AWS 教程：用 Amazon Bedrock AgentCore Runtime Instances 构建多智能体音乐制作流水线
AWS 介绍如何在 Amazon Bedrock AgentCore Runtime Instances 上部署由 Composition、Delivery 和 Compliance 三个智能体组成的音乐制作流水线。
推荐理由：文章用完整的音乐制作示例拆解 Runtime Instances 的部署与编排，展示共享会话、GPU、持久化存储和独立发布如何协同工作。
10月2日 · 周五
精选
最新精选
AWS Machine Learning Blog精选AI 评分8888 AWS Machine Learning Blog精选AI 评分6161 Amazon Bedrock Knowledge Bases 如何用自然语言查询保险理赔记录
AWS 介绍了如何使用 Amazon Bedrock Knowledge Bases 和 AgenticRetrieveStream，基于 Amazon S3 中的理赔文档构建带引用的自然语言查询助手。
推荐理由：文章以合成保险理赔数据演示如何结合 AgenticRetrieveStream、元数据过滤和上下文接地检查，构建带引用的 RAG 查询流程。
AWS Machine Learning Blog精选AI 评分7878 AWS 介绍基于 Amazon Bedrock AgentCore 的智能体云迁移架构
AWS 介绍一种基于 Amazon Bedrock AgentCore 的四智能体架构，用于扩展 300+ 应用的云迁移流程。
推荐理由：文章拆解了四类智能体如何通过 MCP 工具接入迁移流程，并给出 IaC 生成、策略校验和人工审批的实现细节。
AWS Machine Learning Blog精选AI 评分7373 AWS 教程：用 NVIDIA NeMo Agent Toolkit 和 Amazon S3 Vectors 构建智能体记忆
AWS 介绍如何将 Amazon S3 Vectors 实现为 NVIDIA NeMo Agent Toolkit 的自定义记忆提供者，并部署在 Amazon EKS 上。
推荐理由：文章把 NAT 自定义记忆插件、S3 Vectors 存储和 EKS 部署串成可执行步骤，适合参考多智能体持久化记忆的工程实现。
AWS Machine Learning Blog精选AI 评分6767 AWS 介绍如何用 contextual bandits 优化个性化转化漏斗
AWS 介绍 Amazon Payments 如何在 Amazon SageMaker AI 上部署多目标 contextual multi-armed bandit，为不同客户选择个性化内容并同时优化申请开始、提交和批准三个阶段。
推荐理由：文章将多目标 LinUCB、延迟反馈和批处理架构串成可复用方案，并用线上 A/B 测试说明内容池质量会直接限制个性化收益。
AWS Machine Learning Blog精选AI 评分8282 AWS 教程：用 Amazon Bedrock AgentCore 构建由事件驱动并支持人工介入的智能体
AWS 介绍了如何基于 Amazon Bedrock AgentCore 构建 ambient agents，让 Amazon S3 上传和定时事件生成任务，由 AgentCore Runtime 执行，并在需要澄清或审批时通过 ask_human 暂停。
推荐理由：文章用完整参考实现串起事件触发、AgentCore 执行和人工介入，适合了解如何把智能体接入生产工作流。
AWS Machine Learning Blog精选AI 评分7474 Claude Platform on AWS 多环境访问配置指南
AWS Machine Learning Blog 介绍如何为 Claude Platform on AWS 配置多环境访问，在生产工作负载、开发者笔记本和外部 CI/CD 环境之间共享订阅并隔离工作区。教程分别实现跨账户 SigV4、工作区范围 API key，以及基于 OIDC 的临时凭证和短期 token 访问，并给出 IAM 策略、CLI 命令与 Python 示例。
推荐理由：文章把 Claude Platform on AWS 的三种访问路径拆成可执行步骤，便于按环境选择认证方式并落实工作区隔离。
