Amazon Bedrock 與 Spring AI 如何構建自主 AI 智能體
AWS 文章示範 Java 團隊如何使用 Spring AI 和 Amazon Bedrock AgentCore 構建自主 AI 智能體。示例包括支援工具調用、串流回應和對話記憶的單一旅行助理,以及由五個專門智能體組成的智能文件處理系統。
AWS 文章示範 Java 團隊如何使用 Spring AI 和 Amazon Bedrock AgentCore 構建自主 AI 智能體。示例包括支援工具調用、串流回應和對話記憶的單一旅行助理,以及由五個專門智能體組成的智能文件處理系統。
AWS 宣佈 Amazon Bedrock AgentCore 推出 Web Search API,讓應用程式透過單次 API 呼叫搜尋網頁,並取得 Amazon 營運的網頁索引所提供的排序結果。
推薦理由:文章清楚區分 Web Search API 與 AgentCore Gateway 的適用場景,並説明直接 API 呼叫無須預先建立資源,方便按現有架構選擇接入方式。
開源引擎 semi-persistent 以 anti-unification 比較形式化政策,合併共享結構,並用 Variants 節點標示分歧。
AWS Machine Learning Blog 説明如何讓 OpenAI Codex 透過 Amazon Bedrock 使用受支援的 OpenAI 模型,並納入既有 AWS 身份、IAM、區域及可觀測性安排。
推薦理由:文章比較 Native AWS Access、AgentCore Gateway 與 LLM Gateway 三種接入路徑,並整理身份隔離、遙測、成本歸因及回滾等試點檢查,為企業分階段部署提供具體依據。
AWS 於 2026 年 10 月為 Amazon Bedrock、AgentCore 和 Strands 推出多項更新,涵蓋模型供應、智能體可靠性、成本管理及開發測試。
AWS Agent Registry 的範例方案以 AWS CloudTrail、Amazon EventBridge 和 AWS Lambda 偵測 MCP 伺服器更新,並同步工具定義至現有記錄。
AWS re:Invent 2026 的 AI/ML 專題設有逾 140 場課程,指南協助參加者按 AWS AI 技術堆疊挑選合適場次。專題涵蓋 AI 晶片、模型訓練與推理、智能體開發與管理,並涉及安全、治理及成本最佳化;活動於 11 月 30 日至 12 月 4 日舉行。
DXC Technology 以 Amazon Bedrock 為 DXC OASIS 建立受治理的多模型基礎層,支援企業 IT 營運中的 AI 智能體。Amazon Bedrock 統一接入多個模型,並提供 Guardrails 與私有網絡控制;DXC 自建的執行層負責工具編排、權限限制、人手審批及審計。
Google Research 提出研究框架,利用穿戴式數據評估心血管—腎臟—代謝(CKM)健康風險,並提供個人化生活習慣指導。其中的 SensorWM 以 2.28 million person-weeks 的 Fitbit 數據訓練,根據兩週基線資料預測 20 項生理指標未來 12 週的變化,再由語言模型智能體生成指導方案。
AWS 介紹其自 2023 年起發布的 23 個開源生成式 AI 可重用資產,並示範如何選用、評估及部署 Contact Center GenAI Agent。示範流程包括部署兩個 AWS CloudFormation 範本及整合 Amazon Connect,需時不到一小時。Ricoh 案例中,每次部署的工程工時由 80 小時降至不足 5 小時。
AWS 介紹開源的 UAEF,這套跨框架評估系統將不同框架的 AI 智能體執行軌跡轉為統一格式,並以 36 項內置指標評估 7 個品質維度。
推薦理由:文章把跨框架軌跡標準化、指標評估、基線比較和資料集準備串成一套流程,並提供各支援框架的可執行 notebooks,呈現 UAEF 的實際使用路徑。
AWS Machine Learning Blog 示範如何在 AWS Quick 配置六個智能體組成的 AI-PDLC,帶領產品團隊由分散的客戶訊號走到經驗驗證的原型。流程涵蓋探索、決策、設計和原型製作,產出痛點板、優先級評分、PR/FAQ、可供工程開發的規格及可點擊 HTML 原型。Orchestrator 協調各專責智能體,並在每個階段要求人工審批,保留決策與來源脈絡。
Cogent 與 OpenAI 正以 OpenAI 模型及企業環境脈絡,為企業打造 Cyber Defense Factories,讓智能體由漏洞調查執行至修復驗證。
Tether AI Research 介紹 BotPsy,一款基於 Qwen3.5-0.8B、面向工具調用和智能體工作流的 0.8B 參數端側個人助理模型。在六項工具使用及智能體基準中,它勝過所有受測 ≤1.2B 模型,並在五項基準高於 2.5 倍大小的 Qwen3.5-2B-Think;Claw-Eval 則由後者領先。
