全部 AI 动态

用 Python 3.15 剖析 web-edit 性能：火焰图与源码热力图

Python 3.15 内置 `profiling.sampling` 对 web-edit 的性能分析显示，混合换行符保留处理主导繁忙编辑负载。`preserve_endings` 出现在 64.8% 的 CPU 栈中；95.1% 的栈来自 AnyIO 工作线程，仅采样主线程会遗漏这些数据。

Anthropic 如何重新设计源代码管理系统

Anthropic 因代码变更量激增而构建 Git 替代系统 Scion，由 7 人团队在 5 个月内完成迁移，并采用名为 Antique 的代码审查系统。其每日合并代码变更从 2026 年 5 月约 2,500 次增至 9 月超过 30,000 次，CI 每日约执行 25 million 次代码检出，朴素拉取方式将产生超过 600 PB 的每日 Git 流量。

如何用 Anchor Browser 与 AgentCore payments 构建可自主支付的 AI 智能体

Anchor Browser 集成 Amazon Bedrock AgentCore payments，让 AI 智能体在预算限制内自主支付并访问 x402 保护的网页和 API。

GitHub 的凭据检测模型如何发现更多真实凭据并减少误报

GitHub 解读其凭据扫描流水线，以正则筛选候选字符串，再由微调的 ModernBERT 结合上下文区分真实凭据与误报。相比此前的 LLM 流水线，同一公共流量上的离线评估精确率提高 13%、召回率提高 19%，客户 A/B 实验中按仓库所有者加权的接受率提高 11.5%。提交后扫描执行时间中位数降低 86%，服务成本降低超过 98%，效率提升使通用凭据检测能够扩展至推送保护。

如何使用托管授权管理 Amazon Bedrock 私有定价优惠

Amazon Bedrock 托管授权支持从中央账户订阅第三方 AI 模型并向组织分发访问权限，简化多账户私有定价优惠管理。轻量脚本适用于一次性激活，AWS CDK 自动化则通过事件驱动验证卖方、创建并激活分发授权。协商价格仅在授权激活后生效。

如何在 Amazon Bedrock 上用 Grok 4.7 构建长任务智能体

AWS 展示了在 Amazon Bedrock 上用 Grok 4.7 构建工具调用智能体的方法，比较不同推理档位的正确率与 token 消耗。故障诊断、维护排程和预算优化三项任务共运行 72 次，答对 67 次；xhigh 答对 18/18，low 答对 15/18，平均输出 token 分别为 9,147 和 1,184。

ShipStation Global 如何基于 Amazon Bedrock AgentCore 构建 AI IT 帮助台 Deckhand

ShipStation Global 基于 Amazon Bedrock AgentCore 构建 Slack IT 帮助台 Deckhand，前三个月的 1,221 次智能体对话中有 812 次在聊天内解决，409 次转为 Jira 工单。

Orca Security 如何使用 Amazon Bedrock 实现自然语言安全查询

Orca Security 与 AWS 合作，基于 Amazon Bedrock 构建 Discovery AI，将自然语言问题转为 Sonar 查询，相比初始基线查询成本降低 90%。该方案结合 RAG 与感知查询模式的构建流程，输入 token 减少 93%，延迟降低 75%。系统已部署，每天处理数千次查询，响应时间为 15 秒。

Google DeepMind 发布面向机器人的 Gemini 4 Argon，ERQA 得分 87%

Google DeepMind 发布 Gemini 4 Argon，面向机器人控制、Real2Sim、物理理解及自我改进，纯推理模式下 ERQA 得分为 87%。

Amazon SageMaker AI 上的 MoE 内核工程优化

Amazon SageMaker AI 上的 MoE 内核优化通过 Swap-AB 提高 H200 利用率，使大型 MoE 模型端到端输出吞吐量提升 2–4%。该优化已合入 vLLM，适用于 0.24.0 及后续版本。性能分析还显示，Hopper 上 FP8 张量量化模型使用 Triton 后端优于默认 FLASHINFER_CUTLASS 路径。

Geoffrey Huntley 用 pre-commit hook 约束 AI 智能体使用诊断库

Geoffrey Huntley 提出用 pre-commit hook 检查 git diff，阻止 AI 智能体直接调用可观测性模块、绕过指定诊断库。检查失败时拒绝提交，并注入提示词要求智能体使用诊断库；他指出，仅更新 AGENTS.md 仍会存在偏差并逐渐漂移。Simon Willison 引用了这一方法。

