Category: Artificial Intelligence

本文在亚马逊云科技中国区（宁夏）使用 llama.cpp 部署 Qwen3.6 系列大语言模型（27B Dense 和 35B-A3B MoE），对比了 Graviton4 ARM CPU、Intel x86 CPU 和 NVIDIA A10G GPU 三种硬件平台上 MTP (Multi-Token Prediction) 投机解码的实际加速效果，并给出了各芯片架构下的部署最佳实践。

本文以 Apache SeaTunnel AI CLI 项目为基础，通过 Amazon Bedrock 的统一模型访问层，对 7 个模型完成 100 个 ETL 任务的分层评测：不仅衡量配置生成和静态校验结果，也在真实数据环境中验证执行。实验显示，模型在静态校验阶段的表现不能直接预测其真实执行成功率。本文的目标不是给出一份通用模型排行榜，而是提供一套面向 AI 辅助 ETL 的评测与选型方法：团队应结合自身任务复杂度、运行时成功率、错误修复能力和总体成本，持续选择并验证最适合自身数据环境的模型组合。

通过 MCP 将 Web Search Tool 集成到 AgentCore Gateway，为 AI Agents 提供实时网络搜索能力。

本文将介绍 AI-DLC（AI-Driven Development Life Cycle）——亚马逊云科技于 2025 年提出的一套开发方法论——在数据工程场景中的落地实践。我们将通过两个真实案例，展示 AI-DLC 如何在分层建模和数据质量管理这两个数据工程核心场景中发挥价值。

随着大语言模型（LLM）的快速发展，模型规模不断增大，对推理部署的要求也越来越高。在实际项目中，如何高效地在GPU集群上部署和优化大模型推理，已经成为AI基础设施团队面临的核心挑战之一。本文基于多个实际项目的经验积累，系统性地介绍大模型推理部署的方法论、部署方案选型、性能调优以及常见问题的解决方案。

一键 Lambda 设置提示、Bedrock 上的 OpenAI GPT-5.6 模型等

如何让 Amazon Quick 的 Chat Agent 不止停留在控制台，而是嵌入自有业务页面、与页面操作联动？本文系统介绍一键式嵌入与 SDK ▎ 嵌入两种方式的原理、安全模型、实现步骤与选型，并附实践避坑指南。

本文将通过示例介绍，如何借助 Kiro 与 AWS DevOps Agent，把原本高度依赖人力的演练，转变为低成本、可复现、并能在每次演练中自动产出调查结论的流程。读完本文，您将了解如何为每一类故障切换信号设计可靠的检测、如何运行基础演练并设计其他演练流程，以及如何把 DevOps Agent 集成到您的 on-call 流程。

面对多游戏、多账号、小团队的运维压力，星合互娱在评估多种 AI 运维方案后，最终选择了 AWS DevOps Agent。核心考量在于：DevOps Agent 并非独立于现有体系之外的另一套工具，而是能够直接融入星合互娱已有的监控、代码和云账号体系，让 AI 在现有数据上发挥价值，而非要求团队重新建设数据管道。

无状态是 LLM 的天性，但「记不住」不该成为 Agent 的宿命。本文通过 HOOK+MCP Server 的方式，来使用 Amazon Bedrock AgentCore Memory，实现跨项目、跨终端、跨人员的团队记忆共享。记忆于是变成了一个独立的、可治理的服务层，不再跟着人、设备或某一个客户端走。本文也进一步分享了使用Amazon Bedrock AgentCore Memory的一些实操经验与技巧。