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。
#GitHub
AWS Machine Learning Blog精选
Ars Technica · AI Claude Code 设置文件意外在 GitHub 泄露数千条敏感信息
Apiiro 安全研究人员发现，GitHub 仓库中的 Claude Code 设置文件暴露了数千条敏感信息，包括数据库密码、API token 和 root 登录信息。
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。
Microsoft Research精选 Microsoft Research 用 PDD Kit 形式化验证智能体编写的全栈 Web 应用
Microsoft Research 介绍了 PDD Kit 如何把开发者意图转为 Verus 形式化规格，证明智能体代码对所有输入满足规格，并在证明覆盖不到的部分使用测试。
推荐理由：案例展示了将自然语言意图转成形式化规格，并用证明与测试分层约束智能体代码的完整工作流。
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精选 GitHub 引入 ModernBERT 分类器，将推送保护扩展至非结构化密钥
GitHub 与 Microsoft Applied Sciences 开发了新的 ModernBERT 分类器，用代码上下文识别非结构化密钥，批量评估候选密钥耗时不到 2 ms，可使推送保护阻止的密钥数量增加一倍以上。
推荐理由：九个季度的数据将密钥泄露增长归因于代码规模而非单次推送风险上升，并说明自动拦截为何比人工补救更易扩展。
GitHub Blog · AI & ML精选 GitHub 发布 AI 代码审查开放基准 ReviewBench
GitHub 发布 AI 代码审查开放基准 ReviewBench，提供公开数据集、排行榜、自助评估工具以及可复现的评估方法。该基准分析了 103.9M 个 GitHub pull request，并选取来自 187 个公开仓库、覆盖 19 种语言的 219 个 pull request；其黄金集经资深工程师独立复核，判断一致率为 96.6%。
推荐理由：ReviewBench公开了数据集、评估规则和运行工具，并用线上实验对照说明离线指标如何辅助代码审查智能体迭代。
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。