Amazon Quick 团队提出了一套智能体原语分类体系，通过 When、What、Who、How 四个问题拆解智能体工作流。该体系将触发器（Triggers）定义为工作的启动与指令载体，智能体（Agents）定义为持久化且具备学习能力的执行主体，能力（Capabilities）则涵盖工具、技能与工作流。
推荐理由：文章拆解了 Amazon Quick 的 Agent 构建原语，通过 When、What、Who、How 四个维度厘清了触发器、智能体与能力的边界。
Amazon SageMaker Inference 新增 GPU 分区功能，利用 NVIDIA MIG 将物理 GPU 划分为独立分区，支持在单 GPU 上部署多个隔离模型。测试显示，H100 的 mig-3g.40gb 分区在吞吐和延迟上优于整卡 A100-40GB，且在长上下文高并发场景下成本降低 18%–34%。
推荐理由：SageMaker Inference 引入 MIG 分区，允许在单 GPU 上部署多个隔离模型，并提供了 H100 分区与 A100 整卡的性能与成本对比数据。
Amazon Bedrock AgentCore 的 Web Answer 功能正式可用，允许智能体通过单次工具调用获取基于当前网络来源的综合且带引用的答案。该功能由 AWS 托管，自动执行规划、并行搜索、事实核查及引用提取，无需开发者自行构建和维护检索管线。Web Answer 目前仅在 us-east-1 区域可用，定价为每 1,000 次工具调用 10 美元。
推荐理由：原文给出了 Web Answer 的 GA 状态、单次调用获取带引用答案的机制及定价，读者可据此评估其替代自建检索管线的成本。
NVIDIA 发布 Vera CPU，旨在为 AI 工厂提供单芯片解决方案以平衡智能体执行速度与每瓦特容量。在 100 兆瓦数据中心对比中，Vera 相比最快 x86 CPU 每瓦特支持 1.6 倍智能体数量，相比最高能效 x86 CPU 速度提升 2 倍。
推荐理由：原文通过对比 x86 架构展示了 Vera CPU 在能效比和吞吐量上的具体优势，并列举了多家合作伙伴的生产环境实测数据。
Microsoft Research 发布 PDD Kit 工具包，利用 Verus 对 AI 智能体生成的 Rust 代码进行形式化验证，确保代码在所有输入下均符合规范。
推荐理由：原文展示了将形式化验证引入 AI 编码智能体工作流的具体路径，读者可据此评估其在大规模代码生成场景下的应用边界。
OpenAI 发布 GPT-6 Cyber，这是一款用于发现可利用漏洞并开发修复方案的网络安全模型。该模型经过专门训练，旨在严格保持在授权范围内执行任务。
推荐理由：OpenAI 推出专注于发现漏洞和修复的安全模型，并强调其训练目标是在授权范围内运行。
Google DeepMind 正式发布 Gemini Omni 1.2 Flash，该模型在 Gemini API 和企业版中全面可用，原生支持最长 15 秒的视频生成与编辑。
推荐理由：原文明确了视频时长从 10 秒提升至 15 秒及价格下调 30% 的具体变化，读者可据此评估其在商业视频生成中的成本效益。
NVIDIA 提出通过全栈协同设计解决 AI 内存挑战，旨在从每一字节内存中获取更高性能。该策略通过 NVFP4 量化、KV cache 卸载及 RAG 索引优化，在 HBM 容量仅增长约 3% 的情况下，将智能体推理吞吐量每美元提升最高 30 倍。
推荐理由：原文通过具体技术路径解释了全栈协同设计如何缓解 HBM 压力，读者可据此理解 AI 工厂中内存层级优化的实际逻辑。
OpenAI 发布 Images 2.6，带来更快的图像生成、GIF 创建、更精确的编辑功能以及新的 API 控制。该更新已同步至 ChatGPT、Codex 和 API 平台。
推荐理由：官方明确了 Images 2.6 在生成速度、GIF 创建及 API 控制上的具体升级，便于评估其对现有工作流的影响。
OpenAI 构建的自主流水线发现、验证并生成了 948 个 Linux 内核本地提权漏洞的补丁。
推荐理由：OpenAI 展示了自动化发现并修复 Linux 内核本地提权漏洞的能力，体现了 AI 在系统安全领域的实际应用进展。
