亚马逊AWS官方博客

构建 AI 驱动的 EKS 集群健康诊断 SaaS 平台 – 从静态规则到 MCP Agent 自主分析

本文介绍了一个面向 Amazon EKS 用户的 AI 驱动集群健康诊断 SaaS 平台，该平台通过”确定性规则 + AI 关联分析 + MCP Agent 自主诊断”三层架构，实现从静态规则检查到 AI Agent 按需实时采集集群数据的智能化运维诊断，帮助用户快速定位集群配置风险并获得可执行的修复建议。

从一键部署到 AI 洞察：基于 Serverless 架构与 LLM 的压测与分析平台 Load Testing Pilot

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。

用 Kiro 构建行业专业软件：从需求到交付的地震多次波压制工具实践

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。

MTP 加速推理最佳实践：在亚马逊云科技中国区使用 llama.cpp 部署 Qwen3.6 的实测指南

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。

使用 Pub/Sub 逻辑复制实现 Aurora PostgreSQL 大版本近零停机升级

Amazon Aurora PostgreSQL 大版本升级有多种方案可供选择。本文聚焦于手动蓝绿部署（Clone + 原生 Pub/Sub）方案，深入介绍如何利用 PostgreSQL 原生逻辑复制能力，以分钟级停机时间完成 Aurora PostgreSQL 大版本升级。
文中以 PostgreSQL 13 升级至 PostgreSQL 17 为例进行说明，相同步骤适用于其他 Aurora PostgreSQL 大版本升级组合（如 PG11→PG15、PG14→PG17 等）。本文还重点讲解针对高写入量表的并行订阅任务拆分技巧，以及完整的回滚保障机制。

基于 Amazon Bedrock 的 Apache SeaTunnel AI CLI 模型评测：从配置生成到真实执行

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。

← Older posts
Newer posts →