AI 与科技

发生了什么

Amazon SageMaker Feature Store 近日宣布推出两个新的 API。

BatchWriteRecord 允许用户在单次调用中跨多个特征组写入最多 25 条记录，简化批量数据写入流程。

ListRecords 则用于枚举特征组内的记录标识符，帮助用户发现和管理记录。

为什么重要

这一更新减少了批量写入时的多次调用开销，提升了特征工程效率。

通过 ListRecords，用户能更直观地了解特征组中已有哪些记录，便于数据审计和调试。

这些 API 降低了特征存储的日常操作复杂度，有助于构建更健壮的机器学习流水线。

关键事实

Amazon SageMaker Feature Store 新增 BatchWriteRecord API，单次调用可跨多个特征组写入最多 25 条记录。

新增 ListRecords API，用于枚举特征组内的记录标识符。

相关博客提供了每个 API 的代码示例，帮助用户快速上手。

接下来看什么

后续可关注这些 API 在更大规模特征更新场景下的表现。

社区可能会围绕这些 API 开发更多工具和最佳实践。

用户应留意 AWS 官方文档中关于使用限制的进一步说明。

来源

• AWS Machine Learning

发生了什么

迪卡侬作为全球最大的体育用品零售商之一，一直需要对多个大洲的数万种产品进行每周需求预测。

为了提升预测效率，迪卡侬在AWS上部署了Chronos-2模型，成功将预测准确率提高了11到15个百分点。

通过使用仅配备CPU的实例，迪卡侬将每周推理的运行成本控制在约0.03美元，同时显著简化了运营流程。

为什么重要

这一案例展示了像Chronos-2这样的时间序列模型在实际商业场景中的潜力，说明企业可以在不依赖昂贵硬件的情况下获得显著的预测精度提升。

通过降低运营复杂性和成本，中小型零售商也可能效仿此做法，将先进的AI预测技术应用于自身业务，从而优化库存管理和供应链决策。

关键事实

迪卡侬是全球最大的体育用品零售商之一。

该公司在多个大洲对数万种产品进行每周需求预测。

迪卡侬在AWS上部署了Chronos-2模型。

预测准确率提升了11至15个百分点。

每周推理使用CPU-only实例，成本约为0.03美元。

接下来看什么

未来，类似Chronos-2的模型可能会被整合到更多零售巨头的预测系统中，进一步推动AI在供应链管理中的应用。

随着成本降低，更多中小企业也有机会采用这类高精度预测工具，从而改变行业竞争格局。

来源

• AWS Machine Learning

发生了什么

Salesforce通过Amazon SageMaker AI推理组件的放置功能，即SchedulingConfig参数，将模型副本分散到多个可用区。

此举旨在满足其多可用区高可用合规要求，同时避免了牺牲多模型共置带来的成本优势。

为什么重要

这一方案表明，企业可以在不增加成本的前提下达成高可用性目标，通过推理组件级别的精细控制实现合规与效率的平衡。

对于依赖多模型共置以降低成本、又必须满足严格可用性要求的组织，这是一个值得参考的实践路径。

关键事实

Salesforce使用了Amazon SageMaker AI推理组件的SchedulingConfig参数。

该参数用于将模型副本分布到多个可用区。

此举满足了Salesforce的Multi-AZ高可用合规要求。

此方法保留了多模型共置的成本效率。

接下来看什么

这种通过推理组件放置来实现高可用的方式，未来可能被更多企业采纳，并推动SageMaker相关功能的进一步优化。

来源

• AWS Machine Learning

发生了什么

Amazon Bedrock AgentCore Evaluations 将智能体评估与构建所用的框架解耦。

只要智能体能发出 OpenTelemetry 遥测数据，服务就能对其进行评分。

该服务支持 LangGraph、LlamaIndex、OpenAI Agents SDK、Google ADK、Claude Agent SDK 和 Strands Agents 等框架。