Anthropic 的动态工作流如何协调 Claude 智能体

Anthropic 的动态工作流让 Claude 自行规划任务并编写编排程序，负责启动智能体、收集结果和管理信息流。相比此前由开发者配置协调者与子智能体阵容的方式，开发者可在 Claude Console 中查看交互图和传递内容，也可传入预配置子智能体。股票观察列表扫描案例中，动态工作流成本高得多，但发现细节更有效；模型运行时不知道预算，开发者可设置会话预算，而工作流自我改进并非内置能力。

你好 Python 3.15，再见 Python 3.10：现在可以用上 Python 3.11 了

Python 3.15 已发布，Python 3.10 正式停止支持，Simon Willison 的开源项目因而可开始采用 Python 3.11 特性。3.15 新增显式延迟导入、推导式解包和标准库采样分析器 Tachyon。他已更新项目模板，测试范围覆盖 Python 3.11 至 Python 3.15。

如何在泰国、马来西亚、新加坡、印度尼西亚和台湾通过 Amazon Bedrock 全球跨区域推理访问 OpenAI GPT 模型

Amazon Bedrock 支持从泰国、马来西亚、新加坡、印度尼西亚和台湾通过全球跨区域推理访问 GPT-6 Sol 和 GPT-6 Luna，GPT-6 Astra 则支持从新加坡访问。调用可使用 Converse API 或 OpenAI 兼容 API；教程涵盖权限配置、配额管理和监控，计费与日志保留在源区域。

GitHub Copilot app 入门：如何让 Copilot 了解你的代码库

GitHub Copilot app 可通过自定义指令、智能体技能、自定义智能体和 MCP 服务器获取项目规范、执行流程及外部工具上下文。

推荐理由：按项目规范、重复流程、跨文件任务和外部工具区分四类配置，为把仓库知识转化为 Copilot 可用上下文提供了可迁移的方法。

如何使用 Ray LLM Deep Learning Containers 运行多节点推理工作负载

Ray LLM Deep Learning Containers 可在 Amazon EKS 的两个 GPU 节点上部署同一大语言模型，分离预填充与解码并提供统一的 OpenAI 兼容端点。容器集成 vLLM、NIXL 和 EFA，通过 YAML 配置服务，无需编写应用代码。

如何在 Amazon SageMaker AI 上使用 llama.cpp 部署决策模型

Amazon SageMaker AI 可通过 llama.cpp 部署量化决策模型，并用 SemIf 扩展返回指定选项的概率，无需生成答案 token。部署支持 CPU 或 GPU；Qwen3.5-4B 在 231 项 JevBench 任务中，GPU 配置准确率为 77.9%，p95 延迟为 0.599 seconds。

Hermes Agent 本地 AI 实测：学习过程令人兴奋，也让人困惑和挫败

Antonio G. Di Benedetto 在配备 256GB 统一内存的 M5 Ultra Mac Studio 上实测 Hermes Agent 与 Qwen 3.8 Flash Next，本地 AI 已能完成部分杂务，但运行并不总是可靠。

Standard Bots 如何构建可靠执行的 AI：工业机器人实践启示

Standard Bots 通过聚焦短时程任务、结合学习模型与传统编程，并在本地运行推理，满足工业机器人的节拍与可靠性要求。在高混合制造的机床上下料场景中，模型负责定位和识别零件，传统程序负责运动与工作单元逻辑；模型在云端训练，并利用真实部署中的失败信号和人工纠正改进边界案例，但隔离网络客户的数据不会回传。

Asana 使用 GPT-6.1 Sol，在浏览器测试中将模型成本降低 76 倍

Asana 使用 Codex 中的 GPT-6 Astra，使浏览器智能体在测试中实现 76x 的成本优化和 5x 的提速。此举旨在向客户提供能力更强的模型；原标题提及 GPT-6.1 Sol，正文则使用 GPT-6 Astra，型号表述不一致。

Postman 如何在 Amazon Bedrock 上为 4000 万开发者运行 Agent Mode

Postman 在 Amazon Bedrock 上运行面向 4000 万开发者的 Agent Mode，通过动态工具选择、结构化查询和专用上下文处理支撑生产运行。

Ai2 GPU 集群调度：优先支持高影响力研究并保持满占用

Ai2 用包含 GPU 时间预算、分层公平份额分配和时间切片约定的系统替代优先级调度器，将研究项目的算力分配转为透明的预算流程。其集群服务约 150 名内部研究人员，GPU 请求量达到可用资源的 2-3x。新方案按 GPU 时间而非固定 GPU 分配资源，旨在优先支持高影响力研究，同时保持满占用。

