在亚马逊云科技 VPC 中构建 QoS 网络限速功能
该方案基于 Transit Gateway Connect、FRR 与 Linux TC，在亚马逊云科技 VPC 中构建主备式 QoS VNF，对出口流量集中分级限速。实验将总带宽设为 100 Mbit/s，为实时推理保证 80 Mbit/s，并通过 BGP 路由切换实现 VNF 故障接管。
#教程/实践
亚马逊云科技中国博客 亚马逊云科技中国博客 柯基数据基于 Amazon Bedrock AgentCore 构建可信 Ontology Agent 平台的实践
柯基数据基于 Amazon Bedrock AgentCore 托管医药 GraphRAG 智能体，并使用 AgentCore Memory、Amazon Bedrock Guardrails 和 MCP 工具构建可解释、可追溯、可审计的 Ontology Agent 平台。
亚马逊云科技中国博客精选 使用 AWS Continuum 与 AWS WAF 构建 Security Radar 的实践指南
AWS 开源示例 Security Radar 每 10 分钟采集二十余个公开情报源，以代码判定事件真实性和紧急度，并将相关漏洞定位到仓库文件与具体行。
推荐理由：方案把外部威胁情报收敛为行级代码发现，并用确定性判定、引用校验和人工审批约束自动修复链路。
AWS Machine Learning Blog精选 如何用 LangGraph 和 Amazon Bedrock AgentCore Web Search 构建每日依赖监控器
AWS 展示了如何用 LangGraph 和 Amazon Bedrock AgentCore Web Search 构建每日依赖监控器，并将日期窗口、来源黑名单、搜索预算及证据校验保留在代码中。
推荐理由：案例把日期窗口、来源黑名单、搜索预算和证据校验固化在代码中，可迁移到需要可引用实时信息的智能体工作流。
AWS Machine Learning Blog精选 Amazon Bedrock AgentCore 智能体评估指南：内置评估器、DeepEval 与 AutoEval
AWS 介绍如何在 Amazon Bedrock AgentCore Evaluations 中结合内置评估器、DeepEval 和 AutoEval，评估生产环境智能体是否完成业务目标并满足安全要求。
推荐理由：文章把业务目标拆成可观测行为并映射到评估器，提供了按智能体类型组合指标和选择运行模式的方法。
AWS Machine Learning Blog Trovata 如何基于 Amazon Bedrock 和 AgentCore 构建自主财资智能体
Trovata 基于 Amazon Bedrock 和 AgentCore 构建自主财资智能体，将监控、差异解释、异常检测和报告转化为持续运行的工作流。该平台直连超过 10,000 家银行，并以 RBAC 约束智能体权限；客户年化节省 $1M+，每个会计团队每天节省超过 5 小时，财资报告生成时间缩短至 1 分钟以内。
AWS Machine Learning Blog TCS 如何使用 Amazon Bedrock AgentCore 构建智能体测试编排器
TCS 使用 Amazon Bedrock AgentCore 构建了面向 BFSI 客户的智能体测试编排器，将需求转化为可执行、可治理的 API 与浏览器 UI 测试。
AWS Machine Learning Blog精选 Amazon Bedrock tokenomics 数据湖的架构与部署指南
AWS 介绍了如何为 Amazon Bedrock 构建集中式调用可观测性数据湖，跨账户汇总提示词、响应、模型、token 用量、IAM 身份及时间戳，并通过 Amazon Athena 查询。
推荐理由：方案展示了跨 AWS 账户汇总模型调用日志并关联成本的完整路径，可迁移到大规模工作负载的可观测性建设。
AWS Machine Learning Blog AWS Quick 中技能与智能体如何协同工作
AWS 讲解了 AWS Quick 中智能体如何加载技能、通过连接器执行操作，并基于空间、知识库、数据集和仪表板回答问题。Quick 技能遵循 Anthropic 发布的 Agent Skills 规范，以根目录中的 SKILL.md 定义名称、描述和指令，可通过聊天创建、发布并分享给团队。文章还介绍了生产技能的测试、失败处理、依赖记录和权限边界，以及官方目录和自定义智能体的使用方式。
GitHub Blog · AI & ML精选 超越代码生成：开发者的智能体工程指南
GitHub 以 Plan、Build、Verify、Observe 四个阶段，讲解如何用 Copilot 将 AI 智能体融入软件开发全流程。文章介绍了跨工具汇集需求、并行执行隔离任务、拆分堆叠式拉取请求、自动检查与修复，以及结合可观测性数据追踪发布后问题的方法。
推荐理由：文章以规划、构建、验证和观察四阶段拆解智能体工程，可用于梳理 Copilot 融入软件开发全流程的方法。