为什么重要

开发者可以在不同智能体框架之间自由选择，而评估工作不会受框架束缚。

统一的遥测契约有望简化评估流程，让跨框架对比更加直接。

关键事实

评估不依赖特定智能体框架。

智能体需要输出 OpenTelemetry 遥测数据。

官方列举了六个受支持的框架。

接下来看什么

后续值得观察该评估机制如何在实际项目中与更多框架和工作流集成。

来源

• AWS Machine Learning

发生了什么

GoDaddy 将原有分析系统从传统商业智能工具迁移至 Amazon Quick，这一过程持续了两年。

迁移后，公司每年节省约 15,000 小时，仪表板数量下降了 50%，渲染耗时缩短至 5 秒以内。

AI 驱动的自助式分析能力现已向每一位员工开放。

为什么重要

这表明大型企业可以借助云原生分析工具，显著降低报表维护成本并提升运行效率。

让普通员工而非仅限数据专家使用 AI 分析，有助于推动数据驱动决策在组织内普及。

关键事实

转型为期两年，用 Amazon Quick 替代了传统 BI 工具。

每年节省 15,000 小时，仪表板数量减少 50%。

渲染时间低于 5 秒，AI 自助分析对全员可用。

接下来看什么

后续其他企业可能参考 GoDaddy 的路径，加速从传统 BI 向 AI 驱动的云分析迁移。

GoDaddy 如何继续深化 AI 分析能力，值得关注。

来源

• AWS Machine Learning

发生了什么

Natera 在 Amazon Bedrock AgentCore 上构建了一个自动化语音代理，使患者能够通过自然对话预约移动采血服务。

该方案采用了双 WebSocket 桥接、事件驱动延迟掩盖以及渐进信任认证等技术，实现了 100% 的工具调用准确率和低于 7 秒的响应延迟。

为什么重要

这一实践展示了生成式 AI 代理在医疗场景中的落地能力，将预约流程从传统表单或人工客服转向自然语言交互，有望提升患者体验。

文章提到的技术细节也反映出构建生产级语音代理时，需要同时考虑连接管理、延迟优化和身份验证等多个关键环节。

关键事实

Natera 在 Amazon Bedrock AgentCore 上构建了自动化语音代理。

患者可通过自然对话预约移动采血。

方案包含双 WebSocket 桥接、事件驱动延迟掩盖和渐进信任认证。

系统实现了 100% 工具调用准确率和低于 7 秒的延迟。

接下来看什么

类似的语音代理架构是否会被更多医疗或客户服务场景采用，以替代传统预约方式。

后续是否会公开更多关于渐进信任认证和延迟优化的具体实现细节。

来源

• AWS Machine Learning

发生了什么

AWS 发布了关于 Amazon SageMaker AI 的更新，介绍其 Python SDK v3 对脚本模式进行了重新设计，核心是引入统一的 ModelTrainer 和 ModelBuilder 类。

该发布通过两个端到端示例进行说明：一个使用 scikit-learn 的随机森林模型，另一个是基于多 GPU 的 Stable Diffusion 3.5 LoRA 微调任务。

