Amazon SageMaker AI 通过 Agent Toolkit for AWS 推出 aws-ai-ml 技能，让 Kiro、Claude Code、Codex 等支持 MCP 的编码智能体具备推理优化与基准测试能力，可对端点做基准测试、推荐部署配置、对比性能并生成可执行的 SageMaker Python SDK v3 代码。
Amazon Bedrock AgentCore Evaluations 支持内置与自定义评估器，可衡量多智能体系统的准确性、任务成功率与行为表现。
Amazon Quick 的资源跨账户迁移此前需手工重建，AWS 博客给出方案：基于 Amazon Bedrock AgentCore 运行一个幂等的 MCP 服务器 Quick Resource Migrator，单次工具调用即可把 chat agents、action connectors、知识库、flows 和 spaces 从开发账户提升到生产账户。
亚马逊云科技提出 Adjudicated Query 设计模式，让业务用户在 Amazon Quick 聊天界面提问合规问题，实际判定交由确定性规则引擎完成，模型只负责将自然语言转为固定类型操作调用并转述结果。该模式通过完整性回执断言"合规+违规+模糊+不可读=已扫描"，确保 50,000 份跨州租约的审查可证明无遗漏且可辩护，适用于制裁筛查、保险理赔等高风险合规场景。
通过 Amazon Bedrock AgentCore 的 AgentCore Gateway，可将 Claude Desktop 接入由 Amazon 网页索引支持的 Web Search，覆盖数十亿文档，查询流量全程留在 AWS 内、无需外部 API key。
AWS Professional Services 基于 Strands Agents SDK 和 Amazon Bedrock AgentCore 构建了四智能体模式，将每应用的基础设施即代码（IaC）开发时间从 3 到 4 周缩短至几分钟，该模式已在 300+ 应用的迁移项目中验证。
Amazon Bedrock AgentCore 支持构建"环境智能体"（ambient agent）：由 Amazon S3 事件或定时任务触发，在 AgentCore Runtime 上以容器方式运行，通过单个 ask_human 工具暂停等待人工审批后继续执行。
GitHub Copilot 应用中的 canvas 是一种可自定义的双向界面，用户只需在 agent 会话中输入 /create-canvas 并用自然语言描述需求，agent 即可生成看板、发布清单或仪表盘等界面。canvas 会保存为扩展，可随项目共享或作为个人扩展复用，社区已在 Awesome Copilot 分享现成模板。
GitHub Security Lab 发布 Fuzzing Taskflow，一个面向 C/C++ 项目的自主模糊测试流水线，只需指向一个 GitHub 仓库，智能体就会识别入口点、分析构建系统、编写 harness、运行 AFL++、读取覆盖率报告并改进 harness，最后对每个崩溃做分诊并生成漏洞报告。
推荐理由：GitHub Security Lab 把模糊测试的 harness 编写、覆盖率追踪与崩溃分诊交给 LLM 智能体，并公开了完整实现与运行方式。
GitHub Podcast 最新一期拆解了五个 AI 热门观点：AI 生成的代码仍需阅读和负责，只是审查力度应按风险分配；Skills 与 MCP 解决不同问题，前者是打包的 Markdown 专业知识，后者是智能体连接工具和数据的标准，二者可组合使用；RAG 并未消亡，检索能让模型基于训练数据外的文档、内部知识和代码库上下文作答，减少 token 浪费和不完整回答。
GitHub 日本和韩国区营销负责人把活动运营流程交给 GitHub Copilot 自动化：以 GitHub Issue 为工作单元，用 Issue forms 收集活动信息、Labels 触发流程、Actions 执行任务，活动从单个 Issue 自动完成搭建、每日筛选报名者并在结束后清理。