亚马逊AWS官方博客
从单个智能体到 100+ 智能体:PayerMax 基于 Amazon Bedrock AgentCore Runtime 构建万象(Omni)企业级 AI 中台
PayerMax 是一家根植新兴市场的全球金融科技公司,提供全球收单、付款和收款等一站式支付服务。随着各业务部门自行搭建的智能体越来越多,PayerMax 需要一个统一的平台来管理智能体的创建、运行、权限与成本。PayerMax AI 团队基于亚马逊云科技构建了”万象智能体平台(Omni-Agents)”,以 Amazon Bedrock AgentCore Runtime 作为智能体运行基座,模型调用使用 Amazon Bedrock,工作空间存放在 Amazon S3。目前平台上已运行 100+ 个智能体,覆盖多个业务部门。本文介绍 Omni 平台的整体架构,以及 PayerMax 围绕智能体运行时、业务接口接入、用户身份透传和成本可观测所做的实践。
使用 AWS Continuum 对智能家居 Agent 进行安全审核与渗透测试的实践
本文以一个运行在 Amazon Bedrock AgentCore 上的智能家居 Agent 平台(参考实现)为测试目标,记录使用 AWS Continuum 进行安全审核和渗透测试的完整过程:威胁建模和代码审查识别潜在风险,渗透测试确认了 19 条可被实际利用的发现,按 Continuum 的修复建议修改之后,经两轮复验,17 条不再复现,1 条降为信息级的观察项,1 条未被复验覆盖。文中同时说明 Continuum 如何确认一条发现,以及 Agent 的渗透测试与 Web 应用有哪些不同。
小红书推荐系统的Agentic实践:针对推荐模型自迭代的Harness设计与实现
亚马逊云科技人工智能应用实验室与小红书引擎架构部模型工程团队合作共创,针对推荐模型自迭代提出了一套Research Agent方案。我们在ADLC(Agent Development Lifecycle)框架下开展了Agent的设计与开发过程,创新性的提出了Wide-and-Deep探索策略,同时进行了相应的多智能体划分和上下文管理设计与实现。
技术指南:使用亚马逊云科技 Security Agent 与本地编码智能体(Coding Agent)构建安全的 AI 软件开发生命周期
本文介绍如何将亚马逊云科技 Security Agent Code Review、本地 AI Coding Agent、代码仓库合并门禁、自动化测试和人工审核组合成安全的 AI 软件开发生命周期,并给出 GitHub、GitLab、Amazon S3 差异扫描和集中式凭证网关的实施建议。文中的合并策略、修复次数与网关策略属于可按业务需求配置的治理建议,不能替代依赖项分析、密钥扫描、运行时防护和人工判断。
为迁移到 Amazon Aurora 设计可回退路径
数据库迁移方案通常把大量精力放在割接上。本项目更棘手的问题出现在割接之后:某社交娱乐客户将核心 MySQL 数据库从原云平台迁到 AWS,但部分系统仍留在原平台并继续写入相关表。一旦需要回退,团队既要保留 AWS 运行期间产生的新数据,也要避免覆盖原数据库中的有效写入。本文介绍项目评估过的回退方案、最终选择“持续采集、按需回放”的原因,以及表分类、冲突处理、幂等和对账等关键设计。
从刷榜脚本到恶意请求:游戏 API 的 AWS 安全防护指南
本文面向休闲游戏 API 的高频调用与恶意请求场景,介绍如何结合 Amazon CloudFront 与 AWS WAF,在请求进入游戏源站前进行检查、限速与拦截。通过 AWS CDK 部署 Nginx 模拟接口,重点讲解托管规则、蜜罐与 JA4 TLS 指纹,并结合真实调用、请求 ID 日志关联、Amazon Athena 查询及自动化安全扫描,展示可复现的防护实践。
从说明书到 3D 安装视频:用 Kiro Crew 指挥 GPU 上的 Codex(基于 Amazon Bedrock 与 Amazon Polly)
家居产品的安装说明书通常是静态的图文步骤。本文介绍一种做法:把说明书和产品模型交给两个分工明确的智能体——运行在协调实例上的 Kiro Crew 负责拆任务、派活和验收,运行在 GPU 渲染实例上的 Codex 通过 Amazon Bedrock 调用模型,负责建模、配音、渲染和自检——最终生成一段按说明书步骤播放的 3D 安装视频。
在亚马逊云科技中国区构建基于 AgentCore 和 Chronos-2 的智能补货预测方案
本文以门店补货为例,介绍如何在亚马逊云科技中国区域结合 Amazon Bedrock AgentCore 和 Chronos-2,构建销量预测与补货方案。文章说明如何利用历史销量、促销和天气等因素预测需求,并结合库存、在途商品和箱规计算补货建议,同时通过合成数据展示预测和计算过程
从告警到根因 AWS DevOps Agent 在 Amazon EKS 上的排障实战
告警响起后,如何更快找到故障原因?本文结合客户协同排障案例与 Amazon EKS 故障注入测试,介绍 AWS DevOps Agent 的调查能力、告警接入和结论回传流程,并分享事件归并、权限配置与成本控制的实践经验。
本文面向 SRE 和平台团队,结合 Amazon EKS 上的故障注入测试,介绍如何将 AWS DevOps Agent 接入现有告警流程,以及落地时需要关注的问题。收到告警后,值班工程师通常要先回答几个问题:服务端指标是否异常?最近有没有发布?权限或配置是否发生过变化?线索散落在 CloudWatch、CloudTrail、Kubernetes、代码仓库和第三方监控中。真正耗时的,往往是把这些线索串起来,判断下一步该查哪里。AWS DevOps Agent 可以承担这部分调查工作:收到告警后,结合可访问的数据提出假设、收集证据,并给出根因分析和修复建议。本文从一个已匿名的客户排障案例出发,说明这类工作的难点,再分享我们在 Amazon EKS 上的测试结果。重点关注三个问题:它能查到什么、如何接入现有流程,以及调查效果和成本如何衡量。
Kiro 中的 Kimi K3:前沿级编码能力,为生产交付而生
同样的 Kimi K3 权重,在 Bedrock 和 Kiro 里都是几步就能用上,为什么要选 Kiro?在 Kiro 里,什么时候该选 Kimi K3?本文先给结论,再用两组对比测试来说明。