新方案中的 SourceCode 功能可以在运行时将用户本地代码同步到任意容器中，从而使开发者无需重新构建 Docker 镜像即可进行迭代。

为什么重要

这项更新降低了自带模型进行训练和微调的门槛，开发者可以更专注于代码本身，而不是容器构建的繁琐流程。

统一的类设计有望简化不同框架间的使用体验，让从传统机器学习到生成式 AI 的工作流衔接更顺畅。

运行时同步代码的方式能够显著缩短迭代周期，对需要频繁试验的模型调优场景尤其有价值。

关键事实

SageMaker Python SDK v3 重新设计了脚本模式。

新版本统一了 ModelTrainer 和 ModelBuilder 类。

文章包含两个端到端示例：scikit-learn 随机森林和多 GPU 的 Stable Diffusion 3.5 LoRA 微调。

SourceCode 可将本地代码在运行时同步到任意容器中。

此方法无需重建 Docker 镜像即可迭代。

接下来看什么

未来可能会有更多基于 SDK v3 脚本模式的示例或最佳实践发布，帮助开发者更快上手。

随着生成式 AI 微调需求的增长，多 GPU 场景下的脚本模式支持是否会进一步扩展值得关注。

本地代码运行时同步机制的实际性能和安全性，可能在后续使用中得到更多验证。

来源

• AWS Machine Learning

发生了什么

这是关于监督微调数据准备的两篇系列文章中的第二篇，重点讨论进阶策略。

文章涵盖四个主要方向：利用学习曲线评估数据就绪程度、挑选高价值数据子集、通过合成与蒸馏示例增强数据，以及混合数据源以避免灾难性遗忘。

为什么重要

对于从事模型微调的团队，数据质量与构成直接影响微调效果。这些进阶策略有助于更高效利用数据资源，并减少训练中的遗忘问题。

学习曲线等方法让数据准备从依赖经验转向可评估、可判断的流程，帮助团队在投入大规模训练前做出更明智的决策。

关键事实

本文是两篇系列文章中的第二篇，聚焦进阶数据策略。

文章介绍了用学习曲线评估数据就绪度、选择高价值数据子集。

还涉及使用合成与蒸馏示例增强数据，以及混合数据源防止灾难性遗忘。

接下来看什么

读者可以回顾该系列的第一篇文章，以理解基础流程并更好衔接进阶策略。

后续可关注这些策略在真实微调任务中的应用效果，以及是否有配套工具或实践案例发布。

来源

• AWS Machine Learning

发生了什么

AWS Machine Learning 于2026年8月26日发布文章《为监督微调准备数据 第一部分：格式与质量》。这是关于监督微调（SFT）数据准备的两部分系列中的第一篇。

文章强调，数据准备决定了任何监督微调项目效果的上限。作为开篇，它聚焦于SFT数据准备的基础工作：质量检查、对话型数据的JSONL格式化、推理与工具调用所需的模式，以及具有代表性的训练集与评估集划分。

为什么重要

对于进行监督微调的团队而言，数据环节是影响模型表现的关键前置步骤。本文选在系列开头讲解格式与质量，说明在进入模型训练之前，开发者需要先建立规范的数据处理流程。

合理的划分与格式不仅影响训练效率，也关系到模型在推理和工具调用等场景上的能力边界。这篇基础性文章为后续实操提供了起点。

关键事实

文章来源为 AWS Machine Learning，发布于2026年8月26日。

该文章是两篇系列中的第一篇，主题为格式与质量。

内容涵盖质量检查、对话（JSONL）格式、推理与工具调用模式，以及训练/评估划分。

数据准备被视为决定监督微调项目上限的关键因素。

接下来看什么

关注该系列的第二部分，进一步了解SFT数据准备的其他方面。

实践者可在项目中应用本文介绍的质量检查与格式规范，探索其对微调效果的影响。

来源

• AWS Machine Learning

发生了什么

Google Cloud 宣布推出 Fault Injection Testing 预览版，该服务旨在帮助开发者和架构师在云环境中自动化故障测试。

该服务在此预览版中支持两种主要故障场景：触发高可用 Cloud SQL 实例的故障转移，以及通过第 7 层负载均衡器增加延迟和 HTTP 错误码来降低应用流量。

Fault Injection Testing 包含注入前的自动化预检（dry run），允许手动启动，并提供停止和回滚功能，以终止实验并恢复资源。

为何重要

现代分布式系统非常复杂，使得高可用性越来越难以保证，尤其是在云环境中对底层基础设施的直接访问受到限制的情况下。

如果没有原生的韧性测试工具，组织将面临风险，包括客户信任受损、合规和监管处罚，以及大规模迁移的延迟。

在真正发生故障之前进行故障实验，有助于验证安全机制是否按预期工作，并确保关键任务服务在不利事件期间保持在线。

关键事实

Fault Injection Testing 预览版可通过 Google Cloud 控制台、gcloud CLI 和 REST API 使用。

该服务在执行任何故障注入之前，会进行只读预检，以检查权限并列出受影响的资源。

KeyBank 和 Servier 等合作伙伴已经在使用 Fault Injection Testing 来验证其部署。

Google Cloud 建议在预览期间于非生产环境中使用 Fault Injection Testing。

下一步关注

组织可以通过其 Google Cloud 客户团队申请预览访问权限，启用 Fault Testing API，并分配 roles/faulttesting.operator 角色来运行实验。

