亚马逊AWS官方博客

Category: Artificial Intelligence

基于 AWS DevOps Agent 构建 AI 驱动的运维分析系统

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。

用 Kiro CLI 自动搭建 FluentBit 日志采集方案：两种 EKS 埋点数据落地 S3 Parquet 的实战对比

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

AI 驱动的跨云网络搭建：用 Claude Code 和 Kiro CLI 实现 AWS-腾讯云 IPSec VPN 双隧道互联

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。

基于 Amazon Connect 数据湖与 Quick 构建联络中心智能分析平台

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。

简化故障注入，读懂应用影响：用 AI Agent 做混沌工程

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”。

当 OpenClaw 学会”团队记忆”：一个面向多客户服务的企业级共享记忆系统设计

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。

把 OpenClaw 从个人助手变成客服：一次信任模型的翻转

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。

用 Strands Agents SDK 构建确定性数据分析：语义层 + VQR 在 Amazon Bedrock 上的实践

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。

← Older posts