Amazon SageMaker AI 推出 aws-ai-ml skill，可接入支持 MCP 的编码智能体，协助优化生成式 AI 推理。它能对端点进行基准测试、推荐部署配置、比较性能数据，并生成可检查和运行的 SageMaker Python SDK v3 代码；文章介绍了通过 Agent Toolkit for AWS 或 SageMaker Studio 安装和使用的方法。
推荐理由：文章说明了如何将 aws-ai-ml skill 接入 MCP 兼容的编码智能体，并展示其基准测试、部署配置推荐与结果对比流程。
AWS 介绍了 Quick Resource Migrator，这是一个运行在 Amazon Bedrock AgentCore 上的 MCP 服务器，可将 Amazon Quick 资源从开发账户迁移到生产账户。
推荐理由：文章拆解了跨账户迁移的资源选择、权限复用、备份回滚与预览流程，可帮助团队理解如何把 Amazon Quick 资源纳入可审计的发布流程。
Microsoft 与 Hugging Face 发布 ThinkingBox 和 ThinkingBox-Bench，用数据库终态及副作用评估 AI 智能体是否真正完成业务工作流，并将每项任务独立运行 20 次衡量一致性。
推荐理由：ThinkingBox 将评估焦点从对话和工具调用转向数据库终态，并通过每项任务重复运行衡量一致性，为检验智能体是否可靠完成业务流程提供了可复用基准。
AWS 介绍 Adjudicated Query 模式，使用 Amazon Quick 对话界面接收合规问题，并由确定性规则引擎完成租约核查，模型只负责将自然语言转换为固定操作调用和叙述结果，不参与判定。
推荐理由：文章以租约合规为例，拆解如何用确定性规则引擎与完整性回执保证逐条核查，并说明对话模型应与判定环节隔离。
ProvenanceGuard 研究提出一种面向 MCP 智能体的生成后核验层，逐条检查回答中的主张是否得到其所指来源的支持，并输出来源判定及整体放行或拦截结果。在医疗智能体测试中，系统从 361 条主张中拦截了专家判定不应通过的 139 条中的 138 条，同时拦截了 67 条专家认为有支持的主张；对可识别来源的主张，来源判断准确率约为 86%。
推荐理由：研究针对MCP智能体把事实归到错误来源的问题，展示逐条核验来源的流程及其在医疗记录数据上的测试结果。
GitHub Security Lab 开源了面向 C/C++ 项目的 Fuzzing Taskflow，由 LLM 智能体自动识别代码入口、编写 harness、运行 AFL++、根据覆盖率改进测试，并对崩溃进行分诊和生成漏洞报告。
推荐理由：文章拆解了覆盖率反馈、结构化输入生成与崩溃分诊的自动化流程，也说明模型报告仍需人工审查，可供安全测试工作流设计参考。