構建互動式PDF文本提取：從Amazon S3即時獲取文件內容
本文介紹如何構建一個基於MCP協議的伺服器，從Amazon S3中即時提取PDF文本，實現按需文件訪問。文章比較了該方案與Amazon Textract的適用場景，並提供了詳細的實施步驟、成本估算和安全考量。
- 使用MCP協議構建伺服器，實現從S3即時提取PDF文本。
- 適用於文本型PDF，無需OCR，適合開發和概念驗證環境。
來源詳情
AWS Machine Learning Blog
AI News Hub 持續追蹤 AWS Machine Learning Blog 的 AI 更新，並公開來源狀態、授權邊界、抓取方式和已發布文章。
公開文章 131採集文章 143可信度 88刷新頻率 30 分鐘
健康狀態 健康來源類型 官方原文權限 官方原文最近入庫 2026-06-26ID aws-ml-blog運行狀態 已啟用
Official cloud provider blog; confirm reuse terms before enabling full body display.
最新公開文章
Cara攜手AWS為保險經紀公司打造領域專屬AI解決方案
Cara是一款基於AWS構建的AI原生解決方案，專注於自動化保險經紀公司的後臺流程。透過Amazon EKS和Amazon Bedrock的支援，Cara實現了領域專屬的AI工作流，為經紀公司帶來每個使用者每週約10小時的時間節省，並支援數千併發使用者。
- Cara利用AI自動化保險經紀中重複性任務，解決行業人才短缺問題。
- 基於AWS構建，使用Amazon EKS管理容器編排，Amazon Bedrock提供大語言模型推理能力。
面向金融合規的生產級AI代理：來自Stripe的經驗教訓
Stripe每年處理1.4萬億美元支付量，透過基於Amazon Bedrock的ReAct代理框架，將合規審查處理時間減少26%，同時保持人工監督。本文介紹其技術架構、基礎設施決策以及部署AI代理的經驗教訓，包括任務分解、編排模式和透過提示快取最佳化成本。
- Stripe使用ReAct代理框架將合規審查分解為子任務，透過有向無環圖編排，確保質量和可審計性。
- AI代理為人類審查員提供預調查資訊，最終決定權仍由人類掌握，實現了96%以上的有用性評級。
改造而非重建：用智慧體覆蓋層改造遺留企業服務
本文提出一種實用解決方案——智慧體覆蓋層（Agentic Overlays），這是一種薄包裝層，可將傳統REST服務轉化為能夠參與智慧體間通訊（A2A）的智慧體，同時將REST API暴露為與模型上下文協議（MCP）相容的工具。企業無需重寫業務邏輯、複製程式碼或維護並行基礎設施，即可為現有REST服務新增A2A能力，並減少基礎設施中的智慧體氾濫。文章提供了參考架構和示例程式碼。
- 智慧體覆蓋層是薄包裝層，將REST服務轉變為A2A智慧體，並暴露MCP工具。
- 無需重寫業務邏輯或維護並行基礎設施，降低成本和複雜性。
使用 NVIDIA Blackwell 最佳化 Amazon SageMaker AI 上的模型訓練
本文介紹瞭如何在 Amazon SageMaker AI 上配置訓練作業，以充分利用 NVIDIA Blackwell 架構的優勢。您將學習如何選擇批大小和序列長度以利用 Blackwell 的擴充套件記憶體，為模型大小（1B 到 64B 引數）選擇合適的精度格式，並策略性地應用啟用檢查點。最終，您將獲得一個實用的框架來調整訓練配置並在 P6-B200 例項上啟動分散式訓練作業。
- Blackwell 的擴充套件記憶體支援更大的批大小、更長的序列長度和簡化的模型分片。
- 啟用檢查點對於大模型（~14B+ 引數）是穩定訓練的先決條件。
透過 Amazon SageMaker AI 部署 SeedVR2 實現超解析度
