Rescale 如何用 Strands Agents 和 AI-DLC 构建 AI 测试分流智能体
AWS 介绍了 Rescale 如何通过 AI-DLC 工作坊，在 5 天内将测试分流智能体部署到 staging，并在数周内投入生产。
#Agent
AWS Machine Learning Blog精选AI 评分6363 AWS Machine Learning Blog精选AI 评分7575 AWS 展示如何用 Kokoro-82M 在 Amazon SageMaker AI 上流式生成低延迟语音
AWS 介绍了如何将 AI 智能体逐句生成的文本实时发送到 Amazon SageMaker AI 上的 Kokoro-82M TTS 端点，使语音合成在完整回答生成前开始。
AWS Machine Learning Blog精选AI 评分6868 AWS 详解如何在符合 HIPAA 资格的环境中部署 Amazon Quick
AWS 介绍了在符合 HIPAA 资格的环境中部署 Amazon Quick 的方法，并说明服务符合资格不等于整个环境自动符合 HIPAA 要求。文章梳理了 PHI 的非结构化与结构化数据路径、访问控制、加密和审计日志等能力，以及需要由客户负责的配置和保障措施。文中还以虚构的 AnyCompany Health Plan 为例，给出从签署 BAA、设置不可逆配置到验证日志与权限的部署步骤。
AWS Machine Learning Blog精选AI 评分7676 Amazon SageMaker AI 推出 training session APIs，让用户自定义训练循环而无需管理 GPU
AWS 为 Amazon SageMaker AI 推出 training session APIs，用户可在本地 Python 代码中编写训练循环，由 SageMaker AI 在托管 GPU 上执行计算操作并管理相关基础设施。
AWS Machine Learning Blog精选AI 评分6060 Bayer Crop Science 如何基于 Amazon Bedrock AgentCore 构建智能体决策引擎
Bayer Crop Science 介绍了基于 Amazon Bedrock AgentCore 构建和运营 Agentic Decision Engine（ADE）的过程，该系统为 Connected Decision Engine（CDE）提供自然语言交互层。
AWS Machine Learning Blog精选AI 评分7676 Amazon SageMaker AI 多轮强化学习实战指南：训练 gpt-oss-20b 玩 Wordle
AWS 介绍如何在 Amazon SageMaker AI 上用多轮强化学习（MTRL）训练智能体完成需要连续决策的任务，并以 Wordle 演示从部署 AgentCore 智能体、准备数据到训练和评估的完整流程。
推荐理由：文章把多轮强化学习从任务设计、奖励函数到训练评估串成可复现流程，并展示服务设置会显著影响 Wordle 验证结果。
NVIDIA BlogAI 评分5454 NVIDIA 推出 Minerva AI 工厂运维平台
NVIDIA 今日推出 Minerva，一款整合基础设施与 AI 工作负载遥测数据的 AIOps 平台，旨在帮助团队更早发现问题并维持 AI 工厂运行。平台每小时分析数十亿个数据点，并利用动态知识图谱关联 GPU、网络、存储、调度器和工作负载，定位可能的故障根因。Minerva 配有原生 AI 助手，可通过自然语言查询集群状态并获取修复建议；IREN 等合作伙伴正在使用或计划部署该平台。
GitHub Blog · AI & ML精选AI 评分6666 GitHub Copilot 如何帮助 3 位 Java Champions 提升效率
GitHub Blog 采访了三位 Java Champions，介绍他们如何在生产项目和开源工作中使用 GitHub Copilot 提升效率。案例包括将约 900 页教学幻灯片从 Reveal.js 迁移到 Marp，以及借助编码智能体排查 Pi4J 的第五个输入按钮无响应问题；受访者强调，开发者应先明确需求、设置与任务匹配的验证门槛，并对最终代码负责。
推荐理由：三位 Java Champions 以迁移幻灯片、排查硬件输入故障等案例，展示如何为智能体任务设置验证门槛并保留人工责任。
GitHub Blog · AI & MLAI 评分5555 GitHub Copilot app 会话如何在 VS Code 中继续
GitHub Blog 教程介绍如何在 VS Code 中继续 GitHub Copilot app 会话，同时保留原有对话、代码变更和工作树。用户可在编辑器中逐行审查改动、手动修改并运行本地测试，再将完成的更新推送到该会话关联的 pull request。