用 Amazon Bedrock AgentCore 构建自改进文档处理系统
基于 Amazon Bedrock AgentCore 的多智能体 IDP 系统可自动分类、提取、校验并从业务文档中学习，新文档类型无需手动配置模板，部署通常 20 分钟内完成。
#MCP/工具调用
AWS Machine Learning BlogAI 评分3636
AWS Machine Learning BlogAI 评分5858 Anchor Browser 集成 AgentCore payments，让 AI 智能体自主完成 x402 支付
Anchor Browser 与 Amazon Bedrock AgentCore payments 集成，让 AI 智能体在浏览器会话内自动处理 x402 协议的 HTTP 402 支付挑战，现已上线 AWS Marketplace。
AWS Machine Learning BlogAI 评分3232 ShipStation Global 如何基于 Amazon Bedrock AgentCore 打造 AI IT 服务台 Deckhand
ShipStation Global 工程团队在 Amazon Bedrock AgentCore 上构建了 Slack 内的 AI IT 服务台智能体 Deckhand，可解答常规 IT 与公司问题、识别报错截图并创建和更新 Jira Service Management 工单，上线后解决了 97.5% 的频道内提问，员工正向反馈率达 96%。
GitHub Blog · AI & MLAI 评分3636 GitHub Copilot 入门指南：如何让 Copilot 了解你的代码库
GitHub Copilot 可通过四种方式定制对代码库的理解：仓库级自定义指令写入 .github/copilot-instructions.md，路径级指令放在 .github/instructions 并用 applyTo 字段匹配文件。
AWS Machine Learning BlogAI 评分4545 BlockRun 与 Incarna 如何用 Amazon Bedrock AgentCore payments 实现 AI 智能体按次付费推理
Incarna 借助 Amazon Bedrock AgentCore payments，让智能体通过 x402 按次向 BlockRun 支付模型推理费用，将接入 x402 支付支持的工作量从数月缩短到数天，并已把端到端按次付费推理流程投入生产。
AWS Machine Learning BlogAI 评分4242 Cornerstone OnDemand 如何用 Amazon Bedrock 将数据库诊断时间缩短 78%
Cornerstone OnDemand 基于 Amazon Bedrock 和开源智能体编排框架 Strands Agents 构建多智能体系统 Orion AI，将数据库诊断时间从 45 分钟降至 10 分钟，减少 78%。该系统还把手动生命周期步骤从 10 步以上压缩为 1 次交互（减少 70%），并将冗余告警中位数削减 65%，由三人团队在六个月内交付。
AWS Machine Learning BlogAI 评分3636 用 AWS Lambda Durable Functions 自动化 AWS DevOps Agent 调查后的修复流程
针对 AWS DevOps Agent 只诊断不改动生产资源的问题，该方案用 Amazon EventBridge、AWS Lambda Durable Functions 和 Amazon Bedrock 搭建自动修复工作流，把调查摘要转为预验证的修复动作。
AWS Machine Learning BlogAI 评分3232 用 Amazon Bedrock AgentCore、Managed Knowledge Base 和 Nova Sonic 构建语音旅行礼宾服务
基于 Amazon Bedrock AgentCore、Amazon Nova 2.5 Sonic 和 Amazon Bedrock Knowledge Bases，可在航空公司应用中搭建语音旅行礼宾服务，让旅客通过语音查询行程、改座位、更新餐食偏好并转接人工客服。
AWS Machine Learning BlogAI 评分3434 Amazon SageMaker AI 推出 aws-ai-ml 技能，为 Kiro、Claude Code、Codex 等编码智能体提供生成式 AI 推理优化能力
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。
AWS Machine Learning BlogAI 评分3232 用 Amazon Bedrock AgentCore 评估多智能体系统的可解释性与有用性
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。
AWS Machine Learning BlogAI 评分3232 Amazon Quick 如何实现跨账户资源的自动化、可审计迁移
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。
AWS Machine Learning BlogAI 评分3636 用 Amazon Quick 和 Adjudicated Query 模式批量审查数千份租约合规性
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。
AWS Machine Learning BlogAI 评分3434 用 Amazon Bedrock AgentCore 为 Claude Desktop 添加安全 Web Search
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 Machine Learning BlogAI 评分3636 在 Amazon Bedrock AgentCore 上用智能体 AI 扩展云迁移
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。
AWS Machine Learning BlogAI 评分4040 用 Amazon Bedrock AgentCore 构建环境智能体：从事件驱动信号到人在回路工作流
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 Blog · AI & MLAI 评分4040 GitHub Copilot 新手教程：如何用 canvases 构建自定义工作流
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 Blog · AI & ML精选AI 评分6666 GitHub Security Lab 发布 Fuzzing Taskflow 智能体，自动完成 C/C++ 模糊测试全流程
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 Blog · AI & MLAI 评分2222 GitHub Podcast 拆解 AI 热门观点：该不该读 AI 生成的代码、RAG 是否已死、Skills 是否杀死了 MCP
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 Blog · AI & MLAI 评分3434 GitHub 如何用 Copilot 把营销活动运营变成代码
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。