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。
内容类型
教程实践 最新动态
拿来就能用的实操内容：提示词技巧、工作流搭建、工具用法与踩坑经验。
9 条精选近 30 天 9 条共收录 14 条
更新
教程实践的精选
AWS Machine Learning Blog精选AI 评分6363 AWS Machine Learning Blog精选AI 评分7171 AWS SageMaker AI 教程：用实测数据为 Kokoro-82M 配置自动扩缩容
AWS Machine Learning Blog 演示如何在 Amazon SageMaker AI 实时端点部署 Kokoro-82M，并依据端点实测的单实例并发上限 Q_max 和扩容总时间 T_total 推导自动扩缩容阈值与冷却时间。
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6060 Amazon Quick Sight 图层地图如何用 GeoJSON 展示点位与路线
AWS 介绍了如何在 Amazon Quick Sight 图层地图中使用 GeoJSON 的 Point 和 LineString 几何类型展示地点与路线。文章说明了 GeoJSON 文件结构、与数据集的关联方式，以及图层地图点位与原生点地图的差异。文章还介绍了视口控制、叠加多种几何图层，以及通过 Amazon S3 和 Quick Sight APIs 更新 GeoJSON 的方法。
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。
AWS Machine Learning Blog精选AI 评分6464 AWS 教程：用 AWS CDK 编排 SageMaker AI 端点自动扩缩容
AWS Machine Learning Blog 介绍如何用可复用的 CDK 构造，在更新 SageMaker AI 实时端点时自动注销并重新注册自动扩缩容资源。方案以三个 CloudFormation 自定义资源和显式依赖顺序编排端点更新，并通过 ConfigHash 在配置变化时触发流程。文章还提供示例仓库、部署步骤，以及将构造集成到现有 CDK 堆栈的方法。
推荐理由：文章梳理了 SageMaker AI 端点更新与自动扩缩容资源之间的部署冲突，并给出可复用的 CDK 构造及集成步骤，便于参考其依赖编排方案。
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。