在预览期间，早期用户可以提供反馈以影响产品发展，Google Cloud 可能会在 Cloud SQL 故障转移和负载均衡器流量降级之外，扩展支持的故障场景。

来源

• Google Cloud

发生了什么

优步一直在调整技术策略以管理不断扩张的网络，确保整个平台的应用流量平稳运行。

作为该功能的早期设计合作伙伴，优步在其云互连部署中启用了应用感知功能，先从亚利桑那州凤凰城和弗吉尼亚州阿什本开始。

该功能通过 DSCP 标记和队列配置，将流量分为六个类别，并采用严格优先级或带宽共享策略来保护关键业务流量。

为什么重要

传统云互连通常依赖过度配置带宽来应对峰值需求，但对优步这样的全球化规模而言，这种方法成本高昂且可靠性不足，尤其随着人工智能工作负载增加，网络饱和风险更大。

应用感知功能在拥塞期间保障关键应用性能，不仅改善了日常运营，也让优步有信心推进谷歌云迁移，降低切换中断风险。

关键事实

应用感知功能是跨混合网络应用优先级排序的行业首创工具。

该功能包含流量处理、拥塞响应、延迟管理和成本效率四大特性。

优步率先在凤凰城和阿什本的 Cloud Interconnect 部署中启用了该功能。

接下来看什么

其他组织如何借鉴优步的做法，在混合云或多云迁移中利用应用感知功能保障关键流量。

随着优步持续扩展人工智能相关的大规模数据分析，该功能将如何进一步支持其网络需求。

来源

• Google Cloud

发生了什么

Google Cloud 在博客中介绍了 OKF 规范的最新进展：v0.1 定义了由 Markdown 文件与 YAML frontmatter 组成的可移植格式，包含一个必填字段和五项约定；v0.2 则加入 provenance、verification、freshness、attestation 等信任信号，使团队能发布可信的上下文包供自家智能体使用。

文章指出，OKF 尚未解决跨团队共享问题：每个 bundle 使用一个 git repo 虽然可移植，但无法与所描述的数据一起被搜索，无法用组织统一的身份与合规策略治理，也无法和数据团队已有的 schema、lineage、ownership 等元数据并列。

解决方案是将 OKF bundle 映射到 Knowledge Catalog 的现有类型。该平台是 Google Cloud 的智能体上下文引擎，统一索引 BigQuery、Cloud Storage、运营数据库和应用中的资产；发布只需一次性设置和一次推送，设置会注册 EntryGroup、okf-bundle 的 EntryType 以及 okf 的 AspectType。

为什么重要

这一整合把 OKF 从单团队格式提升为组织级上下文层。没有目录时，每个下游智能体都必须知道每个 bundle 的位置，难以规模化；借助 Knowledge Catalog 的统一索引，bundle 能与数据资产并列出现，并复用搜索、IAM、lineage 与跨项目发现能力。

对治理而言，这意味着智能体上下文不再游离于现有安全体系之外，而是受基于 IAM 身份的统一访问控制约束。由于每个概念都带有技术元数据和 OKF 信任信号，AI 应用可以在与数据团队相同的治理框架下消费上下文。

关键事实

OKF v0.1 定义可移植格式：Markdown 文件加 YAML frontmatter，含一个必填字段和五项约定。

OKF v0.2 加入 provenance、verification、freshness、attestation 信任信号，用于机器生成的上下文包。

Knowledge Catalog 是 Google Cloud 的智能体上下文引擎，统一索引 BigQuery、Cloud Storage、运营数据库和应用中的资产。

发布 OKF bundle 到 Knowledge Catalog：一次性设置调用 gcloud dataplex，推送交给同仓库中的 kcmd CLI。

okf AspectType 由 okf-aspect.json 定义，包含 13 个字段，覆盖完整 OKF v0.2 规范。

接下来看什么

值得关注 OKF 是否会围绕组织内共享进一步增加约定，例如 bundle 的命名、版本化或授权模型。

同时观察 Knowledge Catalog 是否会继续强化对 OKF 信任信号的利用，使 provenance、verification 等信息在检索排序和审计中发挥更大作用。

来源

• Google Cloud

发生了什么

AWS机器学习团队发布了一篇技术文章，介绍如何将Amazon Bedrock AgentCore代理连接到跨账户的知识库。该知识库由Amazon Redshift Serverless支撑，位于另一账户中，无需复制源数据。

