构建交互式PDF文本提取：从Amazon S3实时获取文档内容
本文介绍如何构建一个基于MCP协议的服务器，从Amazon S3中实时提取PDF文本，实现按需文档访问。文章比较了该方案与Amazon Textract的适用场景，并提供了详细的实施步骤、成本估算和安全考量。
- 使用MCP协议构建服务器，实现从S3实时提取PDF文本。
- 适用于文本型PDF，无需OCR，适合开发和概念验证环境。
来源详情
AWS Machine Learning Blog
AI News Hub 持续跟踪 AWS Machine Learning Blog 的 AI 更新，并公开来源状态、授权边界、抓取方式和已发布文章。
公开文章 131采集文章 143可信度 88刷新频率 30 分钟
健康状态 健康来源类型 官方原文权限 官方原文最近入库 2026-06-26ID aws-ml-blog运行状态 已启用
Official cloud provider blog; confirm reuse terms before enabling full body display.
最新公开文章
Cara携手AWS为保险经纪公司打造领域专属AI解决方案
Cara是一款基于AWS构建的AI原生解决方案，专注于自动化保险经纪公司的后台流程。通过Amazon EKS和Amazon Bedrock的支持，Cara实现了领域专属的AI工作流，为经纪公司带来每个用户每周约10小时的时间节省，并支持数千并发用户。
- Cara利用AI自动化保险经纪中重复性任务，解决行业人才短缺问题。
- 基于AWS构建，使用Amazon EKS管理容器编排，Amazon Bedrock提供大语言模型推理能力。
面向金融合规的生产级AI代理：来自Stripe的经验教训
Stripe每年处理1.4万亿美元支付量，通过基于Amazon Bedrock的ReAct代理框架，将合规审查处理时间减少26%，同时保持人工监督。本文介绍其技术架构、基础设施决策以及部署AI代理的经验教训，包括任务分解、编排模式和通过提示缓存优化成本。
- Stripe使用ReAct代理框架将合规审查分解为子任务，通过有向无环图编排，确保质量和可审计性。
- AI代理为人类审查员提供预调查信息，最终决定权仍由人类掌握，实现了96%以上的有用性评级。
改造而非重建：用智能体覆盖层改造遗留企业服务
本文提出一种实用解决方案——智能体覆盖层（Agentic Overlays），这是一种薄包装层，可将传统REST服务转化为能够参与智能体间通信（A2A）的智能体，同时将REST API暴露为与模型上下文协议（MCP）兼容的工具。企业无需重写业务逻辑、复制代码或维护并行基础设施，即可为现有REST服务添加A2A能力，并减少基础设施中的智能体泛滥。文章提供了参考架构和示例代码。
- 智能体覆盖层是薄包装层，将REST服务转变为A2A智能体，并暴露MCP工具。
- 无需重写业务逻辑或维护并行基础设施，降低成本和复杂性。
使用 NVIDIA Blackwell 优化 Amazon SageMaker AI 上的模型训练
本文介绍了如何在 Amazon SageMaker AI 上配置训练作业，以充分利用 NVIDIA Blackwell 架构的优势。您将学习如何选择批大小和序列长度以利用 Blackwell 的扩展内存，为模型大小（1B 到 64B 参数）选择合适的精度格式，并策略性地应用激活检查点。最终，您将获得一个实用的框架来调整训练配置并在 P6-B200 实例上启动分布式训练作业。
- Blackwell 的扩展内存支持更大的批大小、更长的序列长度和简化的模型分片。
- 激活检查点对于大模型（~14B+ 参数）是稳定训练的先决条件。
通过 Amazon SageMaker AI 部署 SeedVR2 实现超分辨率
本文展示了如何使用 SeedVR2 和 Amazon SageMaker AI 实现视频放大。我们介绍了解决方案架构、部署步骤，并进行了性能对比，突出了质量提升和处理效率。完成后，您将掌握实现该超分辨率解决方案的实用知识。
- SeedVR2 是字节跳动开源视频修复模型，结合扩散模型和 GAN 实现高效视频放大。
- 解决方案采用三层 AWS 架构，包括安全、存储和 SageMaker 处理管道。
使用由Amazon Bedrock支持的AI代理构建自助式AWS健康分析，以发现可操作的健康洞察
本文介绍如何构建Chaplin（客户健康与计划生命周期智能连接器），这是一个开源解决方案，利用通过模型上下文协议（MCP）暴露的AI代理，提供自助式健康事件分析。Chaplin允许团队用自然语言提问，并从MCP兼容的AI助手获得精确、上下文化的答案，无需依赖AWS支持进行常规分析。
- Chaplin是一个开源解决方案，使用AI代理通过MCP提供自助式AWS健康事件分析。