AWS Machine Learning Blog精选AI 评分6161 Amazon Quick 提示词工程基础：从 CRISPE 到 RFI 自动化
AWS 介绍 Amazon Quick 的提示词工程基础，涵盖明确具体、补充上下文、示例引导和结构化输出等原则，并提出 CRISPE、RADAR、ARCHITECT 与 QUEST 框架。文章以 RFI 问卷处理为例，说明如何用 Quick Flow 从多标签 Excel 中提取并转换问题、保留元数据并输出 CSV；这是两部分系列的第一篇，第二篇将介绍各 Quick 组件的专用技巧。
推荐理由：文章将 Amazon Quick 的提示词方法整理为可复用框架，并用 RFI 自动化案例说明结构化提示词如何支持企业流程。
AWS Machine Learning Blog精选AI 评分6262 AWS 用 Amazon Quick 和 Amazon Bedrock AgentCore 构建合同智能平台
AWS 介绍了一套基于 Amazon Quick 和 Amazon Bedrock AgentCore 的合同智能平台，将 PDF 合同抽取为结构化数据并写入 Amazon Aurora PostgreSQL，再通过仪表盘和自然语言查询同时支持组合计和单份合同问答。
推荐理由：文章通过合同场景说明聚合查询为何需要结构化抽取与数据库，并给出双模型校验和确定性服务协同的架构方法。
AWS Machine Learning Blog精选AI 评分7373 AWS 在 SageMaker AI 上使用 vLLM-Omni 部署 Qwen3-TTS 实时语音应用
AWS 介绍如何在 SageMaker AI 上使用 AWS vLLM-Omni Deep Learning Container 部署 Qwen3-TTS，通过持久双向连接流式发送文本并接收音频。教程提供仓库、部署脚本和 Gradio 客户端，音频以 24 kHz PCM chunks 返回，并说明 SageMaker 实例池、环境配置、端点调用与资源清理流程。
推荐理由：文章给出从环境配置到资源清理的完整部署路径，并说明双向流式连接与实例池配置，便于复现实时语音输出方案。
GitHub Blog · AI & ML精选AI 评分6969 GitHub Copilot 如何用 canvases 构建自定义工作流
GitHub Copilot app 支持通过 `/create-canvas` skill 用自然语言创建可定制的 canvas，无需手动编写代码或设计界面。用户和 Agent 可以同时操作共享界面，创建看板、发布清单、问题分流板等工作流，并将其保存为团队共享或个人使用的 extension。
推荐理由：文章以具体命令演示如何用自然语言创建并迭代 canvas，说明用户与 Agent 可共享状态并协作更新工作流。
GitHub Blog · AI & ML精选AI 评分8383 GitHub Security Lab 发布 Fuzzing Taskflow 自动化 C/C++ 模糊测试
GitHub Security Lab 发布基于 Taskflow Agent 的 Fuzzing Taskflow，面向 C/C++ 项目自动识别入口、分析构建系统、编写 harness、运行 AFL++、迭代覆盖率并整理崩溃报告。
推荐理由：文章拆解了从建 harness、覆盖率反馈到崩溃归因的自动化链路，也明确说明了主机执行和模型判断带来的安全边界。
GitHub Blog · AI & ML精选AI 评分8181 GitHub 如何用 GitHub Copilot 将活动运营自动化
GitHub 日本和韩国市场的营销负责人介绍了如何用 GitHub Copilot、Issues、Labels 和 GitHub Actions，把活动从规划、报名筛选到会后跟进串成自动化流程。流程通过 API 或 CLI 连接外部工具，以 DRY_RUN、测试套件和代码审查降低风险，并用 SKILL.md 描述可复用的会后操作。文章还提醒，定时自动化必须设置明确的失败告警。
推荐理由：文章展示了如何用 GitHub Issues、Actions、SKILL.md 和 DRY_RUN 把跨工具的活动运营流程自动化，并保留人工审批与代码审查。
GitHub Blog · AI & ML精选AI 评分6868 GitHub Copilot app 初学者指南：使用 diff、终端和浏览器
