Author: awschina

This post shows how NotiOps helps operations teams launch incident investigations quickly and trace every response back to its sources. The solution primarily uses AWS DevOps Agent, AWS Knowledge MCP, open-source AWS Labs MCP servers, and read-only AWS APIs for investigation and evidence gathering, while keeping workload operations within a read-only boundary.

在 AI 时代，业务对数据洞察的需求正从”天/周”级交付加速到”分钟”级。传统基于数据仓库的应用开发链路冗长、协作成本高，已成为交付瓶颈。本文介绍如何借助 Amazon Quick App 的 AI 原生能力，通过 MCP（Model Context Protocol）开放标准接入 Amazon Redshift，并结合 Amazon Cognito + API Gateway Lambda Authorizer 构建企业级 OAuth 认证，实现安全、合规地用自然语言查询数仓数据、快速构建并在组织内共享数据应用。

本文介绍了为某民航企业构建的一套带入库质量门禁的 RAG 知识库系统。该企业管理数百份多级别规章手册，标准 RAG 只管”存”不管”质”，无法应对两类核心问题：同一文档的版本差异（修订了什么、改了哪些条款）和不同文档对同一事项描述的矛盾（上级手册改了安全策略，下级手册仍引用旧版）。我们的方案在入库环节加了一道 Quality Gate——系统按向量相似度自动分流，高相似度走版本对比（章节对齐 + 字级 diff + LLM 过滤），低相似度走跨文档一致性检测（语义配对 + LLM 矛盾判定），结果合并为预审核报告供人工确认后才入库；同时在问答环节加入实时冲突标注，确保用户不会被矛盾信息误导。系统模块化设计，支持整体部署或单模块接入已有知识库。

AWS 中国区暂时不支持 Health Organizational View，多账号健康事件分散难以统一管理。本文介绍一种基于 EventBridge 跨账号事件转发的集中通知方案，通过 Hub-Spoke 架构将多个账号的 Health Event 聚合，并自动推送到飞书、钉钉、Teams、企业微信、Slack 等主流即时通讯工具，CloudFormation 一键部署，Serverless 架构无需预置资源。

本文介绍如何借助 Kiro（AI Agent）与亚马逊云科技开源 MCP Server，把 Amazon EKS 升级的官方最佳实践与企业内部运维经验编排为可复用的 Skill 与 Steering，用自然语言驱动一次安全、可控、可审计的集群版本升级，从而降低人工操作复杂度与误操作风险。

本文是”从应用安全到云安全”系列的第一篇，聚焦应用层安全，深度解析 AWS Security Agent 如何借助 Frontier Agent 的多智能体协作架构，将渗透测试从依赖专家、周期性、只覆盖关键应用的传统模式，转变为按需触发、7×24 运行、可嵌入 SDLC 全流程的持续验证能力；文章从传统渗透测试”速度快、挖掘深、覆盖广”难以兼得的困境切入，介绍了其多步骤攻击链模拟、OWASP Top 10 与业务逻辑漏洞全面覆盖、经实际利用验证的极低误报率、开发者友好的修复建议等核心能力，拆解了认证访问、基线扫描、多阶段探索、专用智能体集群、验证与报告五个架构环节，并通过黑盒、灰盒、白盒三种实战场景，展示了 Agent 如何理解应用上下文、串联攻击链并输出高置信度的漏洞发现。

以发票报销自动化工具的三次演进为案例，从 LLM OCR、Agent 到 Skill + MCP，剖析 AI 应用形态的演进，以及 AI Agent 调用外部系统时的超时、状态污染与幂等等分布式系统问题及工程应对。

上一篇，我们用 Canal 消费 RDS for MySQL 的 binlog，要把实例从 8.0 升到 8.4，并选择蓝绿部署完成切换。生产环境形态包含位点存 ZooKeeper、instance 配置由 Canal Admin 托管、Canal 订阅只读副本。在这篇文章里面， 我们讨论这次切割演练过程是很好的 Agent 协助运维的场景，如果使用 Kiro custom agent 应该如何实现。 当然，这篇 blog 也适用于我们开始考虑评估某个场景是否可以用 Agent 来解决，以及如何建设。

Iceberg 构建湖仓的优势和性能测试。测试环境说明：EMR on EKS 7.13.0（Spark 3.5.6-amzn-2、Iceberg 1.10.0-amzn-1、JDK 17.0.19），节点规格 r7g.4xlarge，测试执行至 2026-08-31。测试时间取值均为中位数，3 次取中间值。第三、四部分可独立阅读；第二部分依赖第一部分对元数据裁剪机制的介绍。

在浏览器里点一下，就能在 Spot GPU 实例（H200 / B300）上拉起一套 SGLang 推理服务，跑完测试、收到飞书（Lark）通知，用完即拆。这是一个「低成本、一键、自助」的短时推理测试环境示例，面向不熟悉 AWS、又需要频繁做模型选型与性能验证的团队。