本文展示瞭如何使用 SeedVR2 和 Amazon SageMaker AI 實現影片放大。我們介紹瞭解決方案架構、部署步驟，並進行了效能對比，突出了質量提升和處理效率。完成後，您將掌握實現該超解析度解決方案的實用知識。
- SeedVR2 是字節跳動開源影片修復模型，結合擴散模型和 GAN 實現高效影片放大。
- 解決方案採用三層 AWS 架構，包括安全、儲存和 SageMaker 處理管道。
使用由Amazon Bedrock支援的AI代理構建自助式AWS健康分析，以發現可操作的健康洞察
本文介紹如何構建Chaplin（客戶健康與計劃生命週期智慧聯結器），這是一個開源解決方案，利用透過模型上下文協議（MCP）暴露的AI代理，提供自助式健康事件分析。Chaplin允許團隊用自然語言提問，並從MCP相容的AI助手獲得精確、上下文化的答案，無需依賴AWS支援進行常規分析。
- Chaplin是一個開源解決方案，使用AI代理透過MCP提供自助式AWS健康事件分析。
- 它解決了運營團隊依賴TAM解釋健康事件的瓶頸問題。
在AWS上使用現代資料網格策略構建自主AI應用
本文展示瞭如何在AWS上構建一個受治理的無伺服器資料網格，為生產級自主AI提供安全、可擴充套件的資料基礎。架構透過S3 Tables（Iceberg）、S3 Vectors和AgentCore Gateway實現三層治理，解決自主AI多步驟資料訪問中的授權問題。
- 自主AI需要從工具發現到查詢執行的每一步都進行細粒度訪問控制，傳統RAG的單點治理模式無法滿足。
- 使用Amazon S3 Tables（內建Iceberg支援）和AWS Lake Formation實現行/列/單元格級安全，交易效能提升10倍。
使用 Amazon Nova 2 Sonic 構建醫療預約語音助手
本文介紹如何利用 Amazon Nova 2 Sonic 和 Amazon Bedrock AgentCore 構建一個語音助手，用於處理醫療預約提醒對話。該助手能夠透過語音驗證患者身份、管理預約（確認、取消或改期）、收集就診前健康資訊，並在必要時轉接人工客服。它可大規模處理常規電話，有助於降低失約率。示例聚焦於智慧代理層面的語音對話與工具編排，並提供基於瀏覽器的測試介面。
- 使用 Amazon Nova 2 Sonic 的原生語音到語音模型，保留語氣等上下文資訊。
- 透過 Amazon Bedrock AgentCore 實現無伺服器執行時，整合七項醫療專用工具。
利用 Snowflake 和 Amazon QuickSight 實現 AI 驅動型商業智慧
本文介紹瞭如何構建 Snowflake 語義檢視與 Amazon QuickSight 之間的端到端整合，使用電影評論資料作為示例，展示如何透過自然語言查詢和分析資料，確保業務邏輯的一致性和減少 AI 幻覺。
- 語義檢視將業務定義直接附加到資料層，確保 AI 和 BI 系統統一解釋資訊
- 透過 Cortex Analyst 進行自然語言查詢，降低 AI 幻覺風險
Loka 如何利用 Amazon Nova 2 Sonic 構建自然、低延遲的語音代理
Loka 使用 Amazon Nova 2 Sonic 構建了對話式 AI 代理，透過原生語音到語音模型解決了傳統語音助手延遲高、不自然的問題，實現了低成本、高準確率的客戶互動。
- 傳統語音代理因三步處理流程（語音轉文本、LLM 處理、文本轉語音）導致 3-5 秒延遲，破壞對話自然性，增加成本。
- Amazon Nova 2 Sonic 採用端到端語音處理，Big Bench Audio 得分 87.0，首次響應時間 1.39 秒，每小時成本約 0.27 美元。
使用 Amazon Bedrock AgentCore 構建蛋白質研究助手
本文展示瞭如何構建一個對話式蛋白質研究助手，它結合了自然語言查詢解析、蛋白質嵌入向量相似度搜尋和AI生成的科學摘要，幫助研究人員高效地在大數據集中搜尋結構相似的肽段。
