标签

AI

Google Cloud 会话控制升级：按用户组和应用设置重新认证边界

来源: cloud.google.com 10
Google Cloud 的会话管理，正在从“给整个组织设置一个时长”变成更精细的访问控制工具。此次更新把会话控制深入整合到 Context-Aware Access（CAA），支持按 Google Groups 和具体应用配置策略，并通过 Terraform、gcloud 和 REST API 管理。 这意味着安全团队可以给高权限用户设置更短的会话，...
# AI # GCP # Go
阅读全文

别只盯着模型：用科学判断构建可靠的 AI 基础设施

来源: medium.com 18
AI 系统的效果从来不只由模型参数量决定。推理延迟、数据管道、缓存策略、失败重试、观测指标和成本控制，都会改变最终用户体验。真正成熟的 AI 基础设施工程，不是不断追逐“更大的模型”，而是把工程决策变成可验证、可复现、可回滚的实验。 这里的“科学判断”不是要求每个工程师都做学术研究，而是要求我们在做架构选择时明确假设、控制变量、测量结果，并承认不确定性...
# AI # Airbnb # 全栈
阅读全文

AI 加速漏洞发现之后，企业如何跟上补丁节奏？

来源: infoq.com 11
微软 2026 年 9 月补丁更新修复了超过 950 个漏洞，今年累计修复数量约达 2,750 个。这个数字说明，AI 辅助安全研究正在加快漏洞发现与披露速度；但对企业来说，真正棘手的问题并不是“有没有补丁”，而是能否及时评估、排序并部署这些补丁。 漏洞数量增长会直接冲击传统补丁流程：安全团队收到更多通告，运维团队面对更多变更窗口，业务团队则需要在可用...
# AI # InfoQ # 全栈
阅读全文

用 Amazon Bedrock Prompt Caching 降低重复上下文的成本与延迟

来源: aws.amazon.com 23
当应用反复把同一套系统指令、产品文档、工具定义或租户配置发送给基础模型时，真正浪费的往往不是模型输出，而是重复计算的输入 Token。Amazon Bedrock 的 Prompt Caching 可以复用这类稳定上下文，在合适的场景下将输入 Token 成本最高降低 90%，同时减少首字节延迟。 本文围绕 Converse API，拆解六类常见用法：...
# AI # AWS # 云平台
阅读全文

用 SageMaker 无服务器模型定制构建低成本 AI 商品标签系统

来源: aws.amazon.com 30
当商品目录从几百条增长到几万条，人工打标签很快会变成一个昂贵、缓慢且不一致的流程。不同运营人员可能为相似商品选择不同标签，规则变化后还要重新检查历史数据。 一种更可控的做法是：使用带标签的商品样本对 Qwen3-8B 进行监督微调（SFT），再通过带可验证奖励的强化学习（RLVR）约束输出格式和标签准确性，最后在 Amazon SageMaker 上部...
# AI # AWS # 云平台
阅读全文

SageMaker AI 实例偏好列表：让训练任务自动选择有容量的机型

来源: aws.amazon.com 28
训练代码已经准备好，作业却因为首选实例没有容量而启动不了——这类问题往往把工程师拖进“换机型、重提任务、盯容量”的循环。Amazon SageMaker AI 新增的实例偏好列表，将这部分选择逻辑交给服务处理：为训练或处理作业指定最多五种实例类型，按顺序排列，SageMaker AI 会选择列表中第一个有可用容量的类型启动作业。 它解决的是启动时如何选...
# AI # AWS # 云平台
阅读全文

Agent 做对一次之后，如何验证它还能持续做对？

来源: huggingface.co 28
Agent 成功完成一次任务，证明的是“这次能做”，不是“下次也能做”。对于准备接入业务流程的开发者，这个区别决定了系统能否从演示走向生产：偶尔生成正确答案，与持续执行正确操作，是两种不同的工程能力。 提供的来源只有标题，没有正文摘要。因此，下面围绕标题提出的可靠性问题展开工程实践，不推断原文采用了什么实验、指标或工具。 假设一个 Agent 的任务是...
# AI # Hugging Face # LLM
阅读全文

用 GNN 和 Distributed Graph Flow，让电信网络自治有据可依

来源: cloud.google.com 15
电信网络自治的难点，不只是让 AI Agent 会调用运维工具，而是让它在海量设备、链路、业务和历史指标之间，找到足以支撑决策的证据。把数十亿条数据直接塞给 Agent，并不能解决这个问题。 Google Cloud 提出的 Autonomous Network Operations 框架将职责分成三层：数字孪生保存网络状态，图神经网络提取关系与预测信...
# AI # GCP # Go
阅读全文

Agent Substrate 上线 GKE：让 Agent 沙箱按需唤醒，而不是一直占着机器

来源: cloud.google.com 20
把 Claude Code、Codex 或 Hermes 跑在本地，和运营几十万个长期存活的 Agent，是两种基础设施问题。后者既要执行模型生成的不可信代码，又要承受突发任务，还不能让等待推理结果的沙箱持续占用 CPU 和内存。 Agent Substrate 的核心变化，是把 Agent 执行生命周期与机器管理拆开：Kubernetes 管理节点和...
# AI # GCP # Go
阅读全文

Filestore agent volumes：为大规模 AI Agent 提供弹性持久工作区

来源: cloud.google.com 23
AI Agent 不只是调用模型和返回文本。它们还需要运行构建工具、安装第三方依赖、分析数据集、保存中间结果，并在用户稍后回来时继续之前的工作。随着 Agent 沙箱从几十个扩展到数千甚至数百万个并发会话，工作区存储会成为平台架构中的关键瓶颈。 Google Cloud 推出的 Filestore agent volumes，目标正是解决这类动态工作负...
# AI # GCP # Go
阅读全文