Author: awschina

Amazon Quick 分 Web 与 Desktop 两个端，分别使用 SAML 2.0 与 OIDC + PKCE 两种认证协议，二者必须收敛到同一个身份提供方（IdP）才能实现单点登录（SSO）。本文面向自建 IdP 的开发方，给出用自建 IdP 打通 Amazon Quick 两端 SSO 的完整对接实战：Desktop 侧复用现有 OIDC 能力，Web 侧为 IdP 增补 SAML 2.0 直连。

Mantle 是 Amazon Bedrock 的新一代推理引擎，OpenAI 的 GPT-5.6（Sol / Terra / Luna）等模型由它提供服务，通过 OpenAI 兼容的 bedrock-mantle 端点对外暴露。它与承载 Claude 的经典 bedrock-runtime 端点在协议上并不一致：前者用 Chat Completions / Responses，后者用 Converse / InvokeModel。本文用一台 EC2 上的 LiteLLM 网关（测试形态，生产化建议见文中）把两个端点收敛到同一个入口，实测供出 9 个模型（GPT-5.6 三变体、GPT-5.5、GPT-5.4、gpt-oss 两款、Claude 两款），客户端只认一个地址、一个 key，网关侧完全用 EC2 实例角色做 SigV4 认证，不落盘任何 API key。文中还给出一个 92 行的 pre-call 钩子，解决 Codex 客户端与 Mantle 的请求体不兼容问题，让 Codex 和 opencode 共用同一套网关。

CloudFront Functions 新增 cf.logCustomData() 辅助方法，可将函数产生的自定义数据写入同一次请求的 CloudFront 访问日志。本文通过一个流量来源记录示例说明其配置和验证方法。

用 AWS Lambda MicroVMs 快速部署多人游戏服务器

本文介绍如何使用 AI 编码工具 Kiro 辅助嵌入式系统的全流程开发。通过一个智能温湿度监控系统的实际案例，展示从需求分析、代码生成到调试部署的完整开发过程，帮助开发者了解如何借助 AI 提升嵌入式开发效率。

AI Agent 创建数据库已成为行业新常态——在主流 Serverless 数据库平台上，80% 以上的数据库已由 Agent 创建。本文介绍如何基于 Aurora PostgreSQL + Supabase 构建后端即服务（BaaS）方案，为 AI Coding 场景提供开箱即用的数据库、认证、API 自动生成等能力。

本文将系统介绍 Text-only LLM SFT 训练数据预处理的完整流程，涵盖从数据收集到最终打包的每一个环节，并结合真实客户案例给出实操建议。这里需要说明的是，本文聚焦于纯文本场景，且不涉及代码生成和 SQL 相关的场景。从 2025 年的行业趋势来看，代码和 SQL 相关场景基本上都是基于开源模型权重或闭源模型来构建实现的，需要针对代码和SQL相关场景做post training 的客户相对要少很多。此外，SFT 和 RFT（Reinforcement Fine-Tuning）的训练数据预处理存在差异，本文只讨论 SFT 的部分。虽然 SFT 本身又分为全参数 SFT 和 PEFT（主要是 LoRA 及其变体），但数据集的预处理流程对两者是一致的。

本文介绍如何通过 CloudWatch Logs V2 delivery，将 Amazon Quick 支持的日志直接持续投递到指定的 Amazon S3 Bucket。CloudWatch Logs 在此架构中仅作为日志投递的控制面。日志会直接写入 S3，无需创建 CloudWatch Log Group，也无需配置 Log Group Export。

本文介绍了如何使用 Amazon Athena 对 Kiro 提供的 per-user activity 报表进行分析。

随着人工智能越来越深入地集成到企业工作流程中，企业对标准化、安全且可扩展的 AI 工具平台的需求日益增长。由 Anthropic 开发的模型上下文协议 (MCP) 为连接 AI 助手与外部工具和数据源提供了通用标准。当与 Amazon Bedrock 的 AgentCore 功能相结合时，组织可以构建兼具高性能与生产可用性的 AI 生态系统。