Google Antigravity 演示化学信息学技能加速药物发现
Google DeepMind 于2026年11月3日演示 Google Antigravity 配备 Cheminformatics Skills 可将药物发现迭代从数天缩至1小时。演示以肺癌药物为例展示代理搜索化合物、构建预测模型并提议合成路线,技能现已向企业用户和科学家开放。
推荐理由:原文演示 Google Antigravity 化学信息学技能将药物发现从数天缩至一小时,可参考其人机协作方式。
Google DeepMind 于2026年11月3日演示 Google Antigravity 配备 Cheminformatics Skills 可将药物发现迭代从数天缩至1小时。演示以肺癌药物为例展示代理搜索化合物、构建预测模型并提议合成路线,技能现已向企业用户和科学家开放。
推荐理由:原文演示 Google Antigravity 化学信息学技能将药物发现从数天缩至一小时,可参考其人机协作方式。
本文演示了利用 EDB Postgres AI 在 Postgres 数据库内部构建语义层,并通过 Amazon Bedrock AgentCore 运行 Strands Agents 智能体以回答客户 360 问题。
Gen Digital 利用 Amazon Bedrock AgentCore Web Search 构建了 Norton Revamp 的 AI 新闻引擎,实现基于实时网络知识的个性化内容推荐。该引擎通过 MCP 合规的托管连接器获取带引用的实时数据,驱动新闻流、内容建议及目标设定功能。Norton Revamp 于 2026 年 3 月上线,旨在帮助专业人士管理在线声誉。
Amazon Bedrock AgentCore Gateway 支持配置 OBO 令牌交换,使 AI 智能体在调用 ServiceNow REST API 时保留原始用户身份。该方案通过 Microsoft Entra ID 验证委托权限,将智能体令牌交换为包含用户声明的 ServiceNow 令牌,从而维持审计追踪并应用用户级访问控制。
Amazon Quick 通过统一体验连接 S3 知识库与增强数据集,允许用户通过单一对话式 AI 智能体查询结构化与非结构化数据。该方案利用 Space 整合数据源,智能体可自动判断查询类型并返回带引用的综合响应,同时应用内置 AI 护栏。此功能需 Amazon Quick Enterprise 订阅,旨在解决多工具切换与手动关联结果的痛点。
Circle K 基于 Amazon Bedrock 构建自动化分诊系统,将平均事件分诊时间从 45-60 分钟缩短至 15 分钟以内,降幅达 67-75%。该系统采用 agentic AI 架构,通过 Amazon Bedrock Flows 协调多个智能体并行查询日志与基础设施状态,并在数分钟内向 Slack 推送结构化摘要。此前工程师需手动跨多个工具排查,导致分诊耗时随服务规模增长而增加。
AWS 展示如何利用 Amazon Bedrock AgentCore 和 Amazon Nova Multimodal Embeddings 构建多智能体工程助手,以自动化零部件替换评估中的证据收集与文档起草。
AWS 团队在 Amazon SageMaker AI 上演示用序列知识蒸馏将前沿教师生成的购物智能体轨迹微调至 Qwen3.5-4B 学生模型。该学生在留出 ShoppingBench 测试集平均绝对成功率 0.541,接近教师水平且可托管于单一 G 系列实例降本。SeqKD 仅需教师文本输出,故适用于 API-only 前沿模型。
文章演示了如何利用开源 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,实现了对网页内容的结构化清洗、自定义元数据附加及有界提取,适用于需要精细控制数据摄入的场景。
文章提出了一套基于 Amazon Bedrock 的五阶段成本管理运营模型,涵盖成本归属、请求观测、预算执行、平台优化及定期审查。该模型利用 IAM 身份实现发票级成本归属,并通过每用户会话管理解决共享角色导致的归属缺失问题。此方法旨在将生成式 AI 成本管理从简单的模型比价转变为架构与运营纪律,以应对 Agentic 工作负载带来的 token 消耗激增。
Amazon Bedrock AgentCore runtime 教程演示了用 Session endpoints 从浏览器实时查看编码智能体会话内运行的 Vite 网站变化。部署允许端口 8090 与 8081,本地端点为请求添加 SigV4 凭证并转发,智能体保存文件后 Vite 热重载经 WebSocket 推送改动,页面无刷新更新。
NVIDIA员工使用Nemotron Voice Agent等开源模型搭建了语音驱动动画的万圣节鬼屋MonsterHouse,并公开构建教程。