- 它解决了运营团队依赖TAM解释健康事件的瓶颈问题。
在AWS上使用现代数据网格策略构建自主AI应用
本文展示了如何在AWS上构建一个受治理的无服务器数据网格，为生产级自主AI提供安全、可扩展的数据基础。架构通过S3 Tables（Iceberg）、S3 Vectors和AgentCore Gateway实现三层治理，解决自主AI多步骤数据访问中的授权问题。
- 自主AI需要从工具发现到查询执行的每一步都进行细粒度访问控制，传统RAG的单点治理模式无法满足。
- 使用Amazon S3 Tables（内置Iceberg支持）和AWS Lake Formation实现行/列/单元格级安全，交易性能提升10倍。
使用 Amazon Nova 2 Sonic 构建医疗预约语音助手
本文介绍如何利用 Amazon Nova 2 Sonic 和 Amazon Bedrock AgentCore 构建一个语音助手，用于处理医疗预约提醒对话。该助手能够通过语音验证患者身份、管理预约（确认、取消或改期）、收集就诊前健康信息，并在必要时转接人工客服。它可大规模处理常规电话，有助于降低失约率。示例聚焦于智能代理层面的语音对话与工具编排，并提供基于浏览器的测试界面。
- 使用 Amazon Nova 2 Sonic 的原生语音到语音模型，保留语气等上下文信息。
- 通过 Amazon Bedrock AgentCore 实现无服务器运行时，集成七项医疗专用工具。
利用 Snowflake 和 Amazon QuickSight 实现 AI 驱动型商业智能
本文介绍了如何构建 Snowflake 语义视图与 Amazon QuickSight 之间的端到端集成，使用电影评论数据作为示例，展示如何通过自然语言查询和分析数据，确保业务逻辑的一致性和减少 AI 幻觉。
- 语义视图将业务定义直接附加到数据层，确保 AI 和 BI 系统统一解释信息
- 通过 Cortex Analyst 进行自然语言查询，降低 AI 幻觉风险
Loka 如何利用 Amazon Nova 2 Sonic 构建自然、低延迟的语音代理
Loka 使用 Amazon Nova 2 Sonic 构建了对话式 AI 代理，通过原生语音到语音模型解决了传统语音助手延迟高、不自然的问题，实现了低成本、高准确率的客户互动。
- 传统语音代理因三步处理流程（语音转文本、LLM 处理、文本转语音）导致 3-5 秒延迟，破坏对话自然性，增加成本。
- Amazon Nova 2 Sonic 采用端到端语音处理，Big Bench Audio 得分 87.0，首次响应时间 1.39 秒，每小时成本约 0.27 美元。
使用 Amazon Bedrock AgentCore 构建蛋白质研究助手
本文展示了如何构建一个对话式蛋白质研究助手，它结合了自然语言查询解析、蛋白质嵌入向量相似度搜索和AI生成的科学摘要，帮助研究人员高效地在大数据集中搜索结构相似的肽段。
- 使用 Strands Agents SDK 协调三个专用工具：解析器、搜索器和摘要器，部署到 Amazon Bedrock AgentCore。
- 利用 ESM-C 300M 蛋白质语言模型生成嵌入向量，通过 Amazon Aurora PostgreSQL 的 pgvector 进行向量相似度搜索。
共享基础设施，隔离租户：使用 Amazon Bedrock AgentCore 实现池模型多租户
本文介绍了如何使用 Amazon Bedrock AgentCore 构建生产级多租户 AI 系统的模式，通过医疗 AI 助手示例展示了租户隔离、服务层级差异化、成本追踪和可观测性等关键能力。
- 利用 Amazon Bedrock AgentCore 原生能力实现完整的租户隔离。
- 通过层级策略（如基础版和高级版）实现服务差异化。
为AI代理构建按智能付费：Ampersend如何使用Amazon Bedrock AgentCore Payments
Ampersend在Amazon Bedrock AgentCore Payments之上构建了一个按智能付费的路由层，使AI代理能够使用x402协议自主支付模型服务费用。该集成处理钱包托管、支出治理和两跳结算，将开发时间从数月缩短至两周以内。
- Ampersend与Amazon Bedrock AgentCore Payments集成，为AI代理提供自主按智能付费功能。
- 解决方案采用两跳支付模式：代理向Ampersend支付，Ampersend再向模型提供商支付。
嵌入世界：大规模可搜索航拍图像的多模态AI
本文探讨了如何利用多模态嵌入、大语言模型标注和向量搜索，将航拍图像库转化为可自然语言搜索的知识库。通过使用Amazon Bedrock和Amazon OpenSearch Serverless构建的五阶段管道，评估了不同嵌入模型、融合策略、标注方法和搜索技术。实验表明，Amazon Nova Multimodal Embeddings在基准查询中获得了最高的F1分数。该工作已发展为Vexcel Intelligence产品。
