Category: Artificial Intelligence

本文围绕 AI Agent 在多客户、多 Agent 协作场景下的”记忆困境”，介绍基于 Amazon AgentCore Memory 的 OpenClaw 企业级共享记忆插件 memory-agentcore，逐一拆解记忆系统的五个核心问题：记什么（Amazon AgentCore 4 策略自动提取 + 本地三层噪音预过滤）、怎么存（Event → Memory Record 的全托管数据路径）、怎么找（auto-recall 自动召回 + 肘点算法分数间隙过滤）、谁能看（层级命名空间 + actorId 驱动的最小权限隔离）、怎么管（8 个 Agent 工具 + 9 个 CLI 命令的全生命周期管理）。架构基于 Amazon Bedrock AgentCore Memory 构建，采用三层记忆模型（上下文层 / 本地记忆层 / 云端共享层）叠加设计，在面客模式下通过 peerId 实现记忆按客户自动隔离、跨 Agent 天然共享。

本文探讨如何将 OpenClaw 从个人 AI 助手转型为面向客户的服务Agent。围绕五个核心问题展开：会话隔离（dmScope 配置实现多客户 session 独立）、多渠道接入（Web Widget 与消息平台的身份关联）、安全模型（tools.deny 硬约束 + Bedrock Guardrails 内容过滤的双层防护）、知识库注入（Bootstrap 文件 + Amazon Bedrock Knowledge Bases 的 RAG 检索）、以及客户记忆的局限与演进方向。部署架构基于 AWS，采用 ALB + ECS 认证中间层 + 私有子网 Gateway 的分层设计，通过 VPC Endpoint 调用 Bedrock、AgentCore 等服务，兼顾安全隔离与低延迟。

企业数据分析中，LLM 直接生成 SQL 面临不可复现、不可审计、不可收敛三大挑战。本文提出基于 Strands Agents SDK 和 Amazon Bedrock 的三层确定性架构：语义层将业务术语映射为标准 SQL 片段（毫秒），VQR 知识库通过反馈飞轮缓存验证查询（零 LLM 调用），Agent 层处理长尾问题。明显降低高频查询响应。

本文将介绍 AWS Transform Custom 的核心能力，并通过 Spring PetClinic 官方示例项目，演示如何将一个 Java 8 应用升级到 Java 17。

本文针对上篇航空客服智能体服务回复不一致的痛点，提出双 Memory 架构解决方案，通过新增 Solutions Memory（成功案例库）实现跨用户知识复用与服务标准化，解决同类问题答复差异问题。

本文以航空客服高重复咨询、策略控制复杂、服务一致性差等痛点为切入点，结合AIDLC 方法论，完整呈现基于 AWS Bedrock AgentCore 搭建可生产部署航空客服智能体的实践方案，解决 AI Agent 在企业级场景的上下文管理、策略执行、工具集成等技术难题。

供应链是零售企业最核心的竞争壁垒之一，而决策效率的瓶颈往往不在数据基础设施，而在从数据到洞察、从洞察到行动之间的链路。本文探讨如何通过 Agentic AI 系统性地打通这条链路——利用 Multi-Agent 架构、让供应链数据自动被查询、被理解、被转化为行动，实现从 data-informed 到 data-driven 的跨越。文章包含架构设计、关键技术选型，以及一个完整的渠道履约分析场景演示。

Amazon Bedrock 中的 Claude Mythos 预览版、AWS 代理注册表等

随着业务的全球化扩展，JoyCastle 面临一个共性挑战：如何高效管理和检索海量广告素材，让创意团队从重复劳动中解放出来，聚焦于真正的创意产出。 在与亚马逊云科技游戏行业解决方案团队的深度合作中，JoyCastle 基于 Amazon Nova Multimodal Embeddings 构建了智能化的素材资产管理系统，实现了从传统人工标签到 AI 语义搜索的跨越。

AWS DevOps 代理和安全代理正式发布、产品生命周期更新等