跳到正文
目前篩選:一手
11月18日週三
  1. AWS Machine Learning Blog63

    如何以 Amazon Bedrock AgentCore 和 SMART 建構 WhatsApp AI 智能體

    SMART(Social Messaging Agent Runtime Toolkit)是一套開源 Python SDK 及 Terraform 堆疊,可配合 Amazon Bedrock AgentCore 建構 WhatsApp AI 智能體並處理通道整合。

    推薦理由:文章梳理 WhatsApp 智能體的通道工程負擔,並呈現 SMART 如何整合訊息驗證、媒體處理、記憶及排程,讓讀者瞭解端到端接入流程。

  2. AWS Machine Learning Blog31

    AWS Quick 完整指南:AWS re:Invent 2026

    AWS re:Invent 2026 指南整理 AWS Quick 相關主題演講及分組環節,涵蓋如何在團隊中部署、擴展及管理這個 AI 工作空間。AWS Quick 專為工作打造,讓團隊成員共用同事建立的儀錶板、智能體及自動化流程,並連接日常使用的數據和應用程式。活動於 11 月 30 日至 12 月 4 日舉行,客戶將分享 AWS Quick 在團隊中的實際應用。

  3. AWS Machine Learning Blog52

    AWS 為 AI 智能體平台及應用團隊提出負責任 AI 三階段路線圖

    AWS 提出供 AI 智能體平台團隊及應用團隊採用的負責任 AI 三階段成熟度框架,涵蓋治理基礎、試點部署,以及評估與加固。平台團隊建立護欄,應用團隊在其框架內建構智能體,各階段分別處理治理、安全與私隱、可靠性、可控性、公平性、可解釋性及透明度。配套的 Responsible AI Assessment Skill 以 1–5 分評估成熟度,低於 4 分代表有重大風險需要處理,並提供改善建議。

  4. NVIDIA Blog67

    NVIDIA 在 SC26 宣佈 Nemotron for Science、Rubin HPC GPU、Vera CPU 平台及量子運算合作

    NVIDIA 在 SC26 宣佈 Nemotron for Science、Rubin HPC GPU、擴展版 Vera CPU 平台,並與 IBM、Fermilab 合作規劃量子運算協同設計平台。

    推薦理由:Nemotron for Science 的開放模型、化學數據集與本地執行方式,配合 Argonne 的研究案例,呈現科研智能體如何在研究人員自己的系統上規劃模擬。

  5. AWS Machine Learning Blog62

    ArisGlobal 如何在 Amazon Bedrock 上透過提示詞快取擴展生成式 AI 推理

    ArisGlobal 調整 Amazon Bedrock 請求順序,改為快取跨請求重用的共用提示詞前綴,以降低 NavaX 的推理成本。生產請求中,約 65% 的輸入 token 以較低費率從快取讀取,令有效輸入成本約下降 50%;在每月超過 19 billion tokens 的用量下,整體月度推理支出約下降 40%。此設計亦支援約 15% 更多企業租戶進駐,而 EU 跨區域推理路由維持不變。

    推薦理由:案例展示多租戶工作負載如何按跨請求重用程度安排快取前綴,而非優先快取單次個案的大型文件,並提供部署與監測要點。

11月17日週二
  1. OpenAI News75

    OpenAI 與 NATO 及盟友合作以 AI 加強網絡防禦

    OpenAI 透過 Daybreak 與 NATO 通訊及資訊局合作,向 NATO 核心機構提供先進網絡安全模型,以協助保護盟軍網絡。

    推薦理由:文章列出 NATO、ENISA 與 CERT Polska 的合作和漏洞處理案例,並提供使用量及驗證數據,呈現 AI 參與政府網絡防禦的實際脈絡。

  2. 香港金管局 · AI 金融及治理42

    香港金融學院及HKIMR發布香港金融服務業 AI 採用、治理與合規研究報告

    香港金融學院旗下研究機構HKIMR發布報告,更新香港金融服務業生成式 AI(GenA.I.)概況,並探討智能體 AI 的發展及監管合規應用。GenA.I. 現時或計劃採用率達90%,高於2025年的75%;13%的金融機構已採用智能體 AI,56%計劃採用。報告亦指出,可解釋性及安全疑慮仍是採用挑戰。

  3. AWS Machine Learning Blog62

    製造業多智能體系統的設計模式、反模式與架構選擇

    AWS Machine Learning Blog 梳理多智能體協調模式與常見反模式,並提供按任務及製造業限制選擇架構的指引。文章將模式分為由開發者預設流程的 Tier 1,以及由模型在執行時決定流程的 Tier 2,建議由 Tier 1 起步,僅在子任務需於執行過程中浮現時採用 Tier 2。