- 航拍图像搜索面临多视角、无标注数据集、语义模糊等挑战。
- 采用五阶段架构：定义区域、摄取图像、嵌入与索引、搜索、评估。
在Amazon SageMaker AI处理作业上运行ComfyUI工作流
本文介绍了如何在Amazon SageMaker AI处理作业上部署ComfyUI工作流，以批量生成高质量图像。涵盖使用AWS CDK设置基础设施、配置GPU加速处理以及自动化大规模图像生成的步骤。该解决方案可适应自定义工作流，帮助扩展创意管线。
- 教程演示了使用ComfyUI和SageMaker AI批量生成数百张图像。
- 通过AWS CDK部署，包括数据栈、安全栈和ComfyUI栈。
Amazon Bedrock AgentCore 推出网页搜索功能
亚马逊 Bedrock AgentCore 网页搜索功能现已全面可用。该功能通过完全托管的 MCP 兼容接口，让 AI 代理能够获取实时网页信息。它基于亚马逊自建的包含数百亿文档的网页索引，保证查询在 AWS 内部处理，无需管理第三方 API 或凭证。
- 网页搜索功能解决了 AI 代理知识陈旧的问题，可获取实时数据。
- 使用亚马逊自建的网页索引，覆盖数百亿文档，分钟级更新。
利用 Adobe Marketing Agent for Amazon Quick 加速营销活动工作流程
本文介绍了如何通过模型上下文协议（MCP）将 Adobe Marketing Agent 与 Amazon Quick 集成，使营销人员能够通过自然语言对话获取受众排名、忠诚度细分、旅程使用情况和冲突分析等关键洞察。文章详细说明了先决条件、配置步骤、身份验证、创建聊天代理以及验证工作流程。
- 通过 MCP 将 Adobe Marketing Agent 与 Amazon Quick 集成，实现自然语言查询营销洞察。
- 配置品牌连接器、管理工具权限并发布连接。
使用 SageMaker 详细指标和 CloudWatch Insights 仪表板监控和调试生成式 AI 推理
Amazon SageMaker AI 现在提供超过 100 种详细的推理指标，涵盖 GPU 健康、令牌级延迟、KV 缓存压力、可用区流量分布等。这些指标通过内置的 SageMaker Insights 仪表板在 CloudWatch 中展示，支持 PromQL 查询。本文介绍如何启用详细可观测性、导航仪表板以及将指标连接到外部工具。
- SageMaker 推理端点现在默认发出超过 100 种详细的 OpenTelemetry 指标到 CloudWatch。
- 新的 SageMaker Insights 仪表板提供性能、容量和可靠性三个视图，帮助快速定位延迟和资源问题。
Amazon Bedrock AgentCore Harness 现已正式上市：数分钟内从创意到生产级智能体
Amazon Bedrock AgentCore Harness 现已正式发布，允许开发者通过两次 API 调用即可创建并运行一个功能完整的智能体。该工具提供隔离的运行环境、内置记忆、工具集成、技能库以及实时追踪能力，无需编写编排代码或构建容器。
- CreateHarness 和 InvokeHarness 两个 API 调用即可快速创建和运行智能体
- 智能体拥有隔离的文件系统和 shell，可安全执行代码和命令
Amazon SageMaker AI 异步推理现在支持内联请求负载
Amazon SageMaker AI 异步推理新增内联负载支持，客户可直接在 InvokeEndpointAsync API 的请求体中发送推理负载，无需先上传到 S3。对于不超过128KB的负载，此举消除了网络往返，简化了客户端代码，并减少了操作复杂度。
- 新增 Body 参数，允许直接发送最大128KB的内联负载，与 InputLocation 互斥。
- 简化客户端代码，无需 S3 客户端、IAM 权限和输入桶管理。
使用 Amazon Quick 中的自主代理每天节省数小时
Amazon Quick 推出了自主代理，可连续为您工作，还有活动摘要帮助您优先处理最重要的工作，并能够通过单个问题跨所有数据源寻找洞察，帮助用户每天节省时间。
- Quick 中的新自主代理可连续在后台处理任务。
- 活动摘要整合并优先处理跨应用的通信。
为您的数据和AI代理提供规模化上下文智能
在AWS纽约峰会上，AWS宣布了一系列创新，包括AWS Context（即将推出）、AWS Glue数据目录业务上下文与语义搜索（预览版）以及Amazon S3注释（正式可用），旨在为AI代理提供可信任的上下文，使其能够安全地访问分散在数据湖、数据仓库、数据库和流中的数据以及机构知识。这些服务通过知识图谱、身份感知访问和开放式标准，帮助组织构建一个共享、可治理的上下文层，从而提升AI代理的决策能力。