GitHub Copilot app 将 diff、终端和浏览器面板整合在同一处，帮助用户审查 Agent 生成的代码、运行项目并验证界面效果。用户可在 diff 面板接受或评论改动，在终端面板运行命令和 `npm run dev`，再通过浏览器面板测试功能并使用 Pick & Polish 继续调整，完成后直接接受修改并创建 pull request。
推荐理由：文章把 AI 编码变更的审查、运行和浏览器验证整合为一套流程，适合了解 GitHub Copilot app 如何减少工具切换。
Mistral AI精选AI 评分6969 Mistral AI 如何用 AI 智能体现代化复杂遗留代码
Mistral AI 帮助一家欧洲能源运营商将40,000行Fortran 77迁移到C++，对象是没有测试套件和集中式文档的物理密集型储层模拟器。项目先建立数值一致性校验框架并整理代码文档，再由规划、编码、测试和代码质量审查智能体按模块协作，配合人工审核合并。首个冲刺覆盖300,000行代码中的40,000行，团队总结出先建校验框架、先整理文档，以及采用带人工审核门的结构化工作流三项原则。
推荐理由：文章以40,000行Fortran 77迁移为例，拆解校验、文档整理和人机协作流程，为复杂遗留代码现代化提供可复用方法。
Hugging Face Blog精选AI 评分7171 Hugging Face 教程：用 100 个 GRPO 步骤提升 350M 模型的结构化输出
Hugging Face 发布教程，使用 TRL、GRPO 和 LoRA 对 LiquidAI/LFM2.5-350M 进行约 500 个样本、100 个训练步骤的微调。
推荐理由：文章提供了可在免费 GPU 环境复现的 GRPO 微调流程，并用统一评测展示小模型结构化输出能力的变化。
Hugging Face Blog精选AI 评分8080 Hugging Face 用 TRL 和 OpenEnv 开源复现代码绘制水彩画的训练流程
Hugging Face Blog 介绍了用 TRL、OpenEnv 和 Qwen/Qwen3.5-35B-A3B 训练代码模型绘制水彩画的完整开源流程。项目公开了参考图池、RL 环境、训练脚本、模型和画廊，并比较了 judge-led、hps-led 与 hps-only 三种奖励配比。
推荐理由：文章完整拆解了用 TRL 和 OpenEnv 复现水彩画代码模型的训练管线，并比较了三种审美奖励配比的训练结果。
Hugging Face Blog精选AI 评分7777 Sentence Transformers 教程：训练与微调 Multi-Vector Embedding 模型
Sentence Transformers v6.0 引入 MultiVectorEncoder，并提供训练 ColBERT-style late interaction 检索模型的完整流程。
推荐理由：文章将 MultiVectorEncoder 的训练组件、起始模型选择和索引压缩串成可执行流程，并用医疗检索实验展示领域微调的收益与成本。
Hugging Face Blog精选AI 评分8080 Sentence Transformers v6.0 发布 MultiVectorEncoder，支持 Late Interaction 检索
Sentence Transformers v6.0 新增 MultiVectorEncoder，支持 ColBERT 风格的 late interaction 检索，并可直接加载 PyLate、Stanford-NLP ColBERT 和部分 ColPali 系列模型。
推荐理由：文章系统说明了 MultiVectorEncoder 的工作原理、检索取舍和接入方式，适合评估 late interaction 是否适合现有搜索架构。
Hugging Face Blog精选AI 评分6767 Hugging Face 介绍约束感知 GPU 分配器：同集群利用率最高提升 33 个百分点
Hugging Face 介绍一种约束感知 GPU 分配器，并在七个基准场景中与 FIFO 调度器对比；相同硬件和工作负载下，GPU 利用率最高提升 33 个百分点，优先级加权产出最高提升 105.1%。
推荐理由：文章用七组对照实验拆解 GPU 调度中的预留与排队成本，并给出可落地的约束建模、需求预测和滚动优化方案。