标签

AWS

用元数据给 AgentCore Memory 做结构化记忆过滤

来源: aws.amazon.com 41
Agent 的记忆系统一旦进入企业场景,问题就不只是“能不能记住”,而是“该记住谁的、在哪个上下文里用、哪些 Agent 可以读”。AgentCore Memory 中的 metadata 过滤,正是把记忆从一堆向量片段,变成可治理、可隔离、可审计的结构化资产。 在 AgentCore Memory 里,metadata 会贯穿三个阶段:配置、写入和检...

用 Bedrock、Neptune 和个性化 PageRank 搭建 HippoRAG

来源: aws.amazon.com 25
传统 RAG 常把知识切成文本块,再用向量相似度召回。HippoRAG 的关键变化是:把知识组织成图,让检索过程不只看“这段文字像不像问题”,还看实体之间如何连接、哪些节点在当前问题语境下更重要。基于 AWS 的实现路径很清晰:Amazon Bedrock 提供 LLM 能力,Amazon Titan Embeddings 生成向量表示,Amazon ...

用 Amazon Bedrock 做秒级文档反欺诈:从人工复核到智能体推理

来源: aws.amazon.com 43
金融文档欺诈正在变得更快、更像真文档,也更难靠人工逐页检查。Inscribe 的做法是把专家欺诈分析师的工作方式拆成一个基于 Amazon Bedrock 的 agentic AI 系统:跨文档推理、寻找篡改和伪造痕迹、识别 AI 生成内容,并在 90 秒内给出可解释判断。相比传统人工复核,这类流程的关键价值不只是“快”,而是把速度、准确性和监管需要的...

用 Amazon Bedrock Model Profiler 把模型选择从“翻表格”变成可搜索

来源: aws.amazon.com 41
在 Amazon Bedrock 里选模型,麻烦点通常不在“有没有模型”,而在“信息散落在哪里”:模型能力、区域可用性、调用方式、外部资料、限制条件,往往要在多个 AWS API 和文档页面之间来回切。Amazon Bedrock Model Profiler 的价值就在这里:它把来自多个 AWS API 和外部来源的模型元数据聚合到一个可搜索界面里,...

用 BoltzGen 和 Amazon SageMaker AI 加速蛋白设计实验

来源: aws.amazon.com 29
蛋白设计正在从“单次手工跑模型”走向“可复现、可扩展、可缓存”的工程化工作流。BoltzGen 部署到 Amazon SageMaker AI 后,可以把快速验证和生产批处理放在同一套基础设施里运行:研究早期用小规模任务验证输入、参数和模型行为,进入筛选阶段后再扩展到批量生成与评估。 这类工作流的关键不只是把模型跑起来,而是让每一步都能被追踪、复用和按...

把前沿模型安全交到客户手里:从 Amazon Bedrock 看 AI 发布的安全底座

来源: aws.amazon.com 45
前沿模型的发布不只是“把 API 打开”这么简单。模型越强,调用链越长,企业客户越关心一个问题:我的数据、权限、审计和运行边界是否仍然可控?AWS 在这篇文章中强调的核心,是把 Amazon Bedrock 这类 AI 服务放在 AWS 二十多年安全建设的基础之上,而不是把生成式 AI 当成一套孤立的新系统。 对企业来说,AI 服务进入生产环境时,风险...

用 AG-UI 把 Bedrock AgentCore 代理变成可交互前端

来源: aws.amazon.com 28
AI 代理如果只会返回一段文本,很快会撞到产品边界:用户需要确认操作、编辑中间状态、查看结构化结果,甚至让代理临时生成一个小界面。AG-UI 的价值就在这里:它把代理运行过程中的状态、事件和 UI 意图变成前端可以消费的协议层。来源文章讨论了 AG-UI 如何接入 Amazon Bedrock AgentCore 的 Fullstack AgentCo...

用托管权益把 Amazon Bedrock 模型访问收口到一个中央账号

来源: aws.amazon.com 41
多账号架构里,Amazon Bedrock 模型访问常常卡在一个现实问题上:每个工作负载账号都要处理订阅、权限和治理。托管权益的思路是把“订阅一次、组织内分发访问”变成中心化流程,让中央账号负责模型订阅和授权,工作负载账号不再需要直接拥有 AWS Marketplace 相关权限。 在大型组织里,Bedrock 的使用者通常不是一个账号:研发、数据平台...

用 Amazon Bedrock 和 LLM Gateway 给生成式 AI 应用加上韧性

来源: aws.amazon.com 24
生成式 AI 应用上线后,最先暴露的往往不是 prompt 写得好不好,而是系统能不能扛住流量、限额和依赖波动:突发访问把模型配额打满,单一区域推理不可用,多租户场景里某个客户把大家的吞吐吃光。围绕 Amazon Bedrock,可以从托管能力开始做韧性设计,再逐步引入 LLM gateway,把多模型、多区域、多租户策略收敛到统一入口。 下面按工程落...