Taxbit 基于 Amazon Bedrock AgentCore 构建角色感知 AI 助手
Taxbit 在 Amazon Bedrock AgentCore 上构建了嵌入产品仪表盘的 AI 助手 Taxbit Assist，该助手具备引用溯源和角色权限感知能力。超过 55% 的用户在提问后 24 小时内会再次使用，其架构通过隔离身份处理确保模型不接触客户税务数据。
#RAG
AWS Machine Learning BlogAI 评分4242
NVIDIA Blog精选AI 评分7272 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。
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 BlogAI 评分4242 Indegene 如何在 AWS 上利用 LLM 智能体规模化提升生命科学数据质量
Indegene 在 AWS 的 NEXT UDP 平台上构建了生产级 LLM 数据质量智能体，用于生成上下文感知的数据质量规则并产出可执行的 SQL 和 Python 代码。该智能体通过集中式人工介入治理机制验证规则，帮助企业在保持严格合规的同时降低数据质量维护成本，解决传统静态验证无法捕捉业务语境的问题。
AWS Machine Learning BlogAI 评分5757 使用 Amazon Nova Multimodal Embeddings 和 Amazon Bedrock AgentCore 构建智能体工程智能系统
AWS 展示了如何构建多智能体工程助手，利用 Amazon Nova Multimodal Embeddings 和 Amazon Bedrock AgentCore 自动化零部件替换评估。系统通过确定性 Python 代码进行规格评分，结合多模态嵌入实现图表检索与视觉相似度比对，并生成符合 AS9100 标准的审计追踪。
AWS Machine Learning BlogAI 评分4242 如何使用 Crawl4AI 为 Amazon Bedrock Knowledge Bases 准备网页内容
文章展示了如何利用开源 Python 爬虫 Crawl4AI 为 Amazon Bedrock Knowledge Bases 准备网页内容。该方案通过生成 Markdown 和元数据文件上传至 Amazon S3，支持结构化内容清洗、基于 CSS 选择器的定向提取及自定义元数据附加。
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 BlogAI 评分4242 IskayPet 如何利用 Amazon Bedrock Managed Knowledge Bases 统一企业知识
IskayPet 基于 Amazon Bedrock Managed Knowledge Bases 构建了企业知识助手，无需自行管理 RAG 基础设施即可跨四国语言回答员工问题。该方案利用原生 SharePoint 连接器直接摄取文档，并采用混合搜索与文档级访问控制，确保答案基于员工权限内的内容生成。
AWS Machine Learning BlogAI 评分2020 U.S. Hunger 如何利用 Amazon Quick 连接领导层与数据
U.S. Hunger 利用 Amazon Quick 连接组织数据，使领导层能直接探索信息并基于共享定义协作。该非营利组织通过 Quick Spaces 整合 KPI 定义与财务文档，17 名员工已接入该工具。数据每晚 2 点从 SQL Server 刷新至 SPICE 引擎，支持 CEO 直接审查 Salesforce 报告并迭代分析指令。
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 BlogAI 评分4242 Octave 如何在 Amazon Bedrock 上构建安全的多租户 AI 基础架构
Octave Reliance 基于 Amazon Bedrock 和 Cohere Embed v4 构建了多租户 AI 基础架构，将每个用例的部署时间缩短 50%。该架构通过 AgentCore Gateway 和 Bedrock Guardrails 确保数据隔离与内容安全，成功处理了 20 亿份文档的嵌入任务。
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 BlogAI 评分4242 Amazon Bedrock AgentCore 如何生成演示文稿
基于 Amazon Bedrock AgentCore 构建的 AI 智能体系统可自动化生成演示文稿，内部测试显示耗时不足 90 秒。该方案使用 Strands Agents 框架编排 Claude Sonnet 4.6 进行内容创作，结合 Amazon Titan Text Embeddings v2 实现 RAG 检索以增强内容准确性。
AWS Machine Learning BlogAI 评分5252 Orca Security 基于 Amazon Bedrock 构建自然语言安全查询智能体 Discovery AI
Orca Security 基于 Amazon Bedrock 构建 Discovery AI，将自然语言转换为 Sonar 查询，输入 token 降低 93%，成本降低 90%，延迟降低 75%。
AWS Machine Learning BlogAI 评分5252 ShipStation Global 基于 Amazon Bedrock AgentCore 构建 AI IT 帮助台
ShipStation Global 基于 Amazon Bedrock AgentCore 构建了名为 Deckhand 的 Slack AI IT 帮助台，用于自动回答常规 IT 问题并创建 Jira 工单。
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。
AWS Machine Learning BlogAI 评分5252 Amazon Quick 与 Bedrock 如何通过实时 ACL 验证解决 RAG 访问控制难题
Amazon Quick 和 Amazon Bedrock Knowledge Bases 采用双层架构解决企业 RAG 中的权限同步滞后问题。系统在预检索阶段利用向量索引中的缓存 ACL 进行初步过滤，随后在第二阶段通过调用 Google Drive 等数据源 API 进行实时权限验证，确保仅将用户有权访问的文档片段作为上下文输入 LLM。
AWS Machine Learning BlogAI 评分4242 Qlik 如何利用 Amazon Bedrock 构建企业级落地 AI
Qlik 基于 Amazon Bedrock 构建 Qlik Answers，通过分层架构解决企业数据查询缺乏可信来源及合规部署难题。自 2026 年 2 月正式可用以来，其 Discovery Agent 已发现超 10 万个异常，Lintech 等客户借此将响应时间缩短 75%。
GitHub Blog · AI & MLAI 评分4242 GitHub 播客解析 AI 热点：RAG 未死，Skills 与 MCP 互补
GitHub 播客最新一期拆解了关于 AI 开发的五个流行观点。节目指出 RAG 并未过时，Skills 与 MCP 分别解决流程指导与工具连接问题，二者可协同工作。此外，开发者仍需审查 AI 生成的代码，且代码库的可维护性直接影响模型理解效果。