Category: Artificial Intelligence

滴滴国际化事业部客户体验部门与 AWS 合作，基于 Amazon Bedrock 构建了一套覆盖西班牙语和葡萄牙语、横跨出行、外卖、金融三大业务线的智能客服质检系统，将客服质检能力从依赖第三方的黑盒方案迁移为透明可控的自研 AI 架构。系统包含三条核心管线——意图验证、合规评估和 VOC 聚合分析：进线原因验证准确率从 38% 大幅提升至 86%，合规评分准确率达 90% 以上，VOC 聚合分析则将原本耗费数小时的人工汇总工作缩短至数分钟完成。

AWS DevOps Agent 是 AWS 全球区（aws partition）的服务，原生不支持调用 AWS 中国区（aws-cn partition）的资源。如果希望该 Agent 帮助管理 AWS 中国区账号，需要自建一座桥。本文（系列第一篇）说明为什么要建、整体架构与关键设计、以及单账号场景的端到端部署流程。多账号扩展、跨云与运维的内容请参见本系列第二篇。

随着微服务架构的规模化演进，传统基于静态阈值的监控告警体系面临误报率高、漏报频发、人工排查效率低等瓶颈。本文介绍了一种将确定性数学算法与大语言模型深度解耦的 AIOps Agent 方案——由 Z-Score、IQR、线性回归等统计算法完成全量监控数据的确定性分析与过滤，再由 Amazon Bedrock 上的LLM模型对精简后的结论进行智能总结与报告生成，最终通过夜莺平台实现告警的统一管理与多渠道通知。该方案运行在 Amazon EKS 之上，使用 AWS 开源的 Strands Agents 框架构建 Agent，实现了告警信噪比的大幅提升和运维效率的显著改善。

本文介绍如何在 Amazon Bedrock 上为 Claude 应用设计 Prompt Cache。

AWS Transform 上线一周年、AWS 云端 Claude Platform、EC2 M3 Ultra Mac 实例等

Habby（海彼游戏）是一家全球知名的休闲游戏发行商，代表作包括《弓箭传说》、《弹壳特攻队》、《GO！卡皮巴拉》等。公司拥有全球数亿玩家，运行在AWS上的后端基础设施按游戏多账户管理。
Habby 作为 AWS DevOps Agent 的早期采用者，通过深度集成Grafana、GitHub、飞书等工具，构建了一套适合游戏行业的智能运维方案，从而更好的应对流量波动、延迟敏感、版本更新频繁的运维要求。本文将介绍 Habby 游戏使用DevOps Agent的最佳实践，为行业客户提供有价值的落地经验。

今天，我们宣布推出 Amazon Bedrock Advanced Prompt Optimization，这是一款新工具，可用于优化 Amazon Bedrock 上任何模型的提示，同时将原始提示与最多 5 个模型的优化提示进行比较。通过新的提示优化，您可以迁移到新模型或提高当前模型的性能。您可以对提示进行测试，确保在已知使用案例中看不到这些提示的任何回归，还可以改进性能不佳的任务。

今天，我们宣布推出 Amazon Redshift RG 实例，这是一个由 AWS Graviton 提供支持的新实例系列。RG 实例提供更好的性能，运行数据仓库工作负载的速度最高可达 RA3 实例的 2.2 倍，而每个 vCPU 的价格则低 30%。借助这些实例的集成数据湖查询引擎，您可以通过单个引擎在数据仓库和数据湖中运行 SQL 分析，其性能最高可达适用于 Apache Iceberg 的 RA3 的 2.4 倍，速度最高可达适用于 Apache Parquet 的 RA3 的 1.5 倍。 Redshift RG 实例集速度、成本效率和集成数据湖查询引擎于一身，非常适合处理当今分析和代理式人工智能工作负载的高查询量和低延迟要求。

本文以将飞书（Lark）能力封装为 MCP Server 为例，演示如何通过 Amazon Bedrock AgentCore Gateway 实现统一鉴权与路由，将自建 MCP Server 部署到 AgentCore Runtime，并最终接入 Amazon Quick Suite 的 Chat Agent。六步走通 Cognito 认证、Gateway创建、容器化部署、Target 注册、端到端验证到 Quick Suite集成的完整链路，让你的自定义工具稳定运行在自己的云账户中，用自然语言即可调用，数据全程不经过任何第三方。这套模式可复制到Jira、Jenkins、数据库等任意内部系统，真正实现”自己的工具自己控”。

本文详细介绍了如何基于Nova模型和Strands Agents开源框架，构建一套高效、精准且易于扩展的智能航班变更信息识别系统。通过将复杂的航班变更邮件解析为结构化的JSON数据，解决了传统人工处理成本高、规则引擎维护难、传统机器学习泛化能力弱等痛点。在部署和运维方面，充分利用了Bedrock AgentCore提供的无服务器托管能力、全链路的可观测性以及无监督的结果评估，形成持续迭代闭环。