AWS Forward Deployed Engineering 助企業將 AI 從示範推向全球業務
AWS Forward Deployed Engineering 現已在 15 個國家為商業及公共部門客戶提供服務,並配備數十項內置、可供生產環境使用的加速器。
AWS Forward Deployed Engineering 現已在 15 個國家為商業及公共部門客戶提供服務,並配備數十項內置、可供生產環境使用的加速器。
Amazon SageMaker AI 推出 AI 數據準備功能,擴展模型開發工作流,可生成合成數據、評估及改善現有數據集,並納入專家意見。功能涵蓋自動標註、人工覆核、合成數據生成、數據品質評估及數據轉換,可透過 SageMaker Python SDK APIs 或 AWS AI-ML agent skill 使用。
OpenTSLM-Flamingo 現已可在 Amazon SageMaker JumpStart 部署,文章示範如何以數值時間序列和文字上下文進行推理。
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。
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。
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。
LoanPro 與 AWS、AllCloud 合作,以 Amazon Bedrock 和 Amazon Bedrock AgentCore 建構多智能體貸款服務助理,整理帳戶資訊並推薦後續操作。
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。
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。
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。
Revolut 藉助 OpenAI 模型及 Codex,讓團隊加快處理複雜工作,同時維持工程及安全標準。GPT-5.5 使 FinCrime agent 能接手篩查及調查流程;Codex 則令編碼時間減少 30–60%。工程師把節省的時間用於系統設計、規劃及審核。
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。
Novo Nordisk 製造技術團隊利用 Amazon Bedrock AgentCore 建立製程智能助理,結合知識圖譜與混合搜尋,為受規管製造文件提供有引文支持的答案。
MoEngage 在 Amazon Bedrock AgentCore 上建構 Merlin AI,透過 FastMCP 將既有 OpenAPI 3.0 API 轉成 MCP 工具,讓營銷及產品團隊以對話草擬、分析和調整活動。
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。
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。
Amazon Bedrock Managed Knowledge Base 透過 memoryConfiguration 接入 AgentCore memory,處理對話還原、相關記憶搜尋及回存。
推薦理由:文章以員工助理示範結合對話記憶與知識庫檢索,並以已驗證身份及 IAM 條件分別控制文件存取和用戶記憶隔離。
Dots 會在無人要求下提供啟動報告、標示可能被忽略的問題,並在通勤途中講解即將舉行的會議。
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。
NVIDIA 在 SC26 推出 DGX Spark HPC Developer Kit,讓研究人員可在桌面使用由四部 DGX Spark 組成的多節點運算叢集。
推薦理由:四節點配置、記憶體與儲存容量,以及本地執行科研工作負載的範圍,呈現這套桌面多節點開發環境的配置和用途。
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。
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。
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。
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。
OpenAI公佈面向醫療團隊的電腦操作智能體評測結果與合作案例,相關能力現可透過 OpenAI API、ChatGPT for Healthcare 和 ChatGPT for Clinicians 使用。
推薦理由:文章並列醫療工作流程、臨牀安全評估及人工審批控制,呈現電腦操作智能體在醫療團隊中的應用方式。
Shield 在 Forge 平台採用 OpenAI 的 GPT‑6 Astra,讓 AI 智能體操作舊式入口網站,代技術人員完成支援的瀏覽器任務。相關工作流程已上線,每月在其 IT 服務供應商中執行數千次;GPT‑6 Astra 平均比 Shield 以往使用的模型快 35-40%。
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。
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。
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。
Amplitude 的 Wave 主動式產品智能體結合 OpenAI 模型與編碼智能體,協助團隊識別並交付產品改進,估計可把交付時間由約一個月縮短至 1–2 天。在 Amplitude 自家首頁的測試中,透過建議卡發送的訊息較控制組在一天後增加 160%。
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。
Microsoft Research Focus 第 98 期涵蓋 AI 跨語言翻譯、解決 KLS 猜想,以及提升編碼智能體效率等研究進展。研究團隊分析 1,350 萬次編碼工作階段,發現少於 8% 需要上下文壓縮,但佔 AI 處理成本的 44%;APEC 將成本最多降低 25.4%,執行時間降低 9.6%。
Amplitude 的主動式產品智能體 Wave 結合 OpenAI 模型分析產品數據並協調編碼智能體實施改進,Amplitude 估計可把交付時間由約一個月縮短至 1–2 天。
AWS Machine Learning Blog 提出一套在 Amazon Bedrock 上按任務而非 token 核算成本、優化智能體支出及衡量投資回報的方法。
推薦理由:文章把每項任務成本、成功率與人工投入納入同一評估框架,並説明如何以人類基線和 holdout 測試核算智能體投資回報。
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。
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。
AWS 在 Agent Toolkit for AWS 的 amazon-bedrock skill 加入知識庫遷移指南,協助團隊使用編碼智能體將客戶管理的 Amazon Bedrock 知識庫遷移至 Amazon Bedrock Managed Knowledge Base。
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。
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。
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。