AI 与科技

发生了什么

Google Cloud 在 2026 年 8 月 25 日发布了 Gemini Enterprise for Legal，面向律所与法务团队。

官方论述的落点很明确：法律工作处理的是受特权保护的信息、事务所自有的作业方法，以及一套持续变动的法律；支撑它的系统因此继承了硬性义务——不能跨越的利益冲突隔离墙、不能被拉平的案件权限、不因便利而让步的保密责任。Google 的说法是，通用 AI 再强，单靠它达不到这个标准。

为什么重要

这是把行业 AI 产品的竞争点从「模型多聪明」搬到「权限模型对不对」。对律所来说，一次越界的检索比一次不够聪明的回答严重得多。

同样的逻辑适用于医疗、金融等任何受监管行业：模型能力是必要条件，不是充分条件。

关键事实

产品：Gemini Enterprise for Legal。

厂商：Google Cloud。

强调的约束：利益冲突隔离墙、案件层级权限、保密义务。

官方明确表述：基础模型能力是必要的，但对法律工作而言远远不够。

信息来源：Google Cloud 官方博客，2026 年 8 月 25 日。

接下来看什么

同一批发布里还有面向金融服务的版本，说明这是按行业切分的产品线而非单点。

值得关注的是这些权限约束如何被验证——是产品承诺，还是有可审计的机制。

来源

• Google Cloud

发生了什么

Amazon SageMaker HyperPod 现在提供对 Ray 的托管支持，该支持基于 Amazon EKS 实现。

用户可以在 SageMaker Studio 中创建和监控 Ray 集群，并将 JupyterLab 和 Code Editor 笔记本连接到实时集群。

该功能集成了开源的 KubeRay 和标准 Ray API，提供开箱即用的可观测性，并支持弹性分布式训练和加速推理。

为什么重要

这一更新降低了分布式训练和推理的复杂性，使数据科学家和工程师能够更轻松地在 SageMaker 环境中利用 Ray 的弹性能力。

通过托管 Ray 支持，用户无需自行管理集群基础设施，可以更专注于模型开发，从而加速 AI 工作负载的迭代。

关键事实

SageMaker HyperPod 现在支持在 Amazon EKS 上托管 Ray。

用户可以从 SageMaker Studio 创建和监控 Ray 集群。

支持将 JupyterLