亚马逊AWS官方博客

AI Agent 的迁移与现代化 — 使用 Amazon Bedrock AgentCore 将 OpenClaw 从单机改造为多租户 Serverless 架构 第四篇

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。本篇为第四篇:Phase 2 & 3 — 部署 AgentCore Runtime 与业务层,构建 ARM64 容器镜像、创建 AgentCore Runtime,以及部署消息路由、定时任务和 Token 用量监控。

AI Agent 的迁移与现代化 — 使用 Amazon Bedrock AgentCore 将 OpenClaw 从单机改造为多租户 Serverless 架构 第三篇

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。本篇为第三篇:Phase 1 — 部署基础设施,deploy.sh 脚本解析、CDK 部署 5 个基础 Stack(VPC / Security / Guardrails / AgentCore / Observability)及其创建的资源详解。

AI Agent 的迁移与现代化 — 使用 Amazon Bedrock AgentCore 将 OpenClaw 从单机改造为多租户 Serverless 架构 第二篇

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。本篇为第二篇:环境准备与代码获取,安装依赖工具、配置 AWS 环境、克隆项目代码、了解 cdk.json 配置项,以及初始化 CDK。

AI Agent 的迁移与现代化 — 使用 Amazon Bedrock AgentCore 将 OpenClaw 从单机改造为多租户 Serverless 架构 第一篇

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。本篇为第一篇:为什么要把 OpenClaw 从单机搬到 AWS,介绍背景动机、7R 迁移策略分析、数据迁移方案,以及部署架构全景。

Amazon Bedrock模型推理的Serverless 异步架构 – 处理在线多模态高负载案例

当大模型应用从纯文本扩展到图片、PDF 等多模态输入时,推理耗时长且不可预测、RPM/TPM限流频发成为生产落地的两大瓶颈。本文分享一套基于 Amazon SQS 与 AWS Lambda Serverless 异步架构,在 Amazon Bedrock之上串起缓冲、控速、重试与结果入库的完整管道,经多模型压测验证可稳定支撑高并发多模态负载,适用于内容审核、文档处理、合规审查及多 Agent 协作等场景。

一种基于Web访问的Kiro CLI 共享访问实现

KiroCLI凭借Agentic精确度,先进的模型能力和企业级应用案例等优势,成为了许多企业用户的首选AIOps工具。但企业员工在使用Kiro CLI的过程中,如何实现统一的管理,确保工具的使用安全与合规等,是摆在Ops团队面前的重要问题。同时,Kiro CLI本地运行还存在凭证管理复杂,权限控制复杂,企业网络出站访问配置等繁琐配置。Webaccess KiroCLI Platform提供了一种基于Web终端的TTY共享访问架构,基于Gotty+FastAPI+Vue的技术框架,实现TTY的浏览器转换,采用AWS IAM Identity Center实现SSO零凭证分发,并叠加合规日志,设备指纹,黑白名单等一系列的安全功能,让开发者和运维人员无需本地安装,即可通过浏览器使用完整的Kiro CLI能力。本文将详细介绍在北京/宁夏区部署Webaccess KiroCLI Platform的完整流程,包括环境准备、自动化部署、安全配置和生产优化。

当 OpenClaw 把自己搞崩了——用 Chaterm 排错并一键沉淀运维经验

OpenClaw 是当下火热的开源 AI Agent 平台,但其 Gateway 配置机制也带来了运维风险。本文通过一个真实案例——OpenClaw 在记忆系统改造过程中因配置错误导致 Gateway 崩溃——展示如何使用 Chaterm 的 AI Agent 模式高效完成排错,并通过一键 Skill 总结功能将排错经验沉淀为可复用的团队知识资产。

Apache SeaTunnel 创新加速 :AIDLC 方法论实践

这篇文章详细记录了这段实践经验。将在本文中核心讲述 (1)传统 SDLC:人驱动一切,AI 只是补全代码的工具;(2)AI-DLC:AI 是核心协作者,人做关键决策;(3)Apache Way:Community Over Code,集体共识决策。揭示出软件工程的重心正在从生产力向判断力迁移,而开源治理模型,可能是这条进化之路上最古老也最前沿的答案。