ChatGPT 桌面应用现已在 AWS GovCloud (US) 的 Amazon Bedrock 上可用,支持通过 Work 和 Codex 访问 OpenAI 前沿模型。该配置将模型推理路由至 us-gov-west-1 的 Amazon Bedrock Mantle 端点,利用 AWS IAM 进行访问控制,并支持零数据保留(ZDR)以满足严格的数据治理要求。
Epsilon 基于 Amazon Nova Act 和 Amazon Bedrock AgentCore Browser 构建了意图驱动的 UI 测试服务,通过自然语言指令执行测试以增强现有 Playwright 回归测试套件。该方案利用 AWS 托管的临时浏览器会话和 IAM 认证,消除了各产品团队维护浏览器基础设施和身份集成的重复工作。
Kiro 通过集成 AI 智能体与代码库,利用共享方法论、机械发现扫描器及八阶段工作流,将 PHP 到 Java 的迁移转化为可测量的重复过程。该引擎将原始 PHP 应用视为规范,并通过一致性测试框架验证 Java 移植的正确性。此方法支持在 Kiro 中交互式运行,或通过 AWS Transform 进行大规模自主迁移。
MoEngage 使用 Amazon Bedrock AgentCore Gateway 将 400 个私有 REST API 转化为权限受限的智能体工具,避免了构建 20 个独立 MCP 服务器的复杂性。该方案无需公开端点,将新 API 接入时间从数天缩短至数小时,并节省了约 6 个月的平台工程工作量。此前这些 API 分散在七个 AWS 区域的私有 VPC 中,难以被智能体安全访问。
AWS 演示了在 Amazon EKS 上利用 Ray Train DLC 和 EFA 进行 PyTorch 分布式训练的方法。该方案使用预构建的 Ray Train DLC 镜像,通过 KubeRay 在两个 g6.12xlarge 实例上跨 8 个 NVIDIA L4 GPU 微调 Qwen2.5-1.5B 模型。
AWS 发布基于 Amazon Bedrock AgentCore 的企业级 Agentic AI 平台参考架构与蓝图。该方案采用联邦式运营模式,通过独立的推理与工具网关、多账户控制平面及自动化评估流水线,实现 Workstream 团队在安全边界内的独立部署、回滚与成本归因。此架构旨在解决多团队构建智能体时的治理漂移、所有权审计及跨账户成本可视化等生产环境瓶颈。
Exowatt借助Amazon SageMaker AI无服务器模型定制微调Qwen3-1.7B与Qwen3-14B,在告警分类和能源市场分析任务上准确性超越前沿模型且成本最高降至1/49。流水线覆盖数据准备、微调、评估与边云部署,边缘模型量化至8位运行于现有CPU,云端模型经Bedrock导入按活跃计费无闲置成本。该实践源于Exowatt设备群从测试台向制造与现场单元扩展时对可缩放AI层的需求。
Property Finder 在 Amazon Bedrock 上识别并修复评估集偏差,通过无偏标注与进化提示词优化选用 Llama 4 Maverick 17B Instruct,以86%更低成本获更高精度。
AWS 发布基于 AWS CDK 的解决方案,在 Managed Amazon Bedrock Knowledge Base 上构建企业级智能体检索系统。该系统利用 AgenticRetrieveStream API 实现多轮规划与工具驱动检索,并通过 Amazon CloudWatch 仪表盘提供全链路可观测性。
在 Amazon Bedrock 上使用 OpenAI 模型时,通过提示缓存可复用智能体重复发送的工具定义与指令,降低输入成本。文章演示了结合隐式与显式缓存,利用 prompt_cache_breakpoint 标记静态前缀,使后续请求仅处理新增内容。此前智能体每轮需重读全部历史,导致 token 费用随轮次线性增加。
基于 SageMaker SDK v3 构建的边缘端计算机视觉全车队生命周期管理方案,利用 SageMaker Neo 替代已弃用的 Edge Manager 进行模型优化。
AWS 官方博客发布在 Amazon SageMaker AI 上实践多轮强化学习(MTRL)训练智能体的动手指南,以 Wordle 展示从部署到评估的端到端流程。实验将 gpt-oss-20b 在保留词上的解决率从 61% 提升至 84%,训练 token 费用约 $339。教程指出同一管道适用于公开模型未训练过的内部多步任务。
AWS CDK 通过自定义资源编排 SageMaker AI 端点更新时的自动扩缩容注册与注销流程。该方案解决了 CloudFormation 在更新端点配置时因自动扩缩容目标未注销导致的部署失败或状态丢失问题。开发者可在单次部署中同时更新端点配置和自动扩缩容参数,无需手动干预。