    推薦理由:文章區分預先定義流程與模型自主決策兩類編排,並以製造業的延遲、安全與邊緣數據限制,説明各自適用情境和較簡單的架構選擇。

  4. AWS Machine Learning Blog64

    Duco 如何利用 Amazon Bedrock AgentCore 改造金融數據自動化流程

    Duco 以 Amazon Bedrock 和 Amazon Bedrock AgentCore 重建智能體 AI 技術堆疊,支援金融機構在多租戶隔離環境中自動化數據流程。按需載入 MCP 技能將主要上下文由約 200,000 tokens 降至約 20,000 tokens,減少 90%,對帳流程部署速度提升 10×。一間全球銀行的新對帳流程接入成本下降 70%,直通處理率提升逾 20%。

    推薦理由:文章拆解多租戶隔離、按需載入 MCP 技能及多模型分工,並以部署速度、成本和上下文縮減數據呈現其落地做法。

  5. Microsoft Research71

    TokenEconomizer:從經驗學習,提升 AI 編碼智能體效率

    TokenEconomizer 是 UC Berkeley、Microsoft Research 和 Microsoft Security 開發的開源插件,透過程式碼庫過往工作階段學習,降低 AI 編碼智能體後續任務的成本。

    推薦理由:研究在 277 項修復程式錯誤任務中評估跨工作階段學習,呈現智能體利用程式碼庫經驗降低成本、同時維持大致穩定任務成功率的做法。

  6. AWS Machine Learning Blog62

    Amazon Bedrock 開放權重模型現支援顯式提示詞快取

    Amazon Bedrock 的開放權重模型現已支援顯式提示詞快取,並可透過 Chat Completions API 標記可重用的提示詞前綴。文章以 Python 範例比較隱式與顯式快取,並示範 OpenCode 編碼智能體工作階段如何使用隱式快取及檢視快取用量欄位。快取讀取的費率低於標準輸入,快取寫入費率則視乎模型而定;回應中的用量欄位可用來核對快取讀寫。

    推薦理由:文章比較隱式與顯式快取的適用情境,並以 Python 範例展示快取讀寫欄位,再示範 OpenCode 工作階段中的快取讀取。

  7. AWS Machine Learning Blog64

    Amazon Bedrock Managed Knowledge Base 如何按租戶自訂回答

    Amazon Bedrock Managed Knowledge Base 可透過檢索指令,為不同租戶設定各自的回答語氣、格式、檢索指引及回答政策。檢索指令本身不限制可檢索的文件,需配合 metadata filter 或分開的知識庫控制租戶資料存取。文章亦示範如何固定指令版本、逐租戶推出更新,並從 Planning trace 確認回應採用的指令版本。

    推薦理由:文章拆解租戶指令與 metadata filter 的分工,並示範如何固定版本、追蹤回應及逐租戶推出變更,以管理指令更新。

  8. AWS Machine Learning Blog69

    Amazon Bedrock Managed Knowledge Base 支援表格搜尋

    Amazon Bedrock Managed Knowledge Base 現已支援表格搜尋,可透過 AgenticRetrieveStream 請求結合 CSV、XLSX 或 XLS 表格計算與相關文件資訊,回答分析問題。

    推薦理由:文章以財務政策、結賬備忘錄及 P&L 活頁簿示範如何結合文件規則與全表計算,並透過追蹤記錄查看程式讀取的檔案。

11月16日週一
  1. OpenAI News69

    OpenAI 為 ChatGPT for Healthcare 加入電腦操作智能體、改進臨牀搜尋及 20 多個插件

    OpenAI 為 ChatGPT for Healthcare 推出電腦操作智能體更新、改進臨牀搜尋,並新增 20 多個醫療插件。電腦操作智能體可在現有醫療軟件間讀取畫面、點擊和輸入,協助處理多步工作,並加入存取控制及審計記錄。逾 1,300 次醫師盲評中,更新後的臨牀回答在八個評估維度均獲較高評分。

    推薦理由:更新涵蓋跨系統智能體、臨牀證據搜尋與 20 多個插件;逾 1,300 次醫師盲評則比較了臨牀回答在八個維度的表現。

11月14日週六
  1. AWS Machine Learning Blog63

    如何透過 NVIDIA NeMo Switchyard 在 Amazon Bedrock 為編碼智能體請求路由至合適模型

    這篇教學示範如何在 Amazon Bedrock 上部署 LiteLLM 與 NVIDIA NeMo Switchyard,將編碼智能體的請求路由至合適模型。Switchyard 的 LiteLLM 整合支援 Stage 與 Random 兩種路由策略,並以路由模型組與單模型基線比較每個成功完成任務的成本。