Simon Willison 如何用 Codex 语音模式构建博客 Newsletters 页面

Simon Willison 用 ChatGPT 桌面应用中 Codex 的语音模式，在做晚饭时用约半小时构建了博客 Newsletters 功能的大部分代码。

Sophos 借助 OpenAI Daybreak 将网络威胁调查时间缩短 96%

Sophos 使用 OpenAI 的 Daybreak，将网络威胁调查时间缩短 96%，并自动化处理 52% 的 MDR 案例。在实现这些调查提速和案例自动化的同时，Sophos 仍保留人工监督。

LegalOn 将 Codex 成本减半，同时保持开发速度

LegalOn 将预估的 Codex 每日成本降低了 65%，同时保持开发速度不变。其做法是将 Astra、Sol 和 Luna 与任务相匹配，并策略性地管理预算。

用 ML-intern 制作原本不存在的模型：6 个定制模型实践

Hugging Face 展示了使用 HuggingChat 中的 ML-intern 制作 6 个定制模型的实践，CPU 和 GPU 作业费用合计约 USD 103。

推荐理由：将训练前基线、短程试跑检查和预算上限写进任务提示词，为把模型定制交给智能体提供了可迁移的实验与成本控制方法。

走进 Omniverse：开发者如何用前沿 AI 智能体将创意变为仿真应用

开发者将 GPT-6 Astra 等前沿 AI 模型与 NVIDIA Omniverse 库结合，通过自然语言指令构建并迭代仿真应用。案例涵盖仓库人形机器人、自动驾驶测试和数字孪生，Omniverse 提供 GPU 加速的物理、渲染与传感器仿真。在 Robo Olympics 实验中，机器人在 100 次仿真试验中成功跨越单个栏架 64 次。

BlockRun 与 Incarna 如何使用 Amazon Bedrock AgentCore payments 实现按次推理付费

Incarna 使用 Amazon Bedrock AgentCore payments，让 AI 智能体通过 x402 向 BlockRun 按次购买模型推理，并在基础设施层执行支出限制。

如何使用 Amazon SageMaker HyperPod 实现跨团队 GPU 集群共享、隔离与公平分配

Amazon SageMaker HyperPod 多租户参考架构让多个团队共享同一 EKS 集群，同时保持工作负载隔离与资源公平分配。架构通过集中身份认证、团队专属 SageMaker AI 域和 Kubernetes 命名空间控制访问，借助 HyperPod Task Governance 管理配额与调度优先级，并按命名空间归集成本。

Oracle 如何借助 ChatGPT 和 Codex 将数天工作缩短至几分钟

Oracle 借助 ChatGPT 和 Codex，将原本需要数天的工作缩短至几分钟。在招聘、工程和运营领域，Oracle 使用 ChatGPT Work 和 Codex，将专业知识转化为快速、可重复的工作流程。

重新思考 Amazon Quick 与 Amazon Bedrock 的 RAG 访问控制

Amazon Quick 与 Amazon Bedrock Knowledge Bases 在查询时向权威数据源实时核验权限，降低 RAG 使用过期权限的风险。系统先用索引中存储的 ACL 筛选候选文档，再调用数据源 API 验证，仅将用户获授权的文档片段传给大语言模型，兼顾检索效率与安全。

Cornerstone OnDemand 如何借助 Amazon Bedrock 将数据库诊断时间缩短 78%

Cornerstone OnDemand 基于 Amazon Bedrock 和 Strands Agents 构建 Orion AI，将数据库诊断时间从 45 分钟降至 10 分钟，缩短 78%。

AWS 培养 AI 构建者：弥合 AI 知识与实践能力差距的行动指南

AWS 通过为期六周的结构化实践项目，将非工程背景业务人员与导师及生产级工具配对，帮助他们构建 AI 原型。参与者每周投入约四小时，项目数据显示，分阶段学习者保留的实践技能是密集两天培训者的三倍。四名无工程背景的参与者构建了多智能体财务顾问工具 WealthWise，并获得第一名。

如何在 AWS DevOps Agent 完成调查后自动化修复

AWS DevOps Agent 调查后的自动化修复方案利用 AWS Lambda Durable Functions、Amazon EventBridge 和 Amazon Bedrock，将调查结果转为待审批的修复操作。工作流仅调用获准的工具，只读操作自动执行，基础设施变更须经人工批准；等待审批时暂停执行且不消耗计算资源。