文章详细说明了整体架构和安全边界，并展示了两种编排模型：一种是基于代码的Strands代理，另一种是声明式的AgentCore harness。

为什么重要

跨账户访问知识库的能力让企业可以在保持数据隔离的同时，复用已有的数据资产，避免为了AI应用而迁移或复制敏感数据。

安全边界的明确划分有助于团队在多个AWS账户环境中管理权限，减少数据暴露风险。

提供两种编排模型意味着用户可以根据自身的开发偏好和复杂需求，在灵活编码与简化声明之间做出选择。

关键事实

Amazon Bedrock AgentCore代理位于一个账户中。

知识库由另一个账户中的Amazon Redshift Serverless提供支持。

整个过程不需要复制源数据。

文章涵盖了架构、安全边界以及两种编排模型。

接下来看什么

后续可能会看到更多关于AgentCore跨账户能力的示例，特别是与不同数据源组合的架构模式。

开发团队需要评估Strands代理与声明式harness各自的使用场景，以确定哪种方式更适合自己的治理和运维流程。

来源

• AWS Machine Learning

发生了什么

谷歌云指出，互联网已经连接了数十亿人和移动设备，如今正进入下一次重大技术转型：部署数百万自主AI智能体，与员工和终端用户协作。为此，谷歌云宣布为Gemini Enterprise新增FinOps控制，帮助组织管理项目级AI支出并消除“token冲击”。

智能体时代的规模给基础设施每一层都带来了新约束。AI工作负载架构难度大、资源密集且具有明显的突发性，容易造成扩展瓶颈以及计算资源的大规模闲置或误用。谷歌云在博客中提出了动态容量管理的最佳实践，即通过调度和利用策略，在单一灵活的基础上以可预测的成本和性能运行企业应用与AI应用。

动态容量管理有三种实现方式：使用Dynamic Workload Scheduler为计划事件调度容量；通过托管实例组（MIGs）为每个应用建立自动化的硬件回退清单；以及利用Google Kubernetes Engine（GKE）作为智能体原生环境，在单一自适应控制平面上自动化整个容量管理生命周期。

为什么重要

企业部署智能体的意愿强烈，但现有基础设施准备不足。数据显示，90%的企业希望在三年内部署智能体，而只有17%的IT领导者对当前IT设置能否承受负载有信心。智能体访问企业应用和数据库的规模往往远超人类用户的典型用量，这要求基础设施具备动态响应能力。

仅靠定制硬件如Axion处理器并不够，基础设施团队还需要更智慧地利用这些资源，解决执行效率问题，从而在整个技术栈中释放更多灵活性。将可预测需求的资源预留与不可预测需求的自动化响应结合起来，是克服基础设施约束的关键路径。

关键事实

谷歌云宣布为Gemini Enterprise推出新的FinOps控制，用于管理项目级AI支出并消除token冲击。

动态容量管理包括三种做法：计划事件容量调度、基于MIGs的回退计划，以及通过GKE自动化容量管理生命周期。

90%的企业希望在三年内部署智能体，但只有17%的IT领导者对当前基础设施应对负载有信心。

这些能力是对按需、Spot和承诺使用折扣（CUD）消费模式的补充。

接下来看什么

随着智能体规模持续扩大，企业将需要更精细的容量调度和自动化能力。谷歌云通过Dynamic Workload Scheduler、MIGs和GKE等工具，帮助组织在计划内需求与突发事件之间取得平衡。

未来，企业应审视自身基础设施是否具备动态调整能力，并将容量管理纳入整体AI战略，以避免资源浪费和性能瓶颈。

来源

• Google Cloud

发生了什么

Google Cloud宣布扩展计费灵活性和新的成本管理工具，面向Gemini Enterprise及开发者工具中的AI代理工作负载。企业可以将现有的按用户订阅与新的按需付费选项结合使用，避免代理任务中途受配额限制。

Google Antigravity和Android Studio的AI使用现已被纳入Gemini Enterprise订阅，部分客户已可用并即将广泛推出。相关用量会在同一视图中汇总，不再需要分别管理许可证和计费。

同时推出的还有Flexible Savings Plans，企业可承诺月度支出以换取10%-20%的token成本折扣；管理员还能设置月度硬上限、估算代理运行成本并捕捉预算突增。