该方案在 Amazon SageMaker AI 上部署 Kokoro-82M 模型,通过流式传输实现 AI 智能体语音生成的低延迟响应。模型仅含 8200 万参数,运行于 ml.g5.xlarge GPU 实例,支持双向流式传输以在生成过程中即时合成音频。
Rescale 利用 AWS 的 AI-DLC 框架和 Strands Agents 构建了自动化测试失败分诊智能体,从问题定义到预发布部署仅用五天。该智能体运行在 Amazon EKS 上,调用 Claude Opus 4.8 对端到端测试失败进行分类和路由,并通过 MCP 查询日志生成修复报告。此前 Rescale 工程师需手动处理大量测试失败,导致发布流程受阻。
在 Amazon SageMaker AI 部署 Kokoro-82M 模型时,通过实测单实例最大并发数 Q_max 和扩缩容耗时 T_total,推导自动扩缩容阈值。该方法替代了传统猜测式配置,利用原生指标 ConcurrentRequestsPerModel 避免 TTS 场景下因目标值偏差导致的资源闲置或延迟超标。
AWS解决方案架构团队发文剖析其构建的开源多智能体系统Deep Insight,讲解它如何解决生产环境的五大核心挑战。系统基于Strands Agents SDK与Amazon Bedrock等构建,提供三种部署方式并已在GitHub开源。本文为三部分系列第一篇,后续将涵盖上下文工程与生产部署。
推荐理由:AWS团队以自研Deep Insight为例,梳理生产环境多智能体系统的五大挑战与架构对策,为类似系统提供可复用的设计与部署参考。
该指南演示了如何利用 AWS PrivateLink 配置 VPC 端点和连接,使 Amazon Quick 在不经过公共互联网的情况下安全访问企业防火墙后的私有数据源。
AWS 推出基于 Strands Agents 的自适应智能体框架 AAIF,通过本地小语言模型处理常规任务,复杂请求路由至 Amazon Bedrock。该架构使用 llama3.2:1b 作为编排器,支持在 Raspberry Pi 等边缘设备上运行,旨在降低 API 成本并减少延迟。
在 AWS Trainium 上,torchtitan 通过 TorchNeuron 将 Trainium 注册为原生 PyTorch 设备,支持使用标准接口对 Qwen3 进行预训练或微调。
Dharma-AI 在 Hugging Face Blog 发文预览 VocabX 方法,通过按 token 成本而非频率专门化词汇表,在 Qwen3-4B 葡萄牙语评分器上实测推理成本降低 77%。该方法保持基础模型不变,将输出层词汇从约 152,000 压缩至约 65,000,并在合同、代码等五类域对比中均优于参考方法。完整 VocabX 论文将于近期发布。
Hugging Face 发布教程,指导用户利用 TorchNeuron 在 AWS Trainium 上系统分析推理性能瓶颈。教程演示了配置 torch.profiler 捕获 Neuron 设备时间,并通过 Neuron Explorer 追踪操作从框架分发到硬件执行的全过程。
Hugging Face 发布教程,指导用户利用 TorchNeuron 在 AWS Trainium 上系统分析推理性能瓶颈。教程演示了配置 torch.profiler 捕获 Neuron 设备时间,并通过 Neuron Explorer 追踪操作从框架分发到硬件执行的全过程。
Octave 在 Amazon Bedrock 上构建了基于 Cohere Embed v4 的三层多租户 AI 基础,将每个用例的部署时间缩短了 50%。
AWS 团队在 Amazon SageMaker HyperPod 上微调 GPT-OSS-20B,使多语言推理语言正确率从 22% 升至 100%。SFT 教会模型按指令用目标语言推理,叠加 GRPO 后将答案语言正确率从 62% 提升至 70%。对照 Qwen2.5-7B 实验显示 GRPO 仅在存在能力缺口时带来增益,GSM8K 上无提升。
AWS 与 Keyfactor 联合发布参考架构,利用 X.509 PKI 解决 AI 智能体在 MCP 环境下的身份认证缺失问题。该方案结合 Keyfactor EJBCA 与 Amazon Bedrock,通过签名请求信封、委托断言及 OCSP 实时吊销机制,实现零信任下的智能体身份验证与权限控制。
三位资深 Java 开发者分享利用 GitHub Copilot 提升生产力的具体案例与最佳实践。Vlad Mihalcea 借助 Copilot 将原本需数周开发的 Hypersistence Optimizer 功能缩短至两天完成,并创建自定义技能以匹配其写作风格。
AWS 演示了利用 AtScale 和 Amazon Bedrock AgentCore 构建 Agentic AI 语义层的方法,采用 Anthropic Claude Sonnet 4.6 作为基础模型。