Qlik 如何借助 Amazon Bedrock 构建有据可依的企业级规模 AI

Qlik 基于 Amazon Bedrock 构建 Qlik Answers，通过分层架构与专业 AI 智能体提供有来源、可验证的企业问答。系统结合结构化分析与文档检索，并用 Amazon Bedrock Guardrails 过滤内容、验证答案依据。模型尚未在所需区域可用时，以 Amazon SageMaker AI 承载。

AWS 解读如何超越节省工时，为智能体自动化建立商业论证

AWS 提出 Agentic Value Model，从时间节省、异常处理、决策质量及变化适应与维护经济性四个维度核算智能体自动化价值。各项收益需明确兑现机制和责任人，避免把释放工时直接当作现金节省或重复计入收益，并扣除实施、运行、评估、监督及新增错误等成本。框架还按任务复杂度与决策风险确定工作流优先级，建议保留适当人工监督，并以明确的盈亏平衡目标和停止投入条件分阶段投资。

推荐理由：将释放工时与实际财务收益分开核算，并为各价值池设置兑现比例和责任人，可迁移到企业智能体项目的投资论证中。

Michael Lynch 谈软件博客写作中的反模式

Michael Lynch 提醒软件博客作者避免冗长开场、误判读者知识水平、假设读者读过旧文，以及过度正式的表达。术语应直接解释，不要依赖链接代替说明。越来越多开发者把写作交给 AI，软件博客正变得平淡同质化，作者应像说话一样写作，保留个人风格。

Jump Trading 如何借助 ChatGPT 扩大量化研究规模

Jump Trading 借助 OpenAI 的 ChatGPT 扩大量化研究规模，将运行时间更长的 AI 工作流用于研究。其做法结合多个数据来源与人工审核，让 AI 工作流与人工审核共同参与量化研究过程。

如何用 AgentCore 和 OpenClaw 构建具有上下文记忆的 AI 助手

Amazon 团队以园艺助手 Sprout 为例，演示如何用 Amazon Bedrock AgentCore 与 OpenClaw 构建持续积累用户上下文的无服务器 AI 助手。

如何用 Parseable 配合 Datasette 处理 OpenTelemetry 追踪数据

Simon Willison 借助 Codex 跑通了 Parseable 接收 Datasette 的 OpenTelemetry 追踪数据的流程，并记录了有效配置方法。Datasette 1.0a41 已加入 OpenTelemetry 支持；Parseable 提供 AGPL 开源 Rust 实现、带额外功能的企业版及云托管选项。

如何使用 Amazon Bedrock AgentCore、托管知识库和 Nova Sonic 构建语音旅行礼宾助手

AWS 展示如何用 Amazon Bedrock AgentCore、Knowledge Bases 和 Nova Sonic 为航空应用构建语音旅行礼宾助手。方案以 Amazon Nova 2.5 Sonic 处理实时语音，通过 MCP 连接后端工具，并依据航空政策文档回答问题。旅客可语音查询行程、更换座位、更新餐食偏好或转接人工客服。

Amazon SageMaker HyperPod 管理与治理最佳实践

Amazon SageMaker HyperPod 管理与治理最佳实践通过组织、项目、集群和工作负载四层控制，规范多团队共享计算资源。SageMaker Unified Studio 可将现有集群连接到项目，但不能替代集群权限与调度控制。建议集中管理集群容量，通过租户隔离、配额和优先级策略治理访问与资源分配。

负责任的 AI 治理：AWS 如何帮助客户对齐 ISO/IEC 42005:2025

AWS 通过治理工具与实施指南，帮助客户对齐 ISO/IEC 42005:2025，将 AI 系统影响评估纳入企业风险管理。该标准涵盖评估内容、执行、记录及持续复审，并提供整合既有评估流程或独立实施的模板，以减少重复审查。

GLM 5.3 上线 Amazon Bedrock

智谱 GLM 5.3 已上线 Amazon Bedrock，符合条件的企业客户可通过全托管 API 使用，无需管理推理基础设施。该模型为 753B 参数的 MoE，面向编程和长程 AI 智能体任务，智谱公布的 CyberGym 得分为 84.5。平台支持跨区域推理、提示词缓存及兼容 OpenAI 的 API，缓存可降低延迟和输入成本。

