亚马逊AWS官方博客

Category: Application Integration

使用 SageMaker InferenceComponent 和 LiteLLM 构建自己的 MaaS 平台

通过 liteLLM，Sagemaker Inference Component 推理端点，构建一个统一的 MaaS 中台，客户不仅能够集成多种模型，还能充分利用高性能硬件，实现资源的高效管理。这种灵活且高效的架构，将为客户在人工智能领域的应用打下坚实的基础，助力其在竞争中脱颖而出。

Amazon GameLift 高阶使用技巧（三）- 使用 Amazon GameLift Servers+ Amazon GameLift Streams 托管游戏服，并构建云游戏串流

本博客将聚焦于 GameLift 的两大核心组件：成熟的 GameLift Servers 以及最新正式发布的 GameLift Streams。这两项服务共同构建了一个强大的生态系统，支持从游戏开发初期到全球部署，再到创新分发模式的全生命周期。

基于 LobeChat 构建企业内部 LLM 知识库平台

LobeChat 是一款开源的 AI 对话应用，专为用户打造高效便捷的智能对话解决方案。通过与 Amazon Bedrock 的深度集成，LobeChat 可以无缝调用多种强大的大语言模型，包括 Amazon Titan、Anthropic Claude、AI21 Labs 等，充分利用 Bedrock 的灵活性和扩展能力，为用户提供优质的对话体验。

AWS 一周综述：EventBridge、SNS FIFO、Amazon Corretto、Amazon Connect、Amazon Bedrock 等

自上周以来，我统计到 AWS 发布了大约 40 项新的产品/服务，回归到了我们常规的发布节奏。服务团队正在倾听 […]

如何基于 Amazon Bedrock 构建电商评论分析（VOC）系统？

随着电商平台的快速发展，客户反馈（VOC）分析需求日益增加，传统数据分析方法难以高效处理海量非结构化数据。生成式人工智能技术能够自动理解和生成自然语言，高效处理海量非结构化文本，根据客户反馈生成智能洞察和个性化建议，大大提高了分析效率和洞察深度，为企业提供更精准的决策支持。这篇文章探讨了基于 Amazon Bedrock 实现 VOC 系统的业务价值、方案架构介绍和核心技术的实现与效果，以及利用该架构的生产优化建议。

Amazon MWAA 性能优化实践

借助 Amazon MWAA，您可以使用 Apache Airflow 和 Python 来创建工作流程，而无需管理底层基础设施以实现可扩展性、可用性和安全性。本文将深入探讨如何在大规模数据调度场景下优化 Amazon MWAA 的性能，为数据工程师和 DevOps 团队提供实用的最佳实践指南。

使用 Amazon CloudFront + Amazon S3 + AWS Lambda@Edge 动态调用业务接口生成图片

Amazon CloudFront Origin-Response 和 AWS Lambda@Edge 函数相结合，当 Amazon CloudFront 缓存文件不存在回源 Amazon S3 时，Amazon S3 桶中文件不存在，AWS Lambda@Edge 中部署的 AWS Lambda 函数根据 Amazon S3 请求返回状态码，调用图片生成接口生成图片，AWS Lambda 函数获取业务接口生成的图片后，上传图片到 Amazon S3 桶，然后返回图片到 Amazon CloudFront 最终呈现给用户。

← Older posts