AWS 教程：在 GovCloud 中通过 Amazon Bedrock 使用 Claude Code
AWS 介绍了在 AWS GovCloud (US) 中通过 Amazon Bedrock 配置 Claude Code，为受监管工作负载提供 AI 辅助开发方案。
推荐理由：文章并列说明 bedrock-runtime 与 bedrock-mantle 的功能和合规差异，并提供配置步骤，便于团队按审计与接口需求选择接入方式。
内容形态
教程实践 最新动态
拿来就能用的实操内容：提示词技巧、工作流搭建、工具用法与踩坑经验。
15 条精选近 30 天 13 条共收录 22 条
更新
教程实践的精选
AWS Machine Learning Blog精选AI 评分6464 AWS Machine Learning Blog精选AI 评分6969 Amazon SageMaker 推出面向编码智能体的 aws-ai-ml skill
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 Machine Learning Blog精选AI 评分7171 AWS 发布 Amazon Quick Resource Migrator，实现跨账户资源自动迁移
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。
AWS Machine Learning Blog精选AI 评分6262 如何用 LangChain 和 Amazon Bedrock Knowledge Bases 实现智能体检索
文章演示如何在 LangChain 与 Amazon Bedrock Managed Knowledge Base 中使用标准检索和智能体检索，比较它们处理多部分问题的方式。标准检索以一次混合搜索返回结果，智能体检索则拆分子查询、评估证据并在需要时继续搜索；前者更快、更便宜，后者在多跳问题上的召回有所提升，但成本和延迟更高。
推荐理由：文章用同一多部分问题对比单次检索与规划式检索，并拆解其成本、延迟和召回取舍，提供了按查询复杂度选择路径的依据。
AWS Machine Learning Blog精选AI 评分6161 AWS 教程：使用 Amazon Bedrock AgentCore Evaluations 评估多智能体系统的可解释性与帮助性
AWS 展示了如何使用 Amazon Bedrock AgentCore Evaluations 构建并评估多智能体供应链决策系统，检查帮助性、业务准确性与可解释性。示例采用协调智能体和优化、分销、路线规划、分析四个专业智能体，并结合内置评估器与自定义评估器，分层验证通用质量、业务规则和决策说明。评估支持开发阶段的按需模式与生产环境的在线监控模式，文中提供部署、运行及评估步骤。
推荐理由：文章用供应链多智能体示例拆解三层评估流程，将通用质量、业务规则正确性与可解释性分开衡量，便于定位不同的改进方向。
AWS Machine Learning Blog精选AI 评分7676 AWS 教程：用 Amazon Quick 与 Adjudicated Query 模式核查数万份租约合规性
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。
Hugging Face Blog精选AI 评分6969 AutoSynthData 如何为企业智能体生成训练数据
ServiceNow CoreAI 构建了 AutoSynthData，根据目标模型的失败和更强教师模型的成功生成、验证训练任务，并用于模型微调。
推荐理由：文章展示了从模型失败提炼能力缺口、生成并验证训练任务的流程，并报告该方法在 EnterpriseOps Gym 两个领域的微调结果。
GitHub Blog · AI & ML精选AI 评分6464 GitHub Copilot app 初学者指南：如何用 canvases 构建自定义工作流
GitHub Copilot app 的 canvases 允许用户与智能体共享可自定义界面，并围绕各自工作流调整内容。用户可在智能体会话中输入 `/create-canvas` 技能并描述需求，无需手动编写代码或设计界面，智能体便会创建画布。画布可保存为团队共享或个人扩展，用户和智能体也能同时修改共享状态。
推荐理由：文章通过创建发布说明看板的示例，展示从自然语言描述到可复用画布的过程，并说明用户与智能体如何同步修改共享界面。
GitHub Blog · AI & ML精选AI 评分6262 GitHub Copilot 的 canvas 如何突破聊天界面的限制
GitHub Blog 作者 Burke Holland 主张，聊天并非与 AI 交互的最佳界面，并介绍了 GitHub Copilot app 中名为 canvas 的可定制界面。
推荐理由：文章通过 Connect 4、Winget、SQLite 和开发流程自动化等实例，说明自定义界面如何让 Copilot 智能体参与任务并减少反复聊天交互。
GitHub Blog · AI & ML精选AI 评分7575 GitHub Security Lab 开源 Fuzzing Taskflow 智能体，自动化 C/C++ 模糊测试
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。
GitHub Blog · AI & ML精选AI 评分7272 GitHub Copilot app 如何流畅渲染超大型 Pull Request
GitHub 重建了 GitHub Copilot app 的 Pull Request 视图，使包含 2,200 个文件、超过 100 万行变更和 400 多条行内评论的 PR 仍能流畅浏览。文章详述了代码行与动态评论分开管理高度、滚动时延后测量并保持阅读锚点，以及通过缓存和自动化测量循环定位性能问题的做法。
推荐理由：文章拆解了超大型 PR 视图的关键设计取舍，尤其说明动态评论如何影响虚拟化，以及团队如何通过锚定校正和自动化测量避免滚动卡顿。
GitHub Blog · AI & ML精选AI 评分8181 GitHub Copilot 团队如何借助 Copilot 将运行时迁移到 Rust
GitHub 将 Copilot 智能体运行时从 TypeScript 迁移为 Rust，项目主要由 AI 智能体编写代码，并通过 128 个 pull request 分批合入和发布。运行时最终包含 832,378 行生产 Rust 代码，迁移期间发布了 135 个版本；作者还介绍了原地替换策略、测试验证以及多智能体协作中的协调经验。
推荐理由：文章以运行时迁移为例，结合渐进式替换、测试和发布数据，呈现了用智能体协作完成大型代码迁移的具体做法。
Mistral AI精选AI 评分6262 Mistral 分享用 AI 智能体将 40,000 行 Fortran 77 迁移至 C++ 的实践
Mistral 协助一家欧洲能源运营商将 40,000 行 Fortran 77 迁移至 C++，对象是缺少测试套件和集中文档的储层模拟器。团队先建立数值一致性测试框架并整理代码文档，再按模块运行规划、实现、测试和人工审查流程；首个冲刺覆盖了总计 300,000 行代码中的 40,000 行。
推荐理由：这次迁移展示了复杂遗留系统中智能体自主性的取舍，并给出可复用的流程要点，包括先建立数值一致性测试，再配合分模块实施与人工审查。
Berkeley AI Research精选AI 评分7474 K-Search 如何将 CUDA 内核优化经验迁移到 Apple Silicon
Berkeley AI Research 团队为 K-Search 增加 MLX 后端和 CUDA-to-MLX 翻译层，使其能将现有 CUDA 内核作为知识基础，为 Apple Silicon 搜索优化内核。
推荐理由：文章拆解了 CUDA 优化知识迁移到 MLX 的结构化做法，并用 Attention 与 Mamba SSM 两类内核的实测数据展示其性能差异。
Berkeley AI Research精选AI 评分6060 Adaptive Parallel Reasoning 如何让推理模型动态安排并行计算
Berkeley AI Research 的文章梳理了 Adaptive Parallel Reasoning（APR），即让模型在推理时自行决定是否并行、拆分多少线程以及如何协调。文章比较了固定并行与自适应方案，并解析 KV cache 聚合、训练方式和效率奖励设计，同时列出评测差异与部署中的开放问题。
推荐理由：文章梳理了 APR 与固定并行方案在任务拆分、KV cache 聚合和训练奖励上的差异，呈现了其效率目标与部署取舍。