Category: Artificial Intelligence

本文介绍如何通过 CloudWatch Logs V2 delivery，将 Amazon Quick 支持的日志直接持续投递到指定的 Amazon S3 Bucket。CloudWatch Logs 在此架构中仅作为日志投递的控制面。日志会直接写入 S3，无需创建 CloudWatch Log Group，也无需配置 Log Group Export。

随着人工智能越来越深入地集成到企业工作流程中，企业对标准化、安全且可扩展的 AI 工具平台的需求日益增长。由 Anthropic 开发的模型上下文协议 (MCP) 为连接 AI 助手与外部工具和数据源提供了通用标准。当与 Amazon Bedrock 的 AgentCore 功能相结合时，组织可以构建兼具高性能与生产可用性的 AI 生态系统。

本文展示如何结合 Amazon Bedrock Claude 和开源设备自动化框架，构建一个 Agentic 自动化测试系统，大幅缩短游戏版本发布前的黑盒测试时间，加快迭代周期，提升上市速度。

本文面向正在评估 Amazon Bedrock 多模态模型的 AI 工程师 / 解决方案架构师，以及探索 AI 驱动游戏 QA 自动化的游戏开发团队。我们提供的对比测试方法论和工具，也是改进 AI 基础设施能力的重要一步——通过系统化模型评估积累量化基准数据，为更多业务场景落地 AI 提供可靠依据。

雅典本地区域、AWS 上的 Claude Opus 5、适用于 .NET 的 Lambda 持久执行等

本文介绍如何使用开源身份认证服务器 Keycloak 作为 IdP，通过 Amazon EC2 快速部署一套轻量级的 OIDC Provider，分别通过 IAM Federation 和 IAM Identity Center 两种模式为 Quick Desktop 配置企业级 SSO 登录。

开发者在选择LLM时，需要在准确性、延迟和成本之间做出权衡。本文在 Amazon Bedrock 上对GPT-5.6 Sol、Claude Opus 4.8、Claude Sonnet 5运行 HumanEval 编程基准测试，三者均在 97-98% 区间。同时，我们展示了如何利用 Bedrock Prompt Caching 实现 84% 以上的输入 token 成本节省。

时间序列预测在零售库存管理、能源负荷调度、金融风险评估、运维容量规划等场景中扮演着关键角色。传统方案如 DeepAR 等深度学习模型精度较高，但面临训练周期长、数据需求大、维护成本高等挑战。亚马逊云科技推出了 Chronos 系列时序预测基础模型，包括 Chronos-Bolt 和 Chronos-2。Chronos-Bolt 于 2024 年底推出，是一款基于 T5 Transformer 架构的预训练时序预测基础模型，在近 1000 亿条时序观测数据上完成预训练，支持零样本（zero-shot）预测，无需额外训练即可在新数据集上生成高质量预测结果。Chronos-2 是 2025 年底推出的，进一步支持多变量预测、协变量和更长上下文（8192 步）等。本文基于客户运维场景简化训练推理流程、面向纯单变量、短期预测、追求推理延迟的需求场景，选择 Chronos-Bolt 作为演示，将介绍 Chronos-Bolt 的核心技术原理、适用场景，并通过一个完整 POC 演示如何在 Amazon SageMaker AI JumpStart 上快速完成部署与推理。若业务涉及多变量、协变量融合或长期预测（>64步），建议评估 Chronos-2。

性能测试是保障系统稳定性的关键环节，然而分布式压测环境搭建复杂、客户端指标与服务端基础设施指标割裂、测试结果分析高度依赖专家经验，仍是许多团队面临的共性挑战。本文介绍 Load Testing Pilot——一个专为亚马逊云科技中国区域设计，通过单一 Amazon CloudFormation 模板实现一键部署的 Serverless 分布式压测与智能分析平台。平台支持多压测引擎与 LLM 自然语言生成脚本，可在压测结束后自动沿负载均衡器至后端实例的链路发现关联资源、采集全链路监控指标，并由 LLM 生成涵盖健康判定、瓶颈定位、根因分析与优化建议的结构化报告。

本文记录了一次用 Kiro 开发行业垂直软件的完整实践:在 5天跨度内、纯编码约十余小时,构建出一套面向陆上叠前数据的地震多次波压制处理系统,交付约 2,408行代码与文档,涵盖预测反褶积、双曲 Radon 变换、SRME 三种经典算法,以及 CLI、桌面 GUI 与多炮并行流水线。文章以真实的 git记录和测试输出还原开发过程,并坦诚讨论了算法在小合成数据上的适用边界——预测反褶积接近论文最佳水平,而 Radon 与 SRME受方法本身限制效果有限,价值在于工程落地而非指标刷榜。在方法论层面,本文以同一项目为样本对比了 Spec 驱动与 Vibe Coding两种范式:算法内核以 Spec 固化统一接口规范,GUI 则以探索式迭代快速成型,并给出”内核用 Spec、外围用vibe、衔接靠接口”的分层结论。核心观点是:AI不会替你突破方法的物理边界,但能把”领域知识转化为可运行、可扩展代码”这一过程的成本显著拉低。