- 使用 Strands Agents SDK 協調三個專用工具：解析器、搜尋器和摘要器，部署到 Amazon Bedrock AgentCore。
- 利用 ESM-C 300M 蛋白質語言模型生成嵌入向量，透過 Amazon Aurora PostgreSQL 的 pgvector 進行向量相似度搜尋。
共享基礎設施，隔離租戶：使用 Amazon Bedrock AgentCore 實現池模型多租戶
本文介紹瞭如何使用 Amazon Bedrock AgentCore 構建生產級多租戶 AI 系統的模式，透過醫療 AI 助手示例展示了租戶隔離、服務層級差異化、成本追蹤和可觀測性等關鍵能力。
- 利用 Amazon Bedrock AgentCore 原生能力實現完整的租戶隔離。
- 透過層級策略（如基礎版和高階版）實現服務差異化。
為AI代理構建按智慧付費：Ampersend如何使用Amazon Bedrock AgentCore Payments
Ampersend在Amazon Bedrock AgentCore Payments之上構建了一個按智慧付費的路由層，使AI代理能夠使用x402協議自主支付模型服務費用。該整合處理錢包託管、支出治理和兩跳結算，將開發時間從數月縮短至兩週以內。
- Ampersend與Amazon Bedrock AgentCore Payments整合，為AI代理提供自主按智慧付費功能。
- 解決方案採用兩跳支付模式：代理向Ampersend支付，Ampersend再向模型提供商支付。
嵌入世界：大規模可搜尋航拍影像的多模態AI
本文探討了如何利用多模態嵌入、大語言模型標註和向量搜尋，將航拍影像庫轉化為可自然語言搜尋的知識庫。透過使用Amazon Bedrock和Amazon OpenSearch Serverless構建的五階段管道，評估了不同嵌入模型、融合策略、標註方法和搜尋技術。實驗表明，Amazon Nova Multimodal Embeddings在基準查詢中獲得了最高的F1分數。該工作已發展為Vexcel Intelligence產品。
- 航拍影像搜尋面臨多視角、無標註資料集、語義模糊等挑戰。
- 採用五階段架構：定義區域、攝取影像、嵌入與索引、搜尋、評估。
在Amazon SageMaker AI處理作業上執行ComfyUI工作流
本文介紹瞭如何在Amazon SageMaker AI處理作業上部署ComfyUI工作流，以批次生成高質量影像。涵蓋使用AWS CDK設定基礎設施、配置GPU加速處理以及自動化大規模影像生成的步驟。該解決方案可適應自定義工作流，幫助擴充套件創意管線。
- 教程演示了使用ComfyUI和SageMaker AI批次生成數百張影像。
- 透過AWS CDK部署，包括資料棧、安全棧和ComfyUI棧。
Amazon Bedrock AgentCore 推出網頁搜尋功能
亞馬遜 Bedrock AgentCore 網頁搜尋功能現已全面可用。該功能透過完全託管的 MCP 相容介面，讓 AI 代理能夠獲取即時網頁資訊。它基於亞馬遜自建的包含數百億文件的網頁索引，保證查詢在 AWS 內部處理，無需管理第三方 API 或憑證。
- 網頁搜尋功能解決了 AI 代理知識陳舊的問題，可獲取即時資料。
- 使用亞馬遜自建的網頁索引，覆蓋數百億文件，分鐘級更新。
利用 Adobe Marketing Agent for Amazon Quick 加速營銷活動工作流程
本文介紹瞭如何透過模型上下文協議（MCP）將 Adobe Marketing Agent 與 Amazon Quick 整合，使營銷人員能夠透過自然語言對話獲取受眾排名、忠誠度細分、旅程使用情況和衝突分析等關鍵洞察。文章詳細說明了先決條件、配置步驟、身份驗證、建立聊天代理以及驗證工作流程。
