Category: Artificial Intelligence

我以 .NET 开发人员的身份开启职业生涯，并见证了 .NET 在过去几十年的发展。和你们中的许多人一样，我也 […]

在之前的文章中，我们详细阐述了大模型文本审核模型优化项目的前两个阶段。第一阶段通过数据分析与初步优化，成功将误判率从 81.9% 降至 11.47%；第二阶段借助误判分类与提示词工程，进一步将误判率降低至 0%。然而，这些方法也暴露出系统复杂、维护成本高、扩展性差等问题。本文将聚焦于项目的第三阶段 —— 模型微调方案，介绍如何通过训练专门的文本分类模型，为审核系统打造更简洁、高效的长期解决方案。

本文将分享一个真实案例，详细介绍如何通过数据分析、提示词工程和模型微调，将一个审核准确率仅 10% 的文本审核系统优化至接近 95% 的准确度。 该项目服务于一家经营海外聊天软件的公司，其用户注册审核环节存在严重的误判问题。我们通过三个阶段的系统性优化，成功解决了这一难题，并在实践过程中探索了不同技术路径的优劣，为类似场景提供了极具价值的参考方案。本文将重点聚焦前两个优化阶段，后续还会专门推出文章介绍第三阶段的模型微调方案。

使用 Amazon Q CLI 快速搭建 Flink 管道，只需要描述需求，即可构建代码和服务组件，进行部署和测试，完成整个部署流程，大量节省时间，即使不熟悉 Flink 开发也可以使用。

本文将利用 AI 捷径字段的开放能力，实现飞书多维表格与 Amazon Bedrock 的集成，并演示 AI 赋能业务的典型场景。

如何从零开始搭建 MCP server 并注册到 Amazon Q Developer CLI中，通过自建的 MCP server 扩充了 Q Developer CLI 的能力，增强了运维的自动化的工作效率 。

本文探讨和验证 Agentic AI 与 Amazon Redshift MCP Server 的结合如何实现 Agentic Data Analysis，并展望这一技术在未来数据分析领域的潜力和发展方向。

将 Amazon OpenSearch Service 与 DeepSeek 模型相结合，企业可以构建一个既智能又安全的知识库系统。这种架构不仅保障了数据主权，还能根据企业特定需求进行定制化训练，打造真正契合企业文化和业务场景的智能助手。在本文中，我们将详细探讨如何利用 Amazon OpenSearch Service 和 DeepSeek 模型在亚马逊云科技中国区快速构建一个企业级知识库应用，从技术选型、架构设计到实际部署，为您提供一套可落地的实施方案。

SwiftChat 是一款以 Amazon Bedrock 为核心，LLMs 为核心驱动的多模态 AI 聊天应用，以其出色的性能、多平台支持和丰富功能集成而广受好评。本文将深入分析 SwiftChat 的架构设计、技术实现、用户体验特点及其在各种场景下的应用价值，特别是在教育、企业演示、开源定制和日常工作助手方面的优势。

该博文旨在介绍基于 Amazon Bedrock Agents 搭建多模态生物标志物分析工作流程。