来源: oschina.net
28
当售后工单达到日均 5,000+，继续依靠人工扩编很难追上业务增速。真正需要解决的并不是“让大模型替客服聊天”，而是把查询订单、判断问题、选择规则、执行操作和记录依据串成一条可审计的处理链路。Solon AI ReActAgent 适合承担其中的编排角色：模型负责推理和选择工具，业务系统继续掌握数据与最终执行权。 ReAct 的核心循环可以概括为：分析...
来源: blog.rust-lang.org
26
过去半年，crates.io 的变化不只是增加几个页面功能。源码查看器改变了开发者审计依赖的方式，原生用户名开始拆解平台与 GitHub 的身份耦合，安全提示进一步靠近依赖决策现场；与此同时，搜索、反向依赖、CDN 缓存和 Git 索引等基础设施也完成了一轮针对性优化。 crate 页面新增的“Code”标签允许开发者直接浏览某个已发布版本的文件。这里...
来源: oschina.net
35
MateClaw 1.8.0 把重点放到了“写材料”场景：同一套个人 AI 操作系统不仅能管理知识、记忆和工具，还开始面向公众号、小红书等内容渠道组织写作流程。这个变化值得关注，因为真正可用的内容 Agent 不能只生成一段文字，它还要完成资料检索、结构规划、渠道改写、人工审批和操作审计。 MateClaw 采用 Java 与 Vue 3 构建，底层基...
来源: github.blog
41
给代码审查 Agent 配上共享的 Unix 风格代码探索工具，看起来理应提升效果：它能搜索仓库、读取文件、查看差异，也能沿着调用链继续调查。但 GitHub 的实践揭示了一个反直觉结果：工具能力增强后，Copilot 代码审查一度变得更差。真正带来改善的，不是继续增加工具，而是围绕 Pull Request 中的证据重塑 Agent 工作流，从而减少...
来源: aws.amazon.com
39
企业数据很少整齐地待在一个系统里：客户主数据和交易记录可能位于 Amazon Aurora，分析结果、行为指标又沉淀在 Amazon Redshift。传统客户 360 项目通常先复制数据、统一字段，再交给应用查询；这篇方案展示了另一条路径：让 Stardog 在两个数据源之上提供统一语义层，再由运行在 Amazon Bedrock AgentCore...
来源: aws.amazon.com
20
智能体工作流进入企业生产环境后，难点很快会从“模型能否完成任务”转向“任务由谁负责、处理到哪一步、异常如何恢复、何时需要人工介入”。Amazon Quick Automate 的原生案件管理把每项业务工作包装成可跟踪的 case，并将创建、处理、人工审核和解决串成完整生命周期，使自动化能够从单次演示扩展到持续运行的企业流程。 普通自动化常把一次输入直接...
来源: aws.amazon.com
42
KTern.AI 从传统 SaaS 平台转向智能体 AI 平台时，面对的并不是简单地给产品接入一个大模型。SAP 转型项目往往持续数月甚至更久，涉及需求分析、流程设计、测试、迁移和上线等阶段。系统需要让多个专业智能体协同工作，同时保留持久上下文、限制工具权限，并达到企业生产环境要求的可靠性。 KTern.AI 选择 Amazon Bedrock Age...
来源: aws.amazon.com
29
大模型在线推理并不是一种均匀的计算任务。Prefill 阶段需要并行处理整段输入，通常更依赖算力和显存带宽；Decode 阶段逐 token 生成结果，更看重低延迟、KV Cache 容量与持续调度能力。来源方案在 Amazon SageMaker HyperPod 上结合 vLLM 和 HyperPod Inference Operator，实现了 ...
来源: infoq.com
26
Cloudflare 为自主 AI Agent 引入了临时账户：Agent 无需预先创建永久账户或完成常规身份认证，就能立即部署 Cloudflare Workers。临时账户如果没有被用户认领，会在 60 分钟后自动过期，其部署也随之失效。这项变化降低了“生成代码之后立刻运行”的门槛，同时把未认领资源的生命周期限制在一个明确的时间窗口内。 传统的代码...
来源: infoq.com
27
Slack 工程团队提出了一种 Agentic Testing 思路：端到端测试不再完全依赖固定选择器和逐步脚本，而是让 AI Agent 根据测试意图观察界面、执行操作，并在运行时适应 UI 或系统变化。它瞄准的是分布式系统中长期存在的难题：页面只改了结构或文案，业务能力仍然正常，测试却先红了。 这并不意味着用 AI 替换所有自动化测试。更合理的定位...