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。
#教程/实践
#教程/实践
今日 7 条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 BlogAI 评分5757 uniopen 如何定制 Amazon Nova 以适配零售内容审核政策并部署到生产环境
uniopen 使用 Amazon SageMaker AI 对 Amazon Nova 2 Lite 进行基于 LoRA 的监督微调，并通过提示词优化适配其零售内容审核分类。
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 BlogAI 评分4646 Amazon Quick 各组件提示词工程的模式与陷阱
Amazon Quick 的提示词工程需按组件调整：Quick Research 应明确研究目标、受众、时间范围和重点，并拆分子问题、筛选数据源；Quick Flows 则要写清时间、触发条件、数据源、输出与交付对象，复杂逻辑用编号步骤表达。通过对话迭代可在保留上下文的基础上修改流程。
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6464 Condé Nast 如何用 Amazon Bedrock 构建多模态视频发现系统
Condé Nast 与 AWS Generative AI Innovation Center 基于 Amazon Bedrock、Amazon OpenSearch Service 和 TwelveLabs Marengo，构建了跨视频画面、音频和字幕的意图检索系统。
推荐理由：文章以 Condé Nast 的生产案例说明多模态视频检索如何通过解耦架构和异步处理兼顾大规模回填与低延迟搜索。
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。
Simon WillisonAI 评分6363 Simon Willison 用 Claude 和 Claude Code 制作 Kākāpō Party 动画视频
Simon Willison 使用三张 kākāpō 照片和提示词，让 Claude 生成 HTML5 Canvas 像素艺术动画，再让本地 Claude Code 通过 Playwright 操作页面并录制 15s 视频，用于 Keynote 演示。文中还提供了生成视频所用的 Playwright 脚本。
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7474 GitHub Copilot 如何用 canvases 构建聊天之外的交互界面
GitHub Copilot 介绍 canvases，这类运行在应用内的全栈应用可与智能体双向通信，用于构建 Connect 4、管理本地 Winget 软件包和操作 SQLite 数据库。文章还展示了 canvas 如何支持研究、原型、实现和迭代等开发流程自动化，减少用户持续停留在聊天界面的需要。
推荐理由：文章通过 Connect 4、SQLite 和开发工作流案例，说明可定制界面如何让 GitHub Copilot 智能体承担更适合自动化的任务。
MIT Technology Review · AI精选AI 评分8282 MIT Technology Review 如何绘制美国边境“虚拟墙”死亡地图
MIT Technology Review 通过15个月调查，绘制了美国与墨西哥边境监控塔附近死亡事件的综合地图，并分析监控塔是否在相关人员死亡时已部署且可能覆盖现场。调查整合了近4,000起案件、监控塔位置和卫星影像，使用地形分析估算视线是否可能受阻；文章也说明了记录不完整、死亡时间和塔的实际运行状态难以确认等限制。
推荐理由：文章系统拆解了如何整合死亡记录、监控塔位置与卫星影像，并明确说明数据缺口和分析边界，为调查型数据项目提供了可复用的方法参考。
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。
Hugging Face Blog精选AI 评分8484 Hugging Face Jobs 如何用 LoRA 实现跨节点 Async GRPO 训练
Hugging Face 介绍了在分离机器的 Hugging Face Jobs 上运行 AsyncGRPO 的方案：训练端仅将 LoRA adapter 通过 Storage Bucket 同步到 vLLM，并用代理完成鉴权、KV 前缀路由和多副本广播。
推荐理由：文章给出了跨 Hugging Face Jobs 部署 AsyncGRPO 与 LoRA 的完整方案，并用多轮指标定位瓶颈和优化路径。
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。
GitHub Blog · AI & MLAI 评分5151 GitHub Copilot app 教程：同时运行多个智能体
GitHub Copilot app 支持通过独立会话和 Git worktrees 同时运行多个智能体任务，彼此不会干扰。每个会话保留自己的上下文，用户可在会话视图中跟踪进度并切换任务。文章以 tailspin-toys 项目为例，演示并行开发 funded sort、进行无障碍审查和运行测试。
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。
Hugging Face Blog精选AI 评分7878 Strands Agents、LeRobot 与 Hugging Face Storage Buckets 打通机器人数据闭环
Hugging Face 介绍 Strands Robots 如何将机器人示范记录到 LeRobotDataset，同步至 Hugging Face Storage Buckets，并从 Hub 流式读取训练后部署回硬件。
推荐理由：文章用可运行示例串起机器人数据采集、增量同步、流式训练与部署，展示了 Storage Buckets 如何减少重复传输。
Hugging Face Blog精选AI 评分7777 PyTorch 性能分析第 3 部分：从 profiler trace 理解 Attention
Hugging Face 通过 PyTorch profiler 对比了手写 Attention、in-place 掩码和 SDPA 的 math、efficient、flash、cuDNN 后端。
推荐理由：文章通过对比多种 Attention 实现的 profiler trace，具体展示了 kernel 融合、显存访问和 CPU 开销如何影响性能判断。
Mistral AI精选AI 评分7070 Mistral AI 如何用 Vibe 构建自动生成 Rails 测试的智能体
Mistral AI 基于开源编码助手 Vibe 构建了一个可在 CI/CD 中自主生成和改进 RSpec 测试的智能体，能够读取 Rails 源码、并行处理文件，并通过 RuboCop 与 SimpleCov 验证结果。
推荐理由：文章展示了如何用 Vibe、分类型技能和可执行验证工具构建 Rails 测试智能体，并用真实代码库指标检验其效果。
Mistral AI精选AI 评分7171 Mistral AI 如何定位并修复 vLLM 中的内存泄漏
Mistral AI 调查发现，vLLM 在使用 Mistral Medium 3.1、Prefill/Decode 分离服务、NIXL 和图编译时，系统内存会以 400 MB per minute 增长。
推荐理由：文章完整呈现了从 Heaptrack、pmap 到 BPFtrace 和 GDB 的排查链路，并给出可直接缓解 vLLM 内存泄漏的 UCX 配置。