- 透過 MCP 將 Adobe Marketing Agent 與 Amazon Quick 整合，實現自然語言查詢營銷洞察。
- 配置品牌聯結器、管理工具許可權併發布連線。
使用 SageMaker 詳細指標和 CloudWatch Insights 儀表板監控和除錯生成式 AI 推理
Amazon SageMaker AI 現在提供超過 100 種詳細的推理指標，涵蓋 GPU 健康、令牌級延遲、KV 快取壓力、可用區流量分佈等。這些指標透過內建的 SageMaker Insights 儀表板在 CloudWatch 中展示，支援 PromQL 查詢。本文介紹如何啟用詳細可觀測性、導航儀表板以及將指標連線到外部工具。
- SageMaker 推理端點現在預設發出超過 100 種詳細的 OpenTelemetry 指標到 CloudWatch。
- 新的 SageMaker Insights 儀表板提供效能、容量和可靠性三個檢視，幫助快速定位延遲和資源問題。
Amazon Bedrock AgentCore Harness 現已正式上市：數分鐘內從創意到生產級智慧體
Amazon Bedrock AgentCore Harness 現已正式釋出，允許開發者透過兩次 API 呼叫即可建立並執行一個功能完整的智慧體。該工具提供隔離的執行環境、內建記憶、工具整合、技能庫以及即時追蹤能力，無需編寫編排程式碼或構建容器。
- CreateHarness 和 InvokeHarness 兩個 API 呼叫即可快速建立和執行智慧體
- 智慧體擁有隔離的檔案系統和 shell，可安全執行程式碼和命令
Amazon SageMaker AI 非同步推理現在支援內聯請求負載
Amazon SageMaker AI 非同步推理新增內聯負載支援，客戶可直接在 InvokeEndpointAsync API 的請求體中傳送推理負載，無需先上傳到 S3。對於不超過128KB的負載，此舉消除了網路往返，簡化了客戶端程式碼，並減少了操作複雜度。
- 新增 Body 引數，允許直接傳送最大128KB的內聯負載，與 InputLocation 互斥。
- 簡化客戶端程式碼，無需 S3 客戶端、IAM 許可權和輸入桶管理。
使用 Amazon Quick 中的自主代理每天節省數小時
Amazon Quick 推出了自主代理，可連續為您工作，還有活動摘要幫助您優先處理最重要的工作，並能夠透過單個問題跨所有資料來源尋找洞察，幫助使用者每天節省時間。
- Quick 中的新自主代理可連續在後臺處理任務。
- 活動摘要整合並優先處理跨應用的通訊。
為您的資料和AI代理提供規模化上下文智慧
在AWS紐約峰會上，AWS宣佈了一系列創新，包括AWS Context（即將推出）、AWS Glue資料目錄業務上下文與語義搜尋（預覽版）以及Amazon S3註釋（正式可用），旨在為AI代理提供可信任的上下文，使其能夠安全地訪問分散在資料湖、資料倉儲、資料庫和流中的資料以及機構知識。這些服務透過知識圖譜、身份感知訪問和開放式標準，幫助組織構建一個共享、可治理的上下文層，從而提升AI代理的決策能力。
- AWS Context透過知識圖譜自動對映資料關係，提供代理搜尋，使AI代理能在執行時訪問治理後的資料關係和業務規則。
- AWS Glue資料目錄新增業務上下文和語義搜尋，支援用業務描述和術語豐富技術後設資料，並透過技能資產為代理提供額外指導。
Amazon Bedrock AgentCore 新功能：構建具備更廣泛知識和持續學習能力的智慧體
Amazon Bedrock AgentCore 推出了新功能，可將智慧體連線到組織、網路和付費知識庫，並提供持續最佳化的功能和增強的策略控制。
- 智慧體透過託管知識庫、網路搜尋和付費內容（透過AgentCore支付）獲得原生訪問許可權。
- 最佳化功能包括失敗/意圖/軌跡洞察、建議和A/B測試，實現持續改進。
