Author: awschina

我们为客户从零搭建了一个面向设计师的 AI 图像与视频素材生成平台——Open Gallery，一个统一的工作台，能调用不同的 AI 模型，在同一个画布上完成从创意到成品的全流程，这个过程中的技术决策，思考过程，遇到了哪些问题，以及最终如何解决

内容创作团队常常面临一个问题：把一段故事线快速转成可发布的短视频，涉及脚本、分镜、配音、口型同步和字幕，链路长且难以维持一致性。在这篇文章中，我们向面向视频生成的架构师、AI 工程师和内容平台团队展示如何使用 Amazon Bedrock、ComfyUI 和 Fish-Speech 组合出一条端到端的 AIGC pipeline

从私有 cluster endpoint、VPC Endpoints、Pod Identity 替代 IRSA，到双 EBS + LVM 隔离容器运行时与四种 CSI Driver 接入，本文把企业级 EKS 的生产配置决策逐项讲透，并沉淀为一套开源 Terraform 模块：一次 apply 约 30 分钟建成集群，配 9 项健康检查验收。

本文是《企业级 EKS 集群生产环境配置最佳实践》系列第二篇，承接第一篇搭建的生产级 EKS 基础，聚焦 GPU 工作负载链路的深度架构实践。文章围绕 GPU 工作负载的三层架构 —— 计算节点、网络邻近性、高性能存储 —— 展开，覆盖 P5 / P5e / P5en / P6(B200 / B300) / G6e / G7e / G7 等 GPU 实例系列的 EFA 多网卡精确摆位(含 p6-b300 非对称拓扑)、四种定价模式的 Launch Template 设计、基于 topology.k8s.aws/network-node-layer-N 的 AWS 原生拓扑感知调度，以及 FSx for Lustre(PERSISTENT_2)与 S3 Express One Zone + Mountpoint CSI Driver 这两类高性能存储按访问模式的选型，并以一套声明式 Terraform 模块完整实现。

本文用一个可运行的 Agent 长期记忆场景，说明如何把业务属性和 embedding 放进同一条 item，用一次 PutItem 完成写入，用 SearchVectors 完成语义召回；同时给出这套设计在真实项目里需要提前验证的几个点，以及它明确不适合的场景。

当 AWS Database Migration Service (DMS) 单任务无法追平高写入量源库的 CDC 延迟时，如何在不增加源库压力的前提下提升同步吞吐？本文介绍基于 Amazon MSK Connect + Debezium 的读写解耦方案：单连接读取 binlog，多 Task 并行写入 Aurora MySQL，实现 N 倍吞吐提升。

许多团队在 Amazon EC2 上自建 StarRocks 做实时分析，但选型时往往缺乏同口径的跨架构对比数据。本文基于 TPC-H / TPC-DS SF1000 基准，在 StarRocks 存算分离架构下，横评 Graviton（arm64）与 x86 同规格实例的查询性能与价格性能，给出可复现的量化结论——帮助你用数据而非直觉做出选型决策。

本文探讨在企业环境中为 AI 编程工具（如 AWS Kiro）构建内容审查层（DLP）的完整技术方案。文章将问题拆分为两条互斥路径：能改模型端点的自研应用（通过 LiteLLM 统一网关）和不能改端点的闭源工具（通过透明 MITM 拦截）。核心论点是：内容审查只能发生在能拿到明文的点，而内容型 DLP 本质上是 best-effort 检知而非硬预防。后半篇深入架构设计，部署语义审查小模型在自有 VPC 内（避免二次外发），并提出用 RAG 相似度检索补上”新写代码无签名、系统性漏检”的缺口。

新版 Dify 把工作流执行引擎从平台中解耦为一个独立的 Python 库 graphon。迁移一条 workflow 因此只需安装这个库并适配少数几类节点，不必搬整个平台。我们用一个 PoC 验证了这条路径。一条 20 步的 KYB（商户准入尽调）workflow，覆盖调模型、调代码、调知识库和多路判断，业务逻辑一行不改，通过自定义 node factory 部署并运行在 AgentCore Runtime 上，云端 5 条分支路径全部验证通过。同一份 DSL 还能导回 Dify 画布渲染。本文给出这条路径的做法、部署证据，以及版本风险和生产化前需要补齐的边界。

传统 RAG 在每次查询时重新检索、重新拼装答案——源文档像被反复”解释执行”的脚本。LLM Wiki 换了一条路：在文档入库时预先”编译”为结构化知识页，此后持续维护、增量更新。经过四个月的实践，我们逐渐遇到了企业级落地中三个绕不开的”坎”。本文拆解这些挑战的根因，介绍基于 Amazon Bedrock、AWS Step Functions 与 Amazon S3 的解法，并给出生产环境中的量化验证。