11月3日 · 周二AWS 演示如何使用 Amazon Nova Multimodal Embeddings、Amazon Bedrock AgentCore 和开源 Strands Agents SDK 构建多智能体工程助手，自动汇集航空零部件替代证据并起草评估文档。
推荐理由：教程提供多智能体工程助手的完整架构、代码、部署与评测方法，并明确划分模型、确定性代码和人工决策的职责。
AWS 展示了如何用 sequence-level knowledge distillation（SeqKD）在 Amazon SageMaker AI 上训练 Qwen3.5-4B 购物智能体。
推荐理由：教程完整拆解了轨迹生成、蒸馏训练、评测与部署，并量化推理保留及通用能力变化，便于迁移到其他智能体优化任务。
Amazon Bedrock AgentCore runtime 的 Session endpoints 可让编码智能体在会话内持续运行 Web 应用，并从浏览器实时查看修改。
推荐理由：教程完整演示了通过 Session endpoint 预览编码智能体实时修改的 Vite 网站，并说明端口白名单、鉴权与请求转发机制。
NVIDIA 工程师用 Nemotron Voice Agent、Bolt E4B 4GB、Magpie TTS Zeroshot 和 Audio2Face-3D 构建了可与万圣节访客对话的 MonsterHouse，并在一台工作站上运行。
推荐理由：文章完整拆解了本地语音智能体的模型选择、LoRA 训练、动画协同与延迟优化方法。
AWS 介绍了 NVIDIA Nemotron 3.5 Super VL 在 Amazon EKS、EKS Auto Mode 和 SageMaker HyperPod EKS 上的部署及性能评估方法。
推荐理由：文章提供从集群配置、模型部署到性能测试的完整路径，并用吞吐和延迟指标说明如何规划推理容量。
AWS 介绍了基于 Amazon Bedrock AgentCore 的企业级智能体 AI 平台架构与参考实现，采用集中治理、团队自治的联邦模式。
推荐理由：文章以联邦式多账户架构和可部署蓝图讲解企业智能体平台，适合借鉴其中的权限边界、评测门禁与发布治理设计。
Property Finder 发现其 96.8% 的评测标签直接继承自现有模型预测，随后用专家标注重建 ground truth，并通过进化式提示词优化选择 Llama 4 Maverick 17B Instruct。
推荐理由：案例完整呈现了从标签审计、专家标注到提示词迭代的评测流程，并公开了失败尝试与成本收益。
AWS 教程用单一 AWS CDK 应用构建基于 Managed Amazon Bedrock Knowledge Base 与 Amazon Bedrock AgentCore 的企业智能体检索系统。
推荐理由：文章提供可部署的 AWS CDK 示例，完整呈现智能体检索、跨知识库路由、可观测性与持续评测的落地路径。
Anthropic 表示，采用按需加载上下文和技能的单智能体，常能在质量、成本与延迟方面优于多智能体架构，Opus 4.5、Opus 5.5 和 Fable 5.1 已能直接处理复杂计划。
推荐理由：文章汇总 Anthropic 的企业实践与迁移方法，说明单智能体在质量、成本和延迟方面与多智能体架构的差异。
Amazon SageMaker AI 通过多轮强化学习训练 gpt-oss-20b，在 Wordle 留出词集上的解答率从 61% 提升至 84%，训练 token 成本约 $339，AgentCore 运行时费用约 $79。
推荐理由：教程以 Wordle 完整演示多轮强化学习，并给出奖励设计、故障排查和服务端评测方法。
Bayer Crop Science 在 Amazon Bedrock AgentCore 上构建了面向 Connected Decision Engine 的多智能体自然语言入口 Agentic Decision Engine，生产环境运行 22 个专业智能体和约 20 个 API 工具。
推荐理由：文章拆解了多智能体决策引擎的架构与五项关键设计，并给出生产可观测性、成本归因和安全治理方法。
AWS 教程将 Kokoro-82M 部署为 Amazon SageMaker AI 实时端点，并通过实测 Q_max 和 T_total 推导自动扩缩容阈值与冷却时间。
推荐理由：文章用完整实测展示如何从并发上限和扩容耗时推导自动扩缩容参数，并提供可复用的部署与验证命令链。
AWS Solutions Architecture 团队开源多智能体系统 Deep Insight，给出生产部署的架构参考：基于 Strands Agents SDK 的 Graph 模式定义执行顺序并实现人在环路分支。
推荐理由：以 Deep Insight 为例拆解多智能体系统在执行流控制、模型选型、安全代码沙箱和生产可观测性上的工程取舍，可以作为同类系统上线时的架构参考。
NVIDIA 与华盛顿大学蛋白质设计研究所共同开发了 BioNeMo 开源模型 RFD4-Proteina，用于联合生成蛋白质序列和全原子结构。
推荐理由：文章从浏览器体验延伸到命令行、Python 和 Diffusers，并给出环境、输入与复现记录，完整呈现可复用的蛋白设计流程。
AWS Agent Registry 可通过混合关键词与语义搜索，让编排型智能体在运行时发现已批准的 MCP 服务器和 A2A 智能体，而非将全部工具硬编码进上下文。
推荐理由：文章提供完整的运行时发现示例与代码，可用于理解如何在审批、搜索和独立认证约束下扩展智能体工具目录。
在 AWS 上使用 AtScale 和 Amazon Bedrock AgentCore 构建智能体 AI 语义层，示例以 AtScale C2026.7 为基础。
推荐理由：文章完整拆解语义模型、智能体查询、身份传播与部署流程，并给出跨角色和 BI 的一致性验证方法。
本文演示如何用 Strategy Mosaic 为 Amazon Redshift 和 Amazon Aurora 构建 Customer 360 语义层，并通过 Amazon Bedrock AgentCore 托管 Strands 智能体连接 Mosaic MCP endpoint。
推荐理由：教程完整演示了语义建模、跨源查询、身份权限和多接口复用，可为智能体分析系统的落地提供架构参考。