AWS 如何用 Amazon Bedrock AgentCore 搭建 AI 智能体九阶段评测框架
AWS 销售与市场运营团队基于 Amazon Bedrock AgentCore Evaluations 搭建了一套覆盖从首次提交到生产运行的九阶段智能体评测框架，并在内部多智能体销售系统中落地。
#教程/实践
AWS Machine Learning BlogAI 评分5858
AWS Machine Learning Blog精选AI 评分6969 Reflection AI 发布开源权重模型 Beam，并在 AWS 上部署
Reflection AI 发布面向智能体编码与长周期任务的开源权重模型 Beam，总参数 501B、激活参数 23B，Reflection 称有效上下文长度为 100 万 token，权重以 Apache 2.0 许可在 Hugging Face 发布。
推荐理由：原文给出 Beam 的参数量、上下文长度与三种部署路径，可据此比较托管与自建推理的取舍。
AWS Machine Learning BlogAI 评分5050 用 Amazon Bedrock AgentCore 构建自改进的文档处理系统
基于 Amazon Bedrock AgentCore 的多智能体 IDP 系统可自动分类、提取、校验并学习新的业务文档格式，无需为每种版式手工配置模板。系统由 8 个专用智能体组成，分识别、训练、自动化三条流程，新文档类型首次处理时生成并保存提取指令，后续同类文档直接复用。方案称通常可在 20 分钟内完成部署，支持发票、采购订单、保险理赔等文档。
AWS Machine Learning BlogAI 评分3434 用 Amazon Bedrock AgentCore 生成演示文稿
AWS 发布方案，用 Amazon Bedrock AgentCore 上的 supervisor agent 自动生成 PowerPoint 演示文稿，内部测试中不到 90 秒完成。
AWS Machine Learning BlogAI 评分3131 Tamnoon 如何用 Amazon Bedrock 构建 AI 云安全修复平台 Tami
Tamnoon 基于 Amazon Bedrock 构建了智能体式云修复编排器 Tami，可自主调查 CNAPP 等来源的安全发现并评估修复安全性，再在护栏与治理下生成并执行修复。该方案在 90 天内将关键云暴露减少超过 90%，且未出现生产问题。平台由调查、安全评分、修复和代码生成四类专用智能体组成，通过单一 API 按任务调用最合适的模型。
AWS Machine Learning BlogAI 评分2222 用 Amazon SageMaker JumpStart 部署并评测模型
AWS 博客演示了如何从 Amazon SageMaker JumpStart 部署预训练模型，用 SageMaker Python SDK 跑可重复的轻量性能测试，并在测试结束后删除端点。
GitHub Blog · AI & MLAI 评分4848 GitHub 如何用 ModernBERT 分类器更少误报地检测密钥
GitHub 为密钥扫描训练了专用的 ModernBERT 分类器，配合正则候选生成的两阶段流水线，替代此前的 LLM 流水线。相比旧方案，告警接受率提升 11.5%，推送后扫描中位执行时间降低 86%，服务成本降低 98% 以上。该效率使通用密钥检测得以扩展到推送保护，在代码提交前返回结果。
GitHub Blog · AI & MLAI 评分3838 GitHub Copilot 入门：如何让 Copilot 了解你的代码库
GitHub Copilot 入门系列介绍四种让 Copilot 适配项目的方式：仓库级与路径级自定义指令（.github/copilot-instructions.md、.github/instructions）、打包可复用流程的 agent skills（.github/skills）、面向大型任务的 custom agents（.github/agents）。
Hugging Face Blog精选AI 评分7272 作者用 ML Intern 两天做出六个模型，总花费约 103 美元
作者借助 HuggingChat 中的 ML-intern，在几天内完成六个模型项目，包括把 Qwen-Image 2.1 的 9B 提示词改写器蒸馏成 0.8B 的 CPU 版本，总 GPU 与 CPU 费用约 103 美元。
推荐理由：作者用同一套提示词流程在两天内做出六个模型，并公开了每个项目的算力成本与提示词写法。
GitHub Blog · AI & MLAI 评分2727 GitHub 博客：AI 正在改变开发者工作，值得强化的三项技能
GitHub 博客提出 AI 时代开发者应强化的三项技能：学会指挥 AI 智能体而非仅使用它，不轻信 AI 的第一个答案，以及用 AI 节省的时间去解决更大的问题。文中以 GitHub Copilot 内置的 Rubber Duck agent 为例，说明用第二个模型审查计划、代码和测试能发现首个模型遗漏的问题。
GitHub Blog · AI & MLAI 评分4848 GitHub Copilot 应用入门：如何用 canvases 构建自定义工作流
GitHub Copilot 应用中的 canvas 是一种可与智能体共享的可定制界面，用户只需在智能体会话中输入 /create-canvas 并用自然语言描述需求，即可生成看板、发布清单或仪表盘等界面。
Mistral AI精选AI 评分6060 Mistral 如何用 AI 智能体迁移 4 万行 Fortran 遗留代码
Mistral 帮助一家欧洲能源运营商把 4 万行 Fortran 77 水库模拟器代码迁移到 C++，并公开了其中的智能体工作流。团队先搭建数值对齐测试框架，用检查点比对迁移前后的输出，再用自定义解析器生成调用树，由上百个智能体借助 Mistral OCR 读取旧 PDF 文档并补全注释。
推荐理由：Mistral 公开了用智能体迁移 4 万行 Fortran 代码的完整流程，其中先建数值对齐测试、再分模块推进的做法可以迁移到其他遗留系统改造。