NVIDIA 全栈协同设计如何提升 AI 内存效率
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。
#RAG
NVIDIA Blog精选AI 评分7272
AWS Machine Learning Blog精选AI 评分6262 U Mobile 基于 Amazon Bedrock AgentCore 构建电信智能体运营平台 AiDaH
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。
AWS Machine Learning Blog精选AI 评分7272 使用 CDK 在 Amazon Bedrock 托管知识库上构建 Agentic 检索系统
AWS 发布教程，展示如何使用 AWS CDK 在 Amazon Bedrock 托管知识库上构建企业级 Agentic 检索系统。该系统通过 AgentCore Gateway 将知识库暴露为 MCP 工具，支持多知识库语义路由和迭代检索，并内置七层可观测性仪表板及按需与连续评估功能。
推荐理由：原文展示了如何用 CDK 部署带可观测性和评估的 Agentic RAG 系统，读者可参考其架构解决多知识库路由问题。
AWS Machine Learning Blog精选AI 评分6262 Amazon Quick 与 Amazon Bedrock AgentCore 构建对话式供应链智能
AWS 发布 Amazon Quick 与 Amazon Bedrock AgentCore 结合 MCP 的供应链智能方案，将原本分散在 ERP、采购、邮件等系统的查询与行动整合到单一对话中。
推荐理由：原文展示了 Amazon Quick 与 Bedrock AgentCore 结合 MCP 的架构，读者可据此理解企业级智能体如何连接多源数据并实现受控决策。
AWS Machine Learning Blog精选AI 评分6262 AWS 教程：使用 Strategy Mosaic 和 Amazon Bedrock AgentCore 构建智能体语义层
AWS 发布教程，演示如何使用 Strategy Mosaic 作为语义层，通过 MCP 协议连接 Amazon Bedrock AgentCore 托管的 Strands 智能体。该架构支持跨 Amazon Redshift 和 Amazon Aurora 的无 ETL 联合查询，并将行级和列级安全策略直接应用于智能体调用，确保不同角色用户仅能访问其权限范围内的数据。
推荐理由：演示了如何通过 MCP 协议将语义层接入 Agent，并实现跨数据源查询与细粒度权限控制。
AWS Machine Learning Blog精选AI 评分7272 Postman 如何在 Amazon Bedrock 上为 4000 万开发者运行 Agent Mode
Postman 在 Amazon Bedrock 上构建 Agent Mode，通过动态工具选择、Schema 感知读取和专用上下文处理器解决成熟产品集成 AI 智能体的工程挑战。架构利用 Bedrock 的跨区推理、零数据保留和分层提示词缓存，在保障数据合规的同时应对突发流量并控制推理成本。
推荐理由：文章复盘了 Postman 在 4000 万开发者规模下构建 Agent Mode 的工程实践，提供了控制工具膨胀、Schema 读取和上下文管理的可复用架构模式。
已经到底了