AWS Quick 如何用 AI-PDLC 六智能体加速产品开发
AWS Quick 推出 AI-PDLC 框架,用六个专用智能体覆盖产品开发前四个阶段,由 Orchestrator 统一调度,每个环节都设人工审批关卡。Discovery 智能体按严重度和频率为痛点打分生成 Pain Point Board,Prioritize 智能体用 0–10 分双框架评估用例优先级。
AWS Quick 推出 AI-PDLC 框架,用六个专用智能体覆盖产品开发前四个阶段,由 Orchestrator 统一调度,每个环节都设人工审批关卡。Discovery 智能体按严重度和频率为痛点打分生成 Pain Point Board,Prioritize 智能体用 0–10 分双框架评估用例优先级。
Amazon Bedrock AgentCore 的 Web Search API 现已可用,通过单次 API 调用返回带标题、URL、发布日期和摘录的实时网页结果,查询由 AWS 自有索引处理、不经过第三方搜索引擎。
Amazon Bedrock AgentCore Evaluations 提供内置、DeepEval 和 AutoEval 三类评估器,内置评估器由 AWS 编写并经过质量测试,共 16 个,涵盖响应质量、任务完成、工具使用、技能和安全五组。
AWS 发布 Amazon Bedrock 调用日志可观测性数据湖方案,通过 CloudWatch 订阅过滤器将多账号调用日志汇聚到中心账号,经 Data Firehose 转为 Parquet 存入 S3,并用 Athena 统一查询。
CrossnoKaye 基于 Amazon Bedrock AgentCore 构建工业物理 AI 系统 AURA,与其软件定义自动化平台 ATLAS 打通,覆盖 100 多个工业设施和 13,000 台受控设备。
AWS 提出 Pluggable Agentic AI Framework,一套面向多智能体应用、分为七层的可组合企业级参考架构,用于把智能体从原型推进到生产规模。
GitHub 单周提交量突破 12 亿次,同比增长超 400%,超过 2025 年全年总量。Faros AI 研究显示,团队从低 AI 采用率升至高位后,pull request 的评审停留时间延长了 441%。
AWS Quick 团队提出一套智能体原语分类体系,用 When、What、Who、How 四个问题拆解智能体工作,对应触发器、智能体与能力三层结构。触发器分为人工发起、智能体委派、定时和事件驱动四类;智能体被定义为持久、可学习的行为主体,由指令、能力和学习上下文构成。能力涵盖工具、技能和工作流,按智能体自主程度从完全自主到完全确定性排列。
示例项目 sample-remote-coding-agent 展示了如何把 Claude Code 作为远程智能体运行在 Amazon Bedrock AgentCore 上,每个任务在独立 AgentCore runtime 会话的 microVM 中执行,最终返回 GitHub pull request 供审阅合并。
Okta Cross App Access(XAA)与 Amazon Bedrock AgentCore 组合,可在 IdP 中管控 AI 智能体代表哪个用户在哪个应用内操作。
在 Amazon Bedrock AgentCore 上,AgentCore Gateway 成为智能体访问 MCP 工具的唯一入口,由 Gateway 统一兑换 Okta Cross App Access 的授权,智能体角色不再持有 token 交换权限和密钥。
亚马逊 NASC 团队在 Amazon ECS Fargate 上构建了无服务器 MCP server,作为 AI 智能体访问企业数据湖的集中式网关,新增数据集只需一个 JSON 元数据文件,无需编写集成代码。
Amazon Marketplace 用 Vision-Language Model 将完整 A+ Content 页面渲染为单张快照做整体质量评估,再把 VLM 语义评分与 OCR 可读性信号输入基于专家标注训练的 CatBoost 分类器,并用 SHAP 解释评分、生成改进建议。
NVIDIA 通过全栈协同设计缓解 AI 工厂的 GPU 内存压力:从 Blackwell Ultra 到 Vera Rubin 平台,单 GPU 的 HBM 容量仅提升约 3%,但 SemiAnalysis AgentX 上的智能体吞吐每美元最高提升 30 倍。
Amazon Bedrock AgentCore Evaluations 可通过代码型评估器接入决策模型,把评估输入转换为决策模型请求、再把概率还原为评估结果。
U Mobile 基于 Amazon Bedrock AgentCore 构建了 AI-Driven Agentic Helpdesk(AiDaH),一年内覆盖六个业务部门的 150 多个运营场景,关键类别工单量最多下降 84.5%。平台采用六层架构,通过 Microsoft Teams 接入,2026 年 Q3 面向 50 名 L2 呼叫中心与门店用户上线,共 8 个智能体。
Indegene 在 AWS 上的 NEXT Unified Data Platform(NEXT UDP)中构建了由 LLM 驱动的 Data Quality Agent,可生成上下文感知的数据质量规则、完成校验并输出可直接运行的 SQL 和 Python 代码,且处于集中式 human-in-the-loop 治理之下。
AWS 博客以开源多智能体数据分析方案 Deep Insight 为参考实现,拆解生产级 AI 智能体的四层上下文工程:架构层用多智能体隔离上下文、提示词层限制输出、工具层把内容外置到文件系统、验证层用独立智能体与兜底机制把关。
Cartesia 基于自研 State Space Model(SSM)架构的 Sonic 文本转语音与 Ink 语音转文字模型,在 AWS 上实现低于 100ms 的首字节延迟。Sonic 首音频字节约 90ms,支持 44 种以上语言、10 秒音频样本克隆音色;Ink 原生支持对话轮次检测与流式转写。两者面向实时语音智能体,可在 AWS 上部署以满足数据主权与合规需求。
文章演示如何用 EDB Postgres AI 在 Postgres 数据库内构建语义层,并让运行在 Amazon Bedrock AgentCore 上的 Strands Agents 智能体通过 MCP 端点查询该层回答 C360 问题。
Amazon Bedrock AgentCore Gateway 可配置 on-behalf-of(OBO)token 交换,让 AI 智能体调用 ServiceNow REST API 时保留发起用户的身份。
Hugging Face 提出 transformers-mic 模型集成契约(MIC)标准,用缩小版 fixture 模型在 CPU 上运行快速集成测试,在 PR 阶段拦截回归。
OpenAI 构建了 Git 兼容后端 Pando,用于支撑 Codex 带来的开发规模。该后端面向大规模开发场景设计,具体性能数据与开放情况原文未披露。
基于 Amazon Bedrock AgentCore、Amazon Nova Multimodal Embeddings 和开源 Strands Agents SDK,可构建多智能体工程助手,自动完成零件替代评估中的跨文档比对。
AWS 介绍如何用序列级知识蒸馏(SeqKD)在 Amazon SageMaker AI 上微调购物智能体:由前沿教师模型生成多步工具调用轨迹,仅保留能完成任务的成功轨迹,再用监督微调训练小模型,无需教师 logits 或强化学习基础设施,闭源或仅 API 可用的教师模型同样适用。
针对需要精细控制网页内容的场景,可用开源 Python 爬虫 Crawl4AI 为 Amazon Bedrock Knowledge Bases 做自定义预处理:将每页 Markdown 与元数据 sidecar 写入 Amazon S3,再经 S3 数据源导入知识库。
AWS 提出用五步闭环管理 Amazon Bedrock 生成式 AI 成本:归因、可观测、预算强制、平台默认优化与定期复盘。Amazon Bedrock 可将推理成本自动归因到发起调用的 IAM 主体,调用方 ARN 写入 CUR 2.0 的 line_item_iam_principal 列,覆盖 IAM 用户、角色、联合身份与 API key。
Amazon Bedrock AgentCore runtime 新增 Session endpoints,可为每个会话提供带鉴权的 URL,把允许端口上的 HTTP 与 WebSocket 请求转发到浏览器,让编码智能体改完文件后网页即时刷新。
NVIDIA 员工用 Nemotron Voice Agent 搭建了万圣节互动装置 MonsterHouse,让车库门以暴躁老海盗船的嗓音与讨糖孩子对话。
ChatGPT 桌面应用现已在 AWS GovCloud (US) 的 Amazon Bedrock 上线,通过 Work 和 Codex 两个组件访问 OpenAI 前沿模型。
Worldwide Express 基于 Amazon Bedrock 构建多智能体 AI 方案并接入其运输管理系统 SpeedShip,上线六个月后活跃异常减少 75%、回款周期缩短 4 周、年节省 100 万美元,并带来一次性 1000 万美元自由现金流。
AWS 博客介绍如何用 AI IDE Kiro 把 PHP 到 Java 迁移做成可重复流程,核心是一套共享技能文件、一个发现扫描器和八阶段工作流。扫描器 discover-models.php 以单文件、无依赖方式读取源码 token,输出包含字段、类型转换和关系的 JSON 清单,并把歧义项放入人工复核队列。
Epsilon 基于 Amazon Nova Act 与 Amazon Bedrock AgentCore Browser,把意图驱动的 UI 测试做成多租户平台服务,叠加在原有 Playwright 回归套件之上。
MoEngage 借助 Amazon Bedrock AgentCore Gateway,把约 400 个 VPC 私有 REST API 转成权限受控的智能体工具,节省约六个月平台工程投入,新 API 接入从数天缩短到数小时。该方案放弃为 25 个团队各建 MCP server 的做法,由 AI 平台团队统一维护 MCP 层,团队只需提供 OpenAPI spec,全程无公网端点。
基于 Amazon Nova Act 构建的 QA Studio 新增应用(applications)与团队用户管理两项能力,用于在组织内规模化扩展智能体 QA 自动化。
AWS 发布 Ray Train 深度学习容器(DLC),预集成 Ray 2.58.0、PyTorch 2.13.0、CUDA 13.0.2、NCCL 2.29.7 与 EFA 网络栈,镜像公开于 Amazon ECR Public,无需自行构建。
AWS 发布基于 Amazon Bedrock AgentCore 的 Enterprise Agentic AI Platform Blueprint,以可部署的基础设施即代码形式补上所有权、账户边界、可观测性与成本治理等企业级契约。
Exowatt 基于 Amazon SageMaker AI 无服务器模型定制,用 Qwen3-1.7B 和 Qwen3-14B 分别构建边缘告警分诊与云端能源市场分析模型,精度超过前沿模型,成本最高降低 49 倍。该流程通过 LoRA 与 SFT 微调,配合 SageMaker 无服务器评估和 Model Registry,将原始运营数据到可部署模型的周期从数月缩短到数天。
Property Finder 发现其评估标签中 96.8% 直接来自现有视觉语言模型的预测而非人工核验,导致任何替代模型在对比中天然处于劣势。团队重新人工标注 356 张 UAE 图像,将单标签改为多标签分类,并通过 v0 到 v27 的提示词优化循环在 Amazon Bedrock 上选型,最终实现准确率提升且成本降低 86%。
OpenAI 工程师借助 Codex Ultrafast 将事故调查时间从数小时压缩到数分钟。该工具还用于加速安全分析与代码重构,并融入日常开发工作流。