使用 Amazon Bedrock AgentCore 评估多智能体系统的可解释性与有用性

Amazon Bedrock AgentCore Evaluations 可结合内置与自定义评估器，评估多智能体系统的有用性、任务成功率与可解释性。供应链示例通过自定义评估器检查业务约束、路线可行性及决策依据，并支持按需测试与在线生产监控。

Amazon Quick 用户角色降级指南

Amazon Quick 用户角色可通过删除后重建或 AWS CLI 分步降级，解决控制台无法将 Admin 或 Author 直接降为 Reader 的限制。CLI 路径为 Admin > Author > Restricted Reader > Reader；删除用户前需转移其资产所有权，避免资源无人管理或业务中断。

LangChain 与 Amazon Bedrock Knowledge Bases 的智能体检索实践

Amazon Bedrock Knowledge Bases 支持通过 LangChain 使用智能体检索，将复杂问题拆成子查询，并在证据不足时再次搜索。教程对比标准检索与智能体检索，演示知识库搭建、查询及规划轨迹读取，并讨论两种路径的成本与适用场景。

如何让 Amazon Quick 满足企业需求：自动化、可审计的跨账户资源迁移

Amazon Quick 可借助运行于 Amazon Bedrock AgentCore 的示例 MCP 服务器，实现自动化、可审计的跨账户资源迁移。该方案支持重复运行、权限复制和只读预览，更新前将版本化备份写入 Amazon S3；源码可在 aws-samples 获取。连接器需在目标账户重新认证，知识库文档不会随迁移复制。

如何用 Claude Code 和 Amazon Bedrock 加速受监管工作负载的开发

Claude Code 可通过 Amazon Bedrock 为受监管工作负载提供 AI 辅助开发。AWS GovCloud (US) 已提供 Claude Opus 5.5 和 Claude Sonnet 5.5，支持这一方案；组织仍需依据自身合规要求和适用监管义务评估其适用性。

GPT-6 系列模型选用指南

GPT-6 系列模型指南面向初创企业，说明如何选择模型、调整推理力度，并为工作流投入生产做好准备。指南还涵盖提示词与技能优化，以及工具之间的协调。

如何用 Amazon Quick 与 Adjudicated Query 模式批量检查数千份租约合规性

AWS 展示如何用 Amazon Quick 与 Adjudicated Query 模式检查租约合规性，由确定性规则引擎裁决，模型只转换问题并叙述结果。架构通过固定的 6 个 MCP 工具限制操作范围，以完整性回执核对合规、违规、模糊和不可读记录总数，并在 Amazon Quick Sight 展示全量结果与证据链。

如何使用 Amazon Bedrock AgentCore 为 Claude Desktop 添加安全的 Web Search

Claude Desktop 可通过 Amazon Bedrock AgentCore Gateway 接入 Web Search，并以 JWT 身份验证保护通信。Web Search 兼容 MCP，查询流量留在 AWS 基础设施内，无需外部 API 密钥。配置使用 AWS IAM Identity Center 和 Amazon Cognito 构建认证链。

AI 正在改变开发者工作：值得强化的三项技能

AI 正在改变开发者的工作方式，开发者需强化指挥 AI、审查输出和解决更大问题的能力。GitHub Copilot 内置的 Rubber Duck 智能体使用第二个模型审查计划、代码和测试。随着 AI 承担更多实现工作，开发者仍需判断客户需求、架构权衡及方案是否可交付。

Airbnb 的由内而外 AI 转型：重构研发流程与住客体验

Airbnb CTO Ahmad Al-Dahle 在访谈中介绍了由内而外的 AI 转型，先用 AI 加速内部研发，再将相关能力用于用户服务。公司称 60% 的代码由 AI 编写，功能与改进交付量同比增加近 80%，平均工程师的 PR 吞吐量提升约 1.6x；内部上下文图 Everest 帮助团队复用开发经验，AI 则独立解决约一半客服工单。

GitHub Copilot app 入门：如何用 canvases 构建自定义工作流

GitHub Copilot app 可通过 /create-canvas 技能，根据自然语言描述生成用户与 AI 智能体共享的自定义界面。创建时需说明工作流、用户可执行的操作及智能体可执行的操作，生成后可继续调整，并保存为项目共享或个人扩展。画布支持双方同步修改共享状态，无需单独发送或同步；也可从 Awesome Copilot 安装现成画布扩展后再定制。

推荐理由：把工作流、用户操作和智能体操作分别写进需求描述，是文中可迁移的界面定制方法，也便于后续逐步调整画布。