Author: AWS Team

Cloud Foundations 在某些方面和 Control Tower 提供相同或相似的功能，在中国区可作为其替代方案使用。在全球区可单独使用，或二者并行使用，取长补短。有效协同二者管理云上环境颇具挑战，部分用户感到困惑和疑虑。为此，我们利用此博客就常见重要问题讲解讨论，协助用户高效运维云上环境。

Cloud Foundations provides similar functions to Control Tower in many aspects, therefore, it can be used as an alternative solution in China Regions. This blog explains important issues to help efficiently operate and maintain the cloud environment.

本文深入分析 AWS EC2 实例的安全远程访问方法，重点介绍 EC2 Instance Connect Endpoint 作为访问私有子网实例的最佳解决方案。结合 IAM 策略实现多维度精细化访问控制，弥补传统访问方式的安全漏洞，并提供完整的实施指南及更广泛的 EC2 安全最佳实践。

通过 OpenAI Compatible API 方案实现 Amazon SageMaker Hosting 发布 OpenAI 兼容的 API

关于 SolveX.AI SolveX.AI 是一款由 PIGEON LIMITED 开发的教育类应用，在教育 […]

本文详细分享如何利用 Amazon Q Developer CLI（以下简称 Q CLI） 和 Amazon Bedrock Knowledge Bases（以下简称 Bedrock KB） 快速构建端到端的智能问答系统。我们将从网页爬取 FAQ 开始，到构建高效知识库，实现全流程自动化，帮助企业轻松迈入 AI 客户服务新时代。

本文分享翰德 Hudson 与亚马逊云科技合作，通过 MCP（Model Context Protocol）协议构建标准化多 Agent 工具调用框架，实现简历解析、岗位匹配、候选人洞察等功能模块的动态协同。依托亚马逊云科技的 AI 服务与 Serverless 架构优势将日均简历处理效率提升 150%。

Game Server Wrapper 是专为游戏服务器快速接入 Amazon GameLift 设计的轻量化工具，无需深度集成 SDK 即可实现游戏服务与 GameLift 的无缝对接。它完美适配快速原型验证、敏捷开发迭代及早期压力测试场景，并支持快速将现有的项目部署到 GameLift 上。

在之前的文章中，我们详细阐述了大模型文本审核模型优化项目的前两个阶段。第一阶段通过数据分析与初步优化，成功将误判率从 81.9% 降至 11.47%；第二阶段借助误判分类与提示词工程，进一步将误判率降低至 0%。然而，这些方法也暴露出系统复杂、维护成本高、扩展性差等问题。本文将聚焦于项目的第三阶段 —— 模型微调方案，介绍如何通过训练专门的文本分类模型，为审核系统打造更简洁、高效的长期解决方案。

本文将分享一个真实案例，详细介绍如何通过数据分析、提示词工程和模型微调，将一个审核准确率仅 10% 的文本审核系统优化至接近 95% 的准确度。 该项目服务于一家经营海外聊天软件的公司，其用户注册审核环节存在严重的误判问题。我们通过三个阶段的系统性优化，成功解决了这一难题，并在实践过程中探索了不同技术路径的优劣，为类似场景提供了极具价值的参考方案。本文将重点聚焦前两个优化阶段，后续还会专门推出文章介绍第三阶段的模型微调方案。