为什么重要

随着AI承担更复杂的工作，企业既要快速创新，又要保护利润和预算。此次更新试图让财务运营和成本管理跟上技术发展的节奏，提供更清晰的可见性和主动控制。

不同团队的AI使用方式差异很大：业务用户用量稳定，技术团队则可能以突发方式运行代理工作负载。混合计费模式让成本更贴合实际使用情况，避免为闲置容量付费。

统一配额池和延迟执行定价等机制，可能帮助企业在不增加管理负担的情况下提高资源利用率，并为可等待的负载争取更低成本。

关键事实

Gemini Enterprise应用新增按需付费的消费版，无预付款项或基础订阅费，按实际消耗的计算和token计费。

Google Antigravity和Android Studio的AI使用现包含在Gemini Enterprise订阅中，面向部分客户开放并将广泛推出。

Flexible Savings Plans允许企业承诺月度支出，享受10%-20%的token成本折扣，无最低或最高额度限制。

即将推出的延迟执行定价让符合条件的代理工作负载在非高峰时段运行，最高可节省一半推理成本并绕过标准配额限制。

接下来看什么

这些新选项将如何随客户范围扩大而落地，以及企业实际如何组合订阅、按需付费和节省计划来控制AI支出。

延迟执行定价和共享配额池在真实代理工作负载中的表现，尤其是对成本优化和资源利用率的实际影响。

随着更多开发者工具纳入统一订阅，企业管理AI支出和许可证的方式是否会进一步简化。

来源

• Google Cloud

发生了什么

Google Cloud推出了Agent Valley，这是一个免费的、为期五周的直播学习系列，专为零基础初学者设计，让他们从最基础开始构建AI代理。

课程由Google DevRel工程师Annie Wang讲授，在一个小巧的低多边形虚拟世界中进行，参与者在这里构建和游玩，而不是面对终端命令行。

通过分屏笔记本电脑工作区，学习者将在第一天创建自定义伙伴，并引导它穿越五个区域，同时实时运行时检查器会揭示AI的思考、决策和实时成本。

为何重要

该系列消除了常见的入门障碍：不需要机器学习背景或多年软件经验，Google为所有练习提供环境。

通过让代理开发变得有趣且可视化，Agent Valley让新手确切地看到AI如何推理和做出决策，通过直接动手实践揭开技术的神秘面纱。

向在Google设计AI系统的人学习，为进入这个快速发展且难以切入的领域提供了一条可行的路径。

关键信息

Agent Valley免费、直播，为期五周，包含五个模块化课程，参与者可随时加入。

课程在五周的课程中涵盖控制、分解、协调、记忆和实时事件处理。

直播从太平洋时间9月1日上午10:00开始，连续五个周二进行，可通过goo.gle/agent101预约。

下一步关注什么

这种动手实践、游戏化的形式能否成功引导真正的初学者进入AI代理构建领域。

参与者对实时运行时检查器实时洞察AI行为和成本的反应如何，以及这种方法是否会在AI教育中得到更广泛的采用。

来源

• Google Cloud

发生了什么

Amazon OpenSearch Service 现在支持 MCP 应用，这些应用能够在 AI 智能体的文本回复之外，返回交互式可视化结果。

通过一个本地运行的 MCP 服务器，智能体可以在同一对话中完成从告警到追踪、日志，再到根因分析的完整流程。

用户无需离开集成开发环境（IDE），即可内联验证每一步操作。

为什么重要

这一功能将可观测性数据直接嵌入 AI 智能体的工作流，显著提升了故障排查的效率，减少了上下文切换。

它展示了 AI 智能体在运维领域的实际应用潜力，使复杂的数据分析过程更加直观和可操作。

关键事实

Amazon OpenSearch Service 支持 MCP 应用。

MCP 应用返回交互式可视化，与 AI 智能体的文本回复并存。

单个本地运行的 MCP 服务器支持从告警到根因分析的完整对话流程。

用户可在 IDE 内验证每一步操作。

接下来看什么

未来 MCP 应用是否会扩展到更多 AWS 服务，形成统一的智能体可观测性生态。

该功能如何与现有的监控和告警工具集成，以及它对开发者和运维人员工作流程的实际影响。

来源

• AWS Machine Learning

发生了什么

AWS 发布了一个新方案，利用 Amazon Quick Desktop 和 Amazon FSx for NetApp ONTAP 构建受治理的每周报告工作流。