AWS 发布教程，演示如何通过代码型评估器将 Jev 和 Strands Decider 2B 两个决策模型接入 Amazon Bedrock AgentCore Evaluations。
推荐理由：文章给出了将决策模型接入 AgentCore 评测的完整代码示例，读者可据此构建可阈值化的智能体评估流程。
AWS 团队在开源项目 Deep Insight 中展示了生产级 AI 智能体的四层上下文工程实践，通过架构隔离、提示词控制、文件系统外化和独立验证，显著降低 token 消耗。其中，write_and_execute 工具将脚本加入上下文的 token 减少约 95%，按需加载 Skills 使系统提示词缩小约 97%。
推荐理由：文章给出了四层上下文工程的具体代码实现，读者可据此解决生产级智能体的上下文溢出问题。
Amazon Quick 推出智能审批功能，利用独立分类器评估智能体拟执行的动作，在符合现有权限策略的前提下自动批准常规操作或将其返回给用户审查。该功能默认开启，但不会绕过强制人工审批或修改权限边界，每次自动批准仅对特定动作和参数单次有效。
推荐理由：原文解释了智能审批如何通过分类器在保留权限边界的同时减少常规操作中断，为安全负责人提供了平衡自动化与人工监督的落地参考。
马来西亚电信运营商 U Mobile 基于 Amazon Bedrock AgentCore 构建了 AI 驱动的智能体帮助台 AiDaH，用于自动化处理跨系统的电信运营工单。
推荐理由：文章拆解了电信运营商利用多智能体架构处理跨系统工单的具体路径，展示了从试点到生产落地的工程细节。
OpenAI 宣布将收购 Pierre Computer Company, Inc.。此次收购旨在扩展 Codex 在构建、理解和审查代码方面的工具能力。
推荐理由：OpenAI 宣布收购 Pierre Computer Company，旨在扩展 Codex 在代码构建、理解与审查方面的工具能力。
OpenAI 构建了 Pando，这是一个 Git 兼容的后端系统，旨在支撑 Codex 所实现的开发规模。
推荐理由：原文介绍了 Pando 作为 Git 兼容后端的设计初衷，读者可据此了解 Codex 规模化开发对基础设施的要求。
AWS 团队演示了如何利用序列级知识蒸馏（SeqKD）在 Amazon SageMaker AI 上微调小型购物智能体。该方法使用 Amazon Bedrock 上的 GLM-5.3 作为教师模型生成多步轨迹，并通过 ShoppingBench 评分器筛选成功样本，对 Qwen3.5-4B 学生模型进行 LoRA 微调。
推荐理由：文章提供了在 Amazon SageMaker AI 上通过序列级知识蒸馏将前沿模型行为迁移至小模型的具体流程与代码示例。
OpenAI 推出 Grid Protectors 计划，旨在与电力公司合作，帮助未来的算力园区支持电网可靠性并保护消费者电费。
推荐理由：该计划将算力扩张与电网稳定性及用户电费保护挂钩，为理解大型 AI 基础设施的社会外部性提供了具体案例。
AWS 发布 Amazon Bedrock 成本端到端管理指南，提出包含归属、观测、执行、优化和运营的五阶段操作模型。该模型利用 IAM 标签和 CUR 2.0 实现按身份的成本归属，通过模型调用日志和请求元数据实现工作负载级观测，并建议根据风险选择监控告警、IAM 拒绝或网关同步拦截等预算执行层级。
推荐理由：文章给出了从成本归属、请求观测到预算强制执行的五阶段操作模型，帮助团队将 Bedrock 支出转化为可治理的工程问题。
Amazon Bedrock AgentCore 发布 Session endpoints 功能，允许用户通过认证 URL 在浏览器中实时查看 Agent 会话内运行的 Web 应用。该功能支持 HTTP 和 WebSocket 协议，用户可配置允许访问的端口，在 Agent 修改文件时通过 Vite 热重载即时看到页面变化，无需等待传统部署流程。
推荐理由：原文展示了通过 Session endpoints 在浏览器中实时预览 Agent 修改的 Web 应用，提供了无需部署即可即时查看变更的开发工作流。