亚马逊AWS官方博客

今天，我们宣布推出 Amazon Redshift RG 实例，这是一个由 AWS Graviton 提供支持的新实例系列。RG 实例提供更好的性能，运行数据仓库工作负载的速度最高可达 RA3 实例的 2.2 倍，而每个 vCPU 的价格则低 30%。借助这些实例的集成数据湖查询引擎，您可以通过单个引擎在数据仓库和数据湖中运行 SQL 分析，其性能最高可达适用于 Apache Iceberg 的 RA3 的 2.4 倍，速度最高可达适用于 Apache Parquet 的 RA3 的 1.5 倍。 Redshift RG 实例集速度、成本效率和集成数据湖查询引擎于一身，非常适合处理当今分析和代理式人工智能工作负载的高查询量和低延迟要求。

本文以将飞书（Lark）能力封装为 MCP Server 为例，演示如何通过 Amazon Bedrock AgentCore Gateway 实现统一鉴权与路由，将自建 MCP Server 部署到 AgentCore Runtime，并最终接入 Amazon Quick Suite 的 Chat Agent。六步走通 Cognito 认证、Gateway创建、容器化部署、Target 注册、端到端验证到 Quick Suite集成的完整链路，让你的自定义工具稳定运行在自己的云账户中，用自然语言即可调用，数据全程不经过任何第三方。这套模式可复制到Jira、Jenkins、数据库等任意内部系统，真正实现”自己的工具自己控”。

本文详细介绍了如何基于Nova模型和Strands Agents开源框架，构建一套高效、精准且易于扩展的智能航班变更信息识别系统。通过将复杂的航班变更邮件解析为结构化的JSON数据，解决了传统人工处理成本高、规则引擎维护难、传统机器学习泛化能力弱等痛点。在部署和运维方面，充分利用了Bedrock AgentCore提供的无服务器托管能力、全链路的可观测性以及无监督的结果评估，形成持续迭代闭环。

Amazon Bedrock AgentCore 付款、适用于 AWS 的 Agent 工具套件等

两行命令，一个晚上，把任意会议变成结构化纪要——全程只用你自己的 AWS 账号，不登录第三方、不往会议里塞 bot。

我使用人工智能代理和 MCP 工具进行构建已经有一段时间了，在此期间，我始终被一个问题困扰：如何在不授予代理全 […]

本文介绍了一种基于 Amazon Kinesis Data Streams、AWS Lambda、AWS Glue 和 Amazon S3 的完整方案，帮助企业客户在不停机的前提下，对 Amazon DynamoDB 表进行历史数据清理、TTL 自动过期配置，并通过 Kinesis 实现增量数据的无缝同步，最终将过期数据归档至 Amazon S3 智能分层存储以降低长期成本。

本文阐述了数据工程正从”平台驱动”的数据中台范式向”AI 驱动”的 AIDLC 范式迁移，其核心在于控制面从平台功能转为知识资产、开发模式从过程式转为声明式、质量保障从后置扫描转为前置契约，并给出了落地成熟度模型与五步实施建议。

AWS DevOps Agent 是 AI 驱动的智能运维助手，但目前仅在 AWS Commercial 分区（aws 分区）可用，不支持中国区（aws-cn 分区）。本文介绍一种基于 MCP（Model Context Protocol）协议的桥接方案，通过在 Commercial 分区部署 MCP Server 作为中间层，实现 DevOps Agent 对中国区资源的跨分区运维管理。

基于 AWS 示例项目，展示如何将 OpenClaw 迁移为基于 Amazon Bedrock AgentCore 的多租户 Serverless 架构。全系列 6 篇，涵盖 Replatform 与 Refactor 两种策略。本篇为第六篇：清理资源与总结展望，删除部署资源、迁移前后对比回顾，以及进一步探索方向。