    推薦理由:文章把智能體路由的比較指標從每 token 價格轉為每個成功完成任務的成本,並示範以相同任務比較路由模型組與單模型基線,按測試是否通過判定任務完成。

  2. AWS Machine Learning Blog62

    Amazon Bedrock AgentCore runtime 的快速工作階段啟動架構模式

    Amazon Bedrock AgentCore runtime V2 在建立或更新 runtime 時初始化容器並建立快照,新工作階段則還原快照,毋須每次重新初始化容器。文章説明如何量度工作階段啟動延遲,並建議把靜態工作移至 init,或用 build hook 預載無法保留在記憶體的檔案。若要低於 1 秒,可在用戶開始互動時於背景啟動工作階段,讓它在首個請求前就緒。

    推薦理由:文章拆解 V2 的快照建立與還原流程,並按不同延遲需求整理初始化、build hook 與預先啟動工作階段的實作選擇,説明各做法適用的啟動情境。

  3. Google Research85

    Google Research 公佈 Antigravity /teamwork 在數學、科學與工程領域的成果

    Google Research 公佈 Antigravity 的 /teamwork 結合 Gemini 4 models 在數學、科學及工程任務上的多項成果,並向外部研究人員和開發者開放相關工具。

    推薦理由:文章以數學、化學與系統工程案例,呈現 /teamwork 如何透過並行探索、獨立驗證和任務分工支援長程研究工作。

11月13日週五
  1. AWS Machine Learning Blog63

    Natera 如何以 Amazon Bedrock AgentCore 設計實驗室運維智能體系統

    Natera 與 AWS 使用 Amazon Bedrock AgentCore 建置 SWARM,為實驗室運維支援工單自動生成診斷報告。在 90 天生產評估中,平均首次回應時間由 17.4 小時降至約 8 分鐘,約快 130 倍;96.2% 的工單在工程師查看前收到自動診斷報告。

    推薦理由:文章拆解 SWARM 的雙運行時、技能庫、資料管線與持續評估設計,並提供實驗室工單自動診斷的實測數據,呈現一套可參考的運維智能體建置路徑。

  2. Google DeepMind84

    Google DeepMind 發佈 Gemini 4 Hydrogen

    Google DeepMind 發佈 Gemini 4 Hydrogen,主打日常編碼及智能體工作流程中的快速執行,並即日起在開發者、企業及消費者產品渠道全球推出。

    推薦理由:文章以 Gemini 3.8 Flash 為對照,列出 Hydrogen 在任務速度、Terminal-Bench 4.1 成績及多項安全指標上的變化,呈現更新涵蓋的能力範圍。

  3. AWS Machine Learning Blog67

    Amazon Bedrock AgentCore 新一代 runtime 啟動工作階段低於 2 秒

    Amazon Bedrock AgentCore 宣佈更新 AgentCore runtime,工作階段啟動速度最高提升 15 倍、算力擴展至前代 4 倍,運行效率最高提升 68%,並維持硬件隔離。

    推薦理由:新版把硬件隔離、快速啟動、彈性算力與資料置於信任邊界內,並加入閒置縮至零及按需回收記憶體的管理方式,具體呈現正式部署中安全、效能與成本的取捨。

  4. AWS Machine Learning Blog67

    從原型到正式環境:以 Agent DLC 建構智能體

    AWS 文章提出 Agent Development Lifecycle(Agent DLC),以一套包含準則、門檻和核準示例的明確標準,串連定義、建置、評估、發佈、觀察及回饋六項活動,並形成內外兩個循環。

    推薦理由:HR 政策助理案例中,區塊層級精確率為 1.00、事實層級僅 0.09,呈現單一檢索指標如何掩蓋知識覆蓋缺口。

  5. AWS Machine Learning Blog66

    Amazon Bedrock Managed Knowledge Base 工具如何實作細粒度存取控制

    Amazon Bedrock Managed Knowledge Base 的示例架構以已驗證用戶身份,限制共用 AI 智能體對內部文件的搜尋。AgentCore Gateway 的請求攔截器會從已驗證的 JWT 注入用戶的 userContext,知識庫再透過 ACL awareness 篩選搜尋結果。

    推薦理由:文章拆解共享智能體與知識庫下的多層存取控制,展示如何以已驗證身份限制搜尋,並防範提示詞注入及繞過閘道的直接呼叫。

  6. AWS Machine Learning Blog62

    如何在 AWS 上透過 A2A 構建可組合、互通的多智能體系統

    AWS 文章示範如何透過 A2A 連接兩個 AWS 帳戶中的 LangChain 企業協調器與 Strands Agents SaaS 智能體,實現跨框架、跨組織的雙向協作。方案採用雙向 OAuth 驗證,兩邊不必使用對方的框架或 SDK,亦不共享密鑰。文章提供三個 Jupyter notebooks 的部署流程,並執行端到端測試及七項信任邊界檢查;合規掃描示範使用合成資料。

    推薦理由:文章把 Agent Card 發現、跨組織雙向 OAuth 和回呼協作放進同一部署範例,並提供可按步驟執行的三個 Jupyter notebooks。