亚马逊AWS官方博客
Category: Artificial Intelligence
5 分钟拉起、90 秒自愈、成本 1/8——基于 Firecracker microVM 与 Bedrock AgentCore 的生产级多租户 AI Agent 平台 OpenClaw Pool
本文介绍一套使用 Firecracker microVM 在 AWS EC2 上运行多租户 OpenClaw AI Agent 的参考架构。每个租户获得内核级隔离的独立实例,Serverless 控制面统一管理调度、扩缩容和备份,配套开源项目已发布在 aws-samples。
基于 Strands Agents 构建亚马逊云科技云成本分析与优化 AI 助手
本文介绍如何基于 Strands Agents SDK 和 AWS 官方 MCP 工具,构建一个支持自然语言交互的云成本分析 AI 助手,实现费用查询、图表可视化和优化建议的端到端体验,并适配亚马逊云科技中国区部署。
滴滴国际化客服质检智能化之路:基于 Amazon Bedrock 的多语种多业务线质检实践
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 接入 AWS 中国区(一):Partition 隔离与 MCP 单账号桥接
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。
Zenjoy 基于 Amazon Bedrock 和 EKS 构建 AIOps Agent:打通 Prometheus、ES 与夜莺的智能化告警实战
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。
在 Amazon Bedrock 上为 Claude 应用设计稳健的 Prompt Cache 策略
本文介绍如何在 Amazon Bedrock 上为 Claude 应用设计 Prompt Cache。
AWS 一周综述:AWS Transform 上线一周年、AWS 云端 Claude Platform、EC2 M3 Ultra Mac 实例等(2026 年 5 月 18 日)
AWS Transform 上线一周年、AWS 云端 Claude Platform、EC2 M3 Ultra Mac 实例等
Habby 游戏借助 AWS DevOps Agent 实现智能运维最佳实践
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。
Amazon Bedrock 推出新的高级提示优化和迁移工具
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。
Amazon Redshift 推出带有集成数据湖查询引擎的基于 AWS Graviton 的 RG 实例
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。