推薦理由:文章以六項工具使用基準比較 BotPsy 與同級及較大模型,並列出多輪任務、推理效率和安全限制,呈現小型端側智能體的能力範圍。
Kimi K3.1 Pro Highspeed 現已可在 Amazon Bedrock 使用;它是 Kimi K3 的後訓練版本,採用相同的 3T-class 開放權重架構及 1-million-token 上下文窗口,Moonshot AI 稱其輸出速度是 Kimi K3.1 Pro 的 2–3 倍。
Gilbert + Tobin 由鼓勵員工試用 AI,逐步轉向使用 ChatGPT Enterprise、ChatGPT Work 和 Codex 支援多步驟智能體工作流程,並由員工負責覆核和批准。
AWS 示範以 LangGraph 和 Amazon Bedrock AgentCore Web Search 建立每日依賴項監測器,平行檢查 npm、PyPI 和容器基礎映像的安全更新。
推薦理由:文章以每日依賴項監測示範如何把日期、來源限制和搜尋預算固定在程式中,再核對引用證據,提供一套可遷移到智能體搜尋流程的實作思路。
AWS 介紹如何在 Amazon Bedrock AgentCore Evaluations 中,運用內建、DeepEval 與 AutoEval 評估器評估生產環境中的智能體表現。文章建議先定義業務成功條件,再拆解成可觀察行為,按 trace 或 session 層級選擇評估器。AgentCore 支援按需、線上及批次評估,三種模式使用相同評估器 ID,從開發測試切換至線上評估只需更改設定。
推薦理由:文章示範由業務結果拆解可觀察行為,再選擇 trace 或 session 評估器,並説明如何按需求組合內建、DeepEval 與 AutoEval 指標。
Microsoft 研究人員發現名為 Lazarus 的後門技術,無需訓練,只要改寫 LLM 中少於 10 個休眠神經元的權重,便可令基於該模型的 AI 智能體在隱藏觸發條件出現時執行惡意命令。
推薦理由:研究展示少於 10 個休眠神經元即可植入後門,並説明模型來源追溯及權重完整性為何成為智能體安全防護的關鍵。
Trovata 在 Amazon Bedrock 和 Amazon Bedrock AgentCore 上構建自主財資智能體,將財資作業轉為可持續執行的工作流程。智能體可按排程、觸發條件或規則監察活動、解釋差異、偵測異常及自動提供更新,並透過角色型存取控制(RBAC)在企業權限範圍內運作。用戶可透過自然語言查詢多銀行數據,系統則經 Trovata 已驗證的 API 層擷取數據並在安全環境中作答。
TCS 在 AWS 上以 Amazon Bedrock AgentCore 建構智能體測試編排器,並已在 BFSI 客戶環境投入生產,將需求轉化為可執行的受控測試。
Google DeepMind 開放 Gemini 4 Carbon,供開發者、企業、科學家及一般用戶使用,並定位為面向複雜知識工作、軟件工程及科學推理的前沿模型。
推薦理由:文章列出 Gemini 4 Carbon 在多項工作流程基準的排名及相對成本,並交代付費開發者和企業的使用入口,呈現其產品定位與採用條件。
Google DeepMind 研究人員使用 AlphaProof Code,對 Signal 加密協議的實際編譯程式碼進行形式化驗證,證明其符合指定的關鍵安全性質。這個多 LLM 智能體框架生成超過 600 萬行 Lean 證明,並將需人工複查的範圍縮至程式碼庫的 1%;整個驗證流程歷時四週。Google DeepMind 將公開形式化驗證成果供社羣使用。
推薦理由:文章展示 AlphaProof Code 如何把形式化驗證延伸至 Signal 實際程式碼,並以 Lean 機器檢查證明,呈現驗證協議設計與實作落差的一種方法。
AWS Quick 的智能體會按任務載入技能,透過連接器讀取資料或執行操作,並以已連接的資料為回答依據。用戶可透過對話、.md 或 .zip 檔案,或含 SKILL.md 的資料夾建立技能;發布後還須另行分享,文章亦列出測試、失敗處理和環境依賴等實作注意事項。
CodeRabbit 表示,使用 Codex 後,過去 6 個月的軟件交付量約為此前的 20 倍,工程團隊人數沒有增加。公司亦使用 OpenAI 推理模型改善 AI 生成程式碼審查,並以 Codex 自動處理低風險變更及支援營運工作。
Amazon Bedrock Managed Knowledge Base 現透過 AgenticRetrieveStream 支援單次 RAG、純檢索及智能體檢索,並可按 maxAgentIteration 設定檢索流程。
推薦理由:文章對照 maxAgentIteration 不同取值下的檢索與生成流程,並交代規劃輪數和模型呼叫差異,便於按問題複雜度及延遲需求選擇模式。