该方案通过 Amazon S3 访问点将已批准的文件夹暴露给 Quick 知识库，确保数据来源受控。

自定义技能可生成带引用的周报和 Slack 摘要，所有内容在分享前需经过人工审核。

为什么重要

该方案解决了 AI 生成内容在企业管理中的合规性问题，通过人工审核环节确保信息准确可靠。

将数据源限定在已批准文件夹，降低了敏感信息泄露风险，适合需要严格数据治理的企业。

自动化报告生成与人工审核结合，提升了效率同时保留了人类监督，是 AI 在企业应用中的务实实践。

关键事实

工作流使用 Amazon Quick Desktop 和 Amazon FSx for NetApp ONTAP。

Amazon S3 访问点将已批准文件夹暴露给 Quick 知识库。

自定义技能生成周报和 Slack 摘要，需人工审核后分享。

接下来看什么

该方案是否会扩展到其他报告类型或集成更多 AWS 服务。

企业采用后，人工审核流程的效率提升效果如何。

未来是否会提供更多治理功能，如审计日志或权限细化。

来源

• AWS Machine Learning

发生了什么

谷歌云宣布与Anyscale合作，推出一个实验性的Ray库，该库利用谷歌正在开发的智能体AI技术，将高性能沙箱直接集成到分布式Ray集群中。

该库将每个高级沙箱表示为Ray Actor，由Ray调度器决定运行节点并分配资源，gVisor提供隔离执行环境，从Ray 2.58版本开始，框架作者和研究人员可以使用现有的Ray API管理沙箱环境。

沙箱API支持从OCI容器镜像创建环境、设置CPU和内存限制、配置环境变量和工作目录、执行命令、文件操作、检查状态以及终止环境等生命周期管理。

为什么重要

随着智能体和推理模型的发展，安全隔离沙箱的大规模编排成为关键瓶颈，该库旨在解决动态回滚、代码生成和多轮工具交互的安全执行问题。

通过将沙箱作为Ray原语，用户无需引入新的抽象，即可在现有Ray编程模型中实现隔离执行，降低了采用门槛。

关键事实

该库是谷歌云与Anyscale合作开发的实验性项目。

沙箱通过Ray Actor表示，由Ray调度器管理资源，gVisor提供隔离执行。

从Ray 2.58版本开始支持使用现有Ray API管理沙箱。

接下来看什么

该实验性库的后续发展，包括是否会被Ray核心采纳以及性能优化情况。

社区对该库的反馈，以及它如何影响Ray生态中强化学习工作负载的安全实践。

来源

• Google Cloud

发生了什么

谷歌云宣布推出Gemini Enterprise for Financial Services，旨在将代理式AI直接集成到资本市场和企业银行的工作流程中。

该解决方案包含四个核心组件：专门构建的金融技能、安全的MCP连接器、能够执行任务的代理（如金融研究代理）以及开放的合作伙伴生态系统。

该平台强调治理控制平面，支持安全策略执行、数据隔离和可验证的引用，以满足金融机构的合规要求。

为什么重要

金融机构需要实时准确性、可验证的数据来源和严格的安全性，而通用AI往往无法满足这些要求。此产品通过深度集成到受信任的金融系统中，使AI真正实用。

该解决方案将领域专业知识编码为可复用的技能，并确保数据访问受现有权限约束，有助于机构在合规前提下提高运营效率。

通过提供可解释的代理和审计功能，它可能增强分析师在信用风险评估、投资组合监控等任务中的决策能力。

关键事实

Gemini Enterprise for Financial Services包含四个核心组件：金融技能、MCP连接器、代理（如金融研究代理）和合作伙伴生态系统。

金融研究代理是谷歌构建和管理的，具备超过50项基础技能，并提供置信度分数、方法论、数据快照和来源引用。

该平台支持通过MCP连接企业数据源，并可通过A2A API集成到现有代理工作流中。

合作伙伴包括埃森哲、德勤、毕马威、普华永道等全球系统集成商和金融科技提供商。

接下来看什么

观察该平台在实际金融机构中的部署案例，以及它如何改善特定工作流程（如KYC研究和投资组合监控）的效率和准确性。

关注其治理控制平面如何在实际环境中执行安全策略，并确保数据隐私和合规性。

留意合作伙伴生态系统的扩展，以及是否有更多专业金融技能被添加到平台中。

来源

• Google Cloud