- AWS Context通过知识图谱自动映射数据关系，提供代理搜索，使AI代理能在运行时访问治理后的数据关系和业务规则。
- AWS Glue数据目录新增业务上下文和语义搜索，支持用业务描述和术语丰富技术元数据，并通过技能资产为代理提供额外指导。
Amazon Bedrock AgentCore 新功能：构建具备更广泛知识和持续学习能力的智能体
Amazon Bedrock AgentCore 推出了新功能，可将智能体连接到组织、网络和付费知识库，并提供持续优化的功能和增强的策略控制。
- 智能体通过托管知识库、网络搜索和付费内容（通过AgentCore支付）获得原生访问权限。
- 优化功能包括失败/意图/轨迹洞察、建议和A/B测试，实现持续改进。
使用Amazon Bedrock Guardrails InvokeGuardrailChecks API保护您的Agentic AI应用
Amazon Bedrock Guardrails推出了新的InvokeGuardrailChecks API，允许在Agentic AI应用的任意环节应用独立的安全检查，无需创建Guardrail资源。该API以仅检测模式运行，返回数值分数，使您能够自定义阈值和操作。本文介绍了API的工作原理及如何构建安全的多轮Agentic AI应用。
- InvokeGuardrailChecks API无需预先创建Guardrail资源，可在Agent循环中灵活调用安全检查。
- API支持内容过滤、提示攻击检测和敏感信息过滤，返回严重性或置信度分数。
Amazon SageMaker AI 推出容器缓存，加速模型扩展
Amazon SageMaker AI 宣布容器镜像缓存功能，可将扩展事件中的端到端延迟最多降低 2 倍，尤其适用于生成式 AI 模型。
- 容器缓存自动为支持的实例类型启用，无需修改。
- 在新实例启动时消除容器镜像拉取步骤，端到端启动延迟降低最多 51%。
在 Amazon SageMaker AI 上使用 P-EAGLE 实现推测解码并行化
本篇文章指导您如何在 Amazon SageMaker AI 中直接使用 P-EAGLE，展示如何从 SageMaker JumpStart 目录中选择兼容模型、配置并行草稿规格，并部署高度优化的实时 SageMaker AI 端点以加速生成式 AI 应用。
- P-EAGLE 通过一次前向传播并行预测所有草稿令牌，消除了传统推测解码的串行瓶颈。
- 相比 EAGLE-3，在真实基准测试中吞吐量提升高达 1.69 倍。
在 Amazon Bedrock 上推出 Gemma 4 模型
Google DeepMind 构建的 Gemma 4 系列开放权重模型现已在 Amazon Bedrock 上可用。该系列包括三种指令微调变体：Gemma 4 31B、Gemma 4 26B-A4B 和 Gemma 4 E2B，涵盖密集和混合专家（MoE）架构。它们提供内置推理、原生函数调用以及文本和图像的多模态输入。Amazon Bedrock 通过完全托管的服务提供这些模型，确保数据保护、监管合规和运营控制。
- Gemma 4 系列包含三种变体：31B 密集、26B-A4B MoE 和 E2B PLE。
- 支持内置推理模式、函数调用和文本/图像多模态输入。
使用Strands Evals进行AI智能体故障检测与根因分析
本文介绍了Strands Evals SDK中的检测器，它可以自动识别AI智能体执行轨迹中的故障并进行根因分析，将诊断时间从数小时缩短至数分钟。文章详细讲解了如何调用检测函数、解读结构化输出（包括分类故障、置信度、因果链和修复建议），以及如何将检测集成到评估管线中实现自动化诊断。
- 检测器分为两阶段：故障检测（识别轨迹中的9大类故障）和根因分析（区分根本原因与下游症状，并给出修复建议）。
- 通过detect_failures和analyze_root_cause函数可分别获取故障和根因，diagnose_session提供一站式诊断。
使用Deep Agents和Bedrock AgentCore构建上下文丰富的研究型Agent
本文介绍如何利用LangChain Deep Agents和Amazon Bedrock AgentCore构建一个能够并行浏览网页、执行数据分析并长期记忆研究结果的竞争情报研究Agent。通过将深度工作委托给隔离的子Agent，有效解决AI研究工作流中上下文窗口受限的问题。
- Deep Agents负责编排多个专用子Agent，每个子Agent在独立的Bedrock AgentCore MicroVM中运行。
- 研究型子Agent并行浏览竞争对手网站，分析性子Agent生成对比图表和报告。