AWS 宣佈 NVIDIA Nemotron 3.5 Super VL 現已可在 Amazon SageMaker JumpStart 部署;這款視覺語言模型接受圖像、影片及文字輸入,並生成文字。
AWS 宣佈 Claude Fable 5.2 和 Claude Mythos 5.2 已在 Amazon Bedrock 及 Claude Platform on AWS 提供;Mythos 5.2 僅透過 Anthropic 的驗證計劃,用於網絡安全和生命科學領域的進階工作。
推薦理由:文章交代兩款模型在 AWS 的可用範圍、Fable 5.2 的資料保留與審查要求,以及 Claude Code 遷移流程,涵蓋部署前的工程和治理考量。
AWS 推出首個品牌宣傳活動,向更多知識型工作者推廣 AWS Quick,這款專為工作打造的 AI 工作空間。活動在美國和英國透過串流電視、網上影片、社交媒體及商業刊物推出。AWS Quick 可透過 AI 智能體搜尋、分析和處理用戶已使用的數據及應用程式,現可下載使用。
CrossnoKaye 透過 Amazon Bedrock AgentCore,讓 ATLAS 工業自動化平台上的 AURA AI 智能體利用工廠狀態,支援設備閉環控制。平台覆蓋逾 100 個工業設施及 13,000 項受控資產;AURA 亦透過 AgentCore 的程式碼解譯器,在隔離的 AWS 管理 microVM 沙盒中執行 Python,為數值答案提供實際計算依據。
Pluggable Agentic AI Framework 提出一套由七層組成的企業級智能體 AI 參考架構,旨在協助多智能體應用由原型擴展至大規模生產環境。七層涵蓋數據與知識、模型與推理、協調、安全與防護、應用、可觀測性及智能體運作管理,並以穩定介面支援替換底層技術。文中以零售客服範例演示監督智能體如何把訂單查詢及退款資格判定分派給專責智能體。
NVIDIA 正與韓國企業及研究機構合作,推動 AI 生態發展並加強智能體安全。Hyundai Motor Group 正探索 NVIDIA NemoClaw 藍圖及 NVIDIA OpenShell;AIM Intelligence 則把 Starfort 與 OpenShell 整合,以結合存取控制、惡意指令偵測及資料外洩偵測。
OpenAI 與生物科技公司 Ligo 開發 BioBasicsBench,以 100 項日常濕實驗室任務評估 AI 智能體解讀原始實驗數據、識別錯誤及判斷證據能否支持結論的能力。
Amazon 團隊在 Amazon ECS Fargate 上構建無伺服器 MCP 伺服器,作為 AI 智能體連接企業資料湖的集中式閘道。新增資料集只需提供描述結構、業務背景及欄位語義的 JSON 元資料檔,索引後即可供已連接的智能體使用,伺服器則在 MCP 層集中執行存取控制。
AWS Quick 梳理智能體工作的基元分類法,以「何時、做甚麼、由誰、如何」四個問題界定觸發器、智能體及其能力。觸發器啟動任務並承載指令;智能體是持續學習的行動者,透過工具、技能和工作流程執行任務,其中技能提供判斷空間,工作流程則按固定步驟運作。
AWS 示範如何把 Claude Code 編碼任務交由 Amazon Bedrock AgentCore 的隔離工作階段執行,並以 GitHub pull request 交回人工審核。
推薦理由:文章將遠端編碼流程與安全控制放在同一套實作中,具體呈現隔離執行、短期憑證、網絡限制和人工審核如何共同構成部署方案。
Taxbit 在 Amazon Bedrock AgentCore 上構建 Taxbit Assist,讓合規團隊可在產品儀錶板使用附有來源連結、並按用戶角色及組織權限提供答案的 AI 助手。
Greenlight Financial 在 Amazon Bedrock AgentCore 上構建 Luna 自主安全營運中心(SOC),每月處理 3,000–4,000 宗安全及風險個案,超過 90% 無須人工介入即可解決。
推薦理由:文章拆解 Luna 的分層多智能體、記憶及人工升級設計,並以自主處理率由 83% 升至超過 90% 説明其在受監管金融場景的實作路徑。
AWS 文章示範以 Okta Cross App Access 和 Amazon Bedrock AgentCore 建立用戶委派授權流程,讓 AI 智能體代表已登入用戶存取應用程式。
推薦理由:文章拆解 Okta Cross App Access 與 Amazon Bedrock AgentCore 的委派授權鏈路,並以實測交代撤銷用戶指派後新請求約 1 秒內遭拒、已發 token 最長有效 5 分鐘。
AWS 示範以 Amazon Bedrock AgentCore 和 Okta Cross App Access,透過 AgentCore Gateway 統一管理多個 AI 智能體的工具存取。