Category: Artificial Intelligence

AI Agent 正在将软件从执行预定义逻辑的应用，转变为基于目标进行动态决策与行动的系统。这一变化为开发者带来更强能力的同时，也引入了新的工程挑战。 本文从开发者视角出发，解析 Agent 与传统应用在执行模型与系统结构上的差异，并结合云原生实践，探讨在生产环境中构建可扩展、可控的 Agent 系统时需要关注的关键问题，包括隔离、状态管理与成本控制。

我们希望用一个详细的案例来解读亚马逊云科技的 CUR（Cost and Usage Report，成本及用量报告）报告，并且分享一些 CUR 可视化的思路。

Data for AI系列blog第一篇，以爆火的OpenClaw为例，解析Token爆炸根因，深入研究OpenClaw记忆和Skill管理机制的实现，给出AI Agent如何通过优化可观测性，记忆和Skill管理从而减少Token浪费的方法论，最终实现降本增效的目的

Anthropic 和 Meta 的合作伙伴关系、AWS Lambda S3 Files、Amazon Bedrock AgentCore CLI 等

随着企业在 AWS 上的工作负载日益复杂——EC2 集群、RDS 数据库、ECS/EKS 容器、Lambda 函数、网络与负载均衡等多种服务交织运行——运维团队面临严峻挑战。AWS DevOps Agent 正是为解决这些运维痛点而生。它是一个 AI 驱动的自主运维代理，能够自动接收来自任何 AWS 服务的告警、跨服务关联数据（CloudWatch 指标、CloudTrail 事件、AWS Config 变更、VPC 网络日志等）、执行深度根因分析，并生成结构化的调查报告——整个过程无需人工干预。

本文将展示如何使用 Kiro CLI（AWS 推出的 AI 驱动命令行助手）配合 Amazon EKS MCP Server，通过自然语言对话，自动完成两种 FluentBit 日志采集方案的规划、搭建和验证。你将看到： • 两种方案的架构差异和适用场景 • Kiro CLI 如何一步步驱动整个搭建过程 • 搭建复杂度和运行成本的量化对比 • AI 辅助运维带来的效率提升

本文介绍了如何利用 Claude Code（负责腾讯云侧）和 Kiro CLI（负责 AWS 侧）两个 AI 工具协作，在几小时内完成 AWS 与腾讯云之间 IPsec VPN 双隧道互联的搭建，并迭代了三种架构方案（SPD 策略路由 → VPC 目的路由 → CCN 云联网目的路由），展示了 AI 工具在跨云网络配置中加速知识翻译、参数生成和问题定位的实际价值。

本文介绍了一种短剧视频字幕位置自动识别方案，通过 OpenCV 图像处理 + Amazon Nova 2 Lite 视觉大模型 的混合方法，在 30 个测试视频（覆盖 15 种语言）上达到 83% 准确率（偏差 ≤5%）。

Amazon Connect 内置报表灵活度有限，尤其难以呈现 Contact Flow 中的自定义属性数据。本文演示了一条零 ETL 的全链路方案：启用 Connect 分析数据湖，跨账号分享至客户账号，在 Lake Formation 中创建 Resource Link 并管理权限，然后通过 Athena 接入 Amazon Quick 构建可视化 Dashboard。更进一步，利用 Quick 的 Q 功能实现自然语言生成图表，并通过 Chat Agent 让业务人员以对话方式直接获取数据洞察，将数据湖从技术资产转变为全组织可用的智能分析平台。

本文介绍了如何通过三个 AI Agent Skill 降低混沌工程的实践门槛。传统方式下，AWS FIS 学习曲线陡峭且缺乏应用层观测能力。通过将专业知识封装到 Agent 中，工程师只需描述测试意图，即可自动完成故障注入、日志采集和智能分析的完整闭环，让混沌工程从”专家专属”变为”人人可做”。