Author: awschina

在不修改客户端、不 fork LiteLLM 源码的前提下，将 LiteLLM 的 websearch interception 搜索后端 从自建 SearXNG 替换为 Amazon Bedrock AgentCore Web Search——一项 AWS 全托管、由 Amazon 自营 web 索引在 AWS 基础设施内服务搜索查询（查询不发往第三方搜索引擎）的 Web 搜索服务。文末给出 进阶用法：将其暴露为 MCP server，使没有 AWS 凭证的客户端 （如 OpenAI Codex）也能通过一个 LiteLLM virtual key 进行调用。

本文以真实集群从 EKS 1.32 升级到 1.35 为例，展示如何将风险识别、路径规划、升级执行和故障定位交给 Kiro agent。我们在同一集群做对照实验——唯一变量是否加载 Skill 知识库：无 Skill 时工程师需全程介入，耗时约 6 小时；加载 Skill 后 agent 自主执行，耗时约 2.5 小时，节省 60%。两组共享同一工具链，差距主要来自 Skill。更值得关注的是，agent 在实战中主动发现新隐性约束并补充回 Skill，说明知识库具备随实战增长的潜力。

讨论 Agentic RL 训练成本时，基于 Graviton5 的 m9g 实例，可将沙盒层成本降低多达 43%。该分析同样适用于 Agent 执行工具调用和代码的 CPU 沙盒环境。

本文介绍了Lambda MicroVMs 是 AWS Lambda 中一种全新的无服务器计算原语：为每个用户或会话提供一台专属的、有状态的、虚拟机级隔离的轻量执行环境——启动近乎瞬时，空闲自动挂起，完全无需管理基础设施。

本文从隔离级别、状态保持、启动模型、网络模型、计费对比等多个维度深入对比 Lambda MicroVMs 和 Lambda Functions，帮助架构师做出正确的技术选型。

2026 年 6 月，AWS 同时拥有了两个能”安全运行 AI 生成代码”的 Serverless 产品——Lambda MicroVMs 和 Bedrock AgentCore Runtime。它们底层都基于 Firecracker microVM，却处在完全不同的抽象层。本文从定位、架构、计费、适用场景等维度做深度对比，帮助 AI Agent 开发者和架构师做出正确选择。

本文系统对比了 AWS NAT 网关的两种可用性模式：传统的 AZ（可用区）NAT 网关与 2025 年新发布的 Regional（区域）NAT 网关。从架构原理、高可用性、运维复杂度、规格上限、计费模型等维度逐一分析，帮助读者根据实际场景选择最合适的 NAT 网关模式。

摘要：Amazon Quick 是 AWS 推出的 AI 工作助手，能够将问题转化为答案、将答案转化为行动。它 […]

当 AI 从”写一段代码”走向”参与完整研发流程”时，真正的瓶颈不再只是模型能力，而是团队有没有一套能让 AI 稳定工作的工程体系。紫讯围绕 AI-DLC（AI-Driven Development Life Cycle）方法，在与 亚马逊云科技团队的持续交流、Workshop 共创和工具实践中，逐步建立了从知识沉淀、需求塑形、方案收敛、开发协同、测试验证到经验回流的端到端研发闭环，让 AI 的产出可追溯、可复用、可验证、可纠偏，并持续沉淀为组织级研发资产（zixun-github-ai-dlc）。

本文通过一个FinOps云财务管理案例，展示如何利用 AI Agent 协作实现端到端的 AWS 云成本优化闭环：从费用异常发现、根因分析、运行时验证到安全清理，两个 Agent 各司其职、无缝衔接，最终为节省每月 约$4,100 的不必要支出。