亚马逊云科技中国博客 上海博卡携手亚马逊云科技，4 周上线多语言 AI 预约客服
上海博卡基于 Amazon Connect Customer、Amazon Nova 2 Sonic 和 Amazon Bedrock AgentCore，用 4 周上线支持中、英、西、法、意、德 6 种语言的 AI 预约客服。
亚马逊云科技中国博客精选 在 Amazon Bedrock AgentCore 上构建受治理的进程内 DuckDB Data Agent
亚马逊云科技给出一个基于 Amazon Bedrock AgentCore 的受治理 Data Agent 参考实现，将 DuckDB 嵌入 Agent 进程，并就地读取 Amazon S3 Tables。
推荐理由：方案把数据智能体的成本、权限与准确率问题映射到确定性架构层，并给出可复用的完整代码与评测闭环。
NVIDIA 中国官方博客 createrole 用两台 NVIDIA DGX Spark 承载一个科室的“数字员工编制”
createrole 将数字员工应用全栈及开源权重模型部署在两台 NVIDIA DGX Spark 组成的桌面集群，实现当天部署、验收断网的政企私有化交付。DeepSeek-V4-Flash-Vision-Exp 方案采用 FP4/FP8 混合精度权重与 DSpark 投机解码，单请求上下文上限约 100 万 token。
NVIDIA 中国官方博客 NVIDIA 与 Eclypsium 构建可信 AI 基础设施，打造安全可靠的 AI
NVIDIA 与 Eclypsium 通过硬件隔离、独立验证和持续监测，为云计算及代理式 AI 构建可验证的基础设施信任链。NVIDIA BlueField DPU 提供硬件信任根和可配置安全边界，Eclypsium AI Infrastructure Assurance 负责固件完整性与配置监测；BlueField-4 和 NVIDIA Sentry 则支持带外监测智能体行为并实时执行策略。
GitHub Blog · AI & ML精选 3 位 Java Champions 如何使用 GitHub Copilot 提升生产力
3 位 Java Champions 分享了在生产环境和开源项目中使用 GitHub Copilot 的案例，并强调开发者仍需提供上下文、验证结果并对交付负责。
推荐理由：三位资深 Java 开发者的案例把智能体编程拆成需求澄清、分步执行、验证门槛和人工复核，可迁移到日常工程流程。
GitHub Blog · AI & ML精选 如何在 VS Code 中继续 GitHub Copilot app 会话
GitHub 介绍了如何在 VS Code 中直接继续 GitHub Copilot app 会话，并保留原有对话、代码变更和工作上下文。VS Code 会打开该会话关联的 worktree 和分支，用户可逐行审查差异、继续向 Copilot 提问、手动修改并在本地测试。完成后可提交并推送更新，直接更新会话所关联的 pull request。
推荐理由：教程串联会话上下文、差异审查、同一工作树和拉取请求，呈现从智能体实现到人工验收的完整协作流程。
GitHub Blog · AI & ML精选 GitHub 的密钥检测模型如何减少误报并提升扫描效率
GitHub 介绍了秘密扫描所用的上下文感知分类器，以更低噪声识别真实凭据，并将通用秘密检测扩展到推送保护。该方案先用正则表达式生成候选，再由微调的 ModernBERT 结合文件路径、变量名和周边代码分类，模型以 ONNX 格式导出并进行 8-bit 量化。相比此前的 LLM 流水线，其线上接受率提高 11.5%，推送后扫描执行时间中位数降低 86%，服务成本降低超过 98%。
推荐理由：文章拆解了正则候选生成与微调 ModernBERT 分类的两阶段方案，并给出训练数据、部署优化和线上评估结果。
GitHub Blog · AI & ML精选 GitHub Copilot 入门：如何让 Copilot 理解你的代码库
GitHub 介绍了让 Copilot 理解代码库的四种方式，包括自定义指令、智能体技能、自定义智能体和 MCP 服务器。团队可在 .github/copilot-instructions.md 和 .github/instructions 中定义通用或路径特定规则，在 .github/skills 中封装重复流程，并通过 .github/agents 配置专项智能体。
推荐理由：文章把仓库规则、重复流程、专项任务和外部工具分别映射到四类配置，便于团队按任务范围组合 Copilot 的上下文机制。
GitHub Blog · AI & ML AI 正在改变开发者工作，GitHub 给出三项应强化的技能
GitHub 建议开发者强化三项技能，包括指挥 AI 智能体、审查而非直接接受 AI 的首个答案，以及把节省的实现时间用于解决更大的问题。开发者仍需定义任务、评估生成代码并承担技术决策责任，还可让第二个模型批评第一个模型的方案，以发现遗漏和性能问题。