使用Amazon Bedrock Guardrails InvokeGuardrailChecks API保護您的Agentic AI應用
Amazon Bedrock Guardrails推出了新的InvokeGuardrailChecks API，允許在Agentic AI應用的任意環節應用獨立的安全檢查，無需建立Guardrail資源。該API以僅檢測模式執行，返回數值分數，使您能夠自定義閾值和操作。本文介紹了API的工作原理及如何構建安全的多輪Agentic AI應用。
- InvokeGuardrailChecks API無需預先建立Guardrail資源，可在Agent迴圈中靈活呼叫安全檢查。
- API支援內容過濾、提示攻擊檢測和敏感資訊過濾，返回嚴重性或置信度分數。
Amazon SageMaker AI 推出容器快取，加速模型擴充套件
Amazon SageMaker AI 宣佈容器映象快取功能，可將擴充套件事件中的端到端延遲最多降低 2 倍，尤其適用於生成式 AI 模型。
- 容器快取自動為支援的例項型別啟用，無需修改。
- 在新例項啟動時消除容器映象拉取步驟，端到端啟動延遲降低最多 51%。
在 Amazon SageMaker AI 上使用 P-EAGLE 實現推測解碼並行化
本篇文章指導您如何在 Amazon SageMaker AI 中直接使用 P-EAGLE，展示如何從 SageMaker JumpStart 目錄中選擇相容模型、配置並行草稿規格，並部署高度最佳化的即時 SageMaker AI 端點以加速生成式 AI 應用。
- P-EAGLE 透過一次前向傳播並行預測所有草稿令牌，消除了傳統推測解碼的序列瓶頸。
- 相比 EAGLE-3，在真實基準測試中吞吐量提升高達 1.69 倍。
在 Amazon Bedrock 上推出 Gemma 4 模型
Google DeepMind 構建的 Gemma 4 系列開放權重模型現已在 Amazon Bedrock 上可用。該系列包括三種指令微調變體：Gemma 4 31B、Gemma 4 26B-A4B 和 Gemma 4 E2B，涵蓋密集和混合專家（MoE）架構。它們提供內建推理、原生函式呼叫以及文本和影像的多模態輸入。Amazon Bedrock 透過完全託管的服務提供這些模型，確保資料保護、監管合規和運營控制。
- Gemma 4 系列包含三種變體：31B 密集、26B-A4B MoE 和 E2B PLE。
- 支援內建推理模式、函式呼叫和文本/影像多模態輸入。
使用Strands Evals進行AI智慧體故障檢測與根因分析
本文介紹了Strands Evals SDK中的檢測器，它可以自動識別AI智慧體執行軌跡中的故障並進行根因分析，將診斷時間從數小時縮短至數分鐘。文章詳細講解了如何呼叫檢測函式、解讀結構化輸出（包括分類故障、置信度、因果鏈和修復建議），以及如何將檢測整合到評估管線中實現自動化診斷。
- 檢測器分為兩階段：故障檢測（識別軌跡中的9大類故障）和根因分析（區分根本原因與下游症狀，並給出修復建議）。
- 透過detect_failures和analyze_root_cause函式可分別獲取故障和根因，diagnose_session提供一站式診斷。
使用Deep Agents和Bedrock AgentCore構建上下文豐富的研究型Agent
本文介紹如何利用LangChain Deep Agents和Amazon Bedrock AgentCore構建一個能夠並行瀏覽網頁、執行資料分析並長期記憶研究結果的競爭情報研究Agent。透過將深度工作委託給隔離的子Agent，有效解決AI研究工作流中上下文視窗受限的問題。
- Deep Agents負責編排多個專用子Agent，每個子Agent在獨立的Bedrock AgentCore MicroVM中執行。
- 研究型子Agent並行瀏覽競爭對手網站，分析性子Agent生成對比圖表和報告。