亚马逊AWS官方博客

关于 SolveX.AI SolveX.AI 是一款由 PIGEON LIMITED 开发的教育类应用，在教育 […]

本文详细分享如何利用 Amazon Q Developer CLI（以下简称 Q CLI） 和 Amazon Bedrock Knowledge Bases（以下简称 Bedrock KB） 快速构建端到端的智能问答系统。我们将从网页爬取 FAQ 开始，到构建高效知识库，实现全流程自动化，帮助企业轻松迈入 AI 客户服务新时代。

本文分享翰德 Hudson 与亚马逊云科技合作，通过 MCP（Model Context Protocol）协议构建标准化多 Agent 工具调用框架，实现简历解析、岗位匹配、候选人洞察等功能模块的动态协同。依托亚马逊云科技的 AI 服务与 Serverless 架构优势将日均简历处理效率提升 150%。

AWS 云基础设施日将全面展示 AWS 云基础设施的最新创新成果。本次活动将重点展示计算、人工智能与机器学习 […]

近期活动精彩纷呈！ 上周我参加了意大利的人工智能周活动。本周我将前往苏黎世参加瑞士 AWS Community […]

生成式 AI 为企业带来了许多新的可能性。它提供了消除技术债务、对遗留系统进行现代化改造以及构建敏捷基础设施的 […]

我以 .NET 开发人员的身份开启职业生涯，并见证了 .NET 在过去几十年的发展。和你们中的许多人一样，我也 […]

Game Server Wrapper 是专为游戏服务器快速接入 Amazon GameLift 设计的轻量化工具，无需深度集成 SDK 即可实现游戏服务与 GameLift 的无缝对接。它完美适配快速原型验证、敏捷开发迭代及早期压力测试场景，并支持快速将现有的项目部署到 GameLift 上。

在之前的文章中，我们详细阐述了大模型文本审核模型优化项目的前两个阶段。第一阶段通过数据分析与初步优化，成功将误判率从 81.9% 降至 11.47%；第二阶段借助误判分类与提示词工程，进一步将误判率降低至 0%。然而，这些方法也暴露出系统复杂、维护成本高、扩展性差等问题。本文将聚焦于项目的第三阶段 —— 模型微调方案，介绍如何通过训练专门的文本分类模型，为审核系统打造更简洁、高效的长期解决方案。

本文将分享一个真实案例，详细介绍如何通过数据分析、提示词工程和模型微调，将一个审核准确率仅 10% 的文本审核系统优化至接近 95% 的准确度。 该项目服务于一家经营海外聊天软件的公司，其用户注册审核环节存在严重的误判问题。我们通过三个阶段的系统性优化，成功解决了这一难题，并在实践过程中探索了不同技术路径的优劣，为类似场景提供了极具价值的参考方案。本文将重点聚焦前两个优化阶段，后续还会专门推出文章介绍第三阶段的模型微调方案。