Category: Artificial Intelligence

本文分享如何利用 Amazon Quick 的远程 MCP Connector 能力，结合飞书/Lark的远程MCP server，让 Quick 用户直接通过对话完成飞书/Lark文档读取/创建、消息读取/发送、日程管理等操作，让Quick成为你的AI助手。

AgentCore 提供的三种持久化文件系统——Managed Session Storage、Amazon EFS、Amazon S3 Files，从按用户私有，到多方共享，再到文件与对象两端访问，覆盖了 Agent 的持久化需求，会话结束也不会丢失数据。

在没有 Active Directory、没有自建 IDP，且中国区缺少 Cognito User Pool 的约束下，利用 AWS Transfer Family Custom Identity Provider、Secrets Manager 自动轮换密码和 IAM Roles Anywhere 证书认证，构建一套轻量化的且无长期凭据的安全 SFTP 文件传输方案。

本文将利用AWS AgentCore结合开源上下文数据库OpenViking快速搭建具备高效记忆的Agent，并演示两种典型的应用场景

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）。

优先走私网、尽量不走公网：固定办公采用专线（DX / SD-WAN）直连，远程用户先通过 Client VPN 接回数据中心、复用同一条私网链路，确无 VPN 时才使用海外 EC2 代理做 TLS 透传兜底——三条路径最终都经 VPC Interface Endpoint 走 AWS PrivateLink，进入 AWS 后全程私有、不暴露于公网。

本文是 AWS DevOps Agent 接入 AWS 中国区系列的第二篇。前一篇介绍了为什么需要 MCP（Model Context Protocol）桥，以及单账号部署的端到端流程。本文承接上文，聚焦三件事：第一，如何用一个 Helm Chart 管理 N 个 AWS 中国区账号；第二，跨云接入（以阿里云为例）的工程取舍；第三，长期 Access Key 的 90 天轮换实践。

本文介绍一种轻量、旁路、近实时的方案：调用方直连 Amazon Bedrock，链路上没有代理；用 Application Inference Profile 做分 BU 的用量归因；直接在 Amazon CloudWatch metric math 告警里把 token 数换算成估算成本；再通过一个通用的通知 Lambda 函数把告警状态变更转发到协作工具（本文以飞书为例，同样适用于weixin、dingtalk、Slack、Microsoft Teams 或邮件）。

纽约峰会回顾、河内 Local Zone、Bedrock 中的 Grok 4.3、降价等

随着微服务架构的规模化演进，传统基于静态阈值的监控告警体系面临误报率高、漏报频发、人工排查效率低等瓶颈。本文介绍了一种将确定性数学算法与大语言模型深度解耦的 AIOps Agent 方案——由 Z-Score、IQR、线性回归等统计算法完成全量监控数据的确定性分析与过滤，再由 Amazon Bedrock 上的LLM模型对精简后的结论进行智能总结与报告生成，最终通过夜莺平台实现告警的统一管理与多渠道通知。该方案运行在 Amazon EKS 之上，使用 AWS 开源的 Strands Agents 框架构建 Agent，实现了告警信噪比的大幅提升和运维效率的显著改善。