。检索时间从250分钟降到2分钟以内。

教程#Condé Nast#Amazon Bedrock#Amazon OpenSearch Service

安全案例（safety cases）早期指南：这份初版指南覆盖三块——技术防护措施、运营层面的实践，以及对模型失准事件的调查

Towards safety cases for frontier AI training

OpenAI 发布一份关于在前沿 AI 训练中构建安全案例（safety cases）的早期指南，内容分三块：技术性的防护手段、组织运营上的实践做法，以及如何调查出现的失准事件。定位为初版，意在把「论证一个系统足够安全」这件事标准化。

教程

Kākāpō Party：作者用 Claude Opus 5.5 生成 20+ 只像素鹩哥蹦跳撒彩带的 HTML5 canvas 动画，再让本地 Claude Code 写 Playwright 脚本点开撒花、录出 15 秒视频塞进 Keynote 闭幕幻灯片

Kākāpō Party

作者为 WeAreDevelopers 闭幕演讲准备 STAR 时刻：把 2026 年破纪录的鸮鹦鹉繁殖季做成结尾幻灯片。他拿三张 Google 图片搜索的 kakapo 照片喂给 Claude Opus 5.5——因社区盛传其像素动画能力——一句提示生成 HTML5 canvas 上至少 20 只蹦跳撒彩带的像素鸮鹦鹉页；再对本地 Claude Code 说“把这个本地 HTML 录成 15 秒视频、3 秒后才开始点、点位散布四角边缘中央”，Claude Code 自写 Playwright 脚本（完整贴出）跑 Chromium 录像，产物正好用作最终幻灯片。过程 transcript 全公开。

教程#Anthropic

GitHub Copilot app 新手教程：用 /create-canvas 让界面围着工作流长——agent 与你共用一块双向画布

GitHub Copilot app for Beginners: How to build custom workflows with canvases

GitHub 博客：多数工具给你固定屏幕、要你把工作塞进去；Copilot app 里的 canvas(画布扩展)反其道而行——先说要什么工作流、界面围着它成形。画布可以是看板、issue 分诊板、发布清单、仪表盘、表单甚至电子表格；它是双向的，agent 边干活边更新，你也能用按钮、卡片、筛选器回改，像一块实时共享白板。创建不用写码：开一个 agent 会话、输入 /create-canvas 技能、用自然语言说清三件事——画布支持什么工作流、人在界面里能做什么、agent 能做什么。示例：建一个跨会话跟踪新特性的发布说明画布，代理会在右侧面板直接生成可用界面。

教程#GitHub

个人摄影记录：作者分享一张在加州蒙特雷湾国家海洋保护区拍到的照片，画面里有北塘鹅、大蓝鹭与加州褐鹈鹕，换了新镜头后拍到迄今最好的一张

Northern Gannet, Great Blue Heron, California Brown Pelican

Simon Willison 发布一条个人摄影记录。照片摄于加州蒙特雷湾国家海洋保护区，对象是北塘鹅（Northern Gannet）、大蓝鹭（Great Blue Heron）与加州褐鹈鹕（California Brown Pelican），作者称新入的 200-800mm 镜头让他拍出了迄今最好的一张。属于与 AI 主题无关的个人博客条目。

教程

GitHub Security Lab：让 Taskflow Agent 跑完整条模糊测试——找入口、建 harness、跑 AFL++、分诊崩溃、出漏洞报告，全程无值守

AI-powered fuzzing with the GitHub Security Lab Taskflow Agent

GitHub 博客：持续模糊测试不是银弹——即使在 OSS-Fuzz 里跑了很多年的项目仍藏着关键漏洞，原因几乎总相同：得有人盯覆盖率、为没被触达的代码写新 harness、分诊产出的崩溃。作者的问题是"这些人工环节能交多少给 LLM agent"，答案是 Fuzzing Taskflow——面向 C/C++ 项目的自主模糊测试流水线：指向一个 GitHub 仓库，它自动识别合适入口点、分析构建系统、编写 harness、运行 AFL++、读覆盖率报告、改进 harness、逐个分诊崩溃，并为每个独特 bug 写出漏洞报告，全程无需人盯。流水线构建在 GitHub Security Lab Taskflow Agent 框架(把 LLM 驱动的安全自动化表达成一组 taskflow)之上。

教程#GitHub

Vary 这个最难的 HTTP 头：作者评论 Cloudflare 上线了对 Vary 头的支持——过去 Cloudflare 对非图片内容忽略 Vary，把「按 accept 返回 HTML 或 JSON」的做法放在缓存后面根本没法部署

We just shipped support for the ugliest part of HTTP: Vary

Simon Willison 在 Hacker News 就「Cloudflare 上线了对 HTTP 中 Vary 头的支持」发帖评论，讲的是这个头此前为什么难用。他多年希望 Cloudflare 支持 Vary：过去 Cloudflare 除图片外忽略 Vary，于是「按 accept 分别返回 HTML/JSON」的做法套在缓存后有把 JSON 版本误返回给要 HTML 用户的风险。作者另说明自己最终决定不再用那种模式，而是用带 .json 后缀、可预测返回的 URL。

教程

GitHub 工程笔记：在 Copilot app 里渲染2,200文件、100万+行、400+条行内评论的巨型 PR——难的不是 diff 是评论的高度

Rendering huge pull requests in the GitHub Copilot app

GitHub 博客：大范围重构与迁移常必须以单个 PR 落地，评审对话又让体积继续增长；Copilot app 重写了 PR 视图来扛极端场景——团队找到了能找到的最大开源 PR：2,200 个文件、100万+ 行改动、400+ 条行内评审评论。文中分析：大 diff 的快速渲染是已解问题(虚拟化行、控制挂载 DOM、按代码行等高假设)；难点在评论——高度取决于 markdown 换行、可展开段、是否含回复框、图片是否加载完，而这些要到渲染时才知道，迫使完全不同的架构。展开讲测量、数据管线等三个子问题的设计取舍。

教程#GitHub

作者转发 Fable 5.1 Medium 生成的互动示例：讲 CSS shadow roots 的可交互 artifact（提示词仅一句“做个 artifact，用互动例子解释 shadow roots”）

Shadow roots, explained with live examples

作者把给 Fable 5.1（Medium 档）的提示词与产物贴上：让它做一个可交互 artifact 讲解 CSS shadow roots。素材本身只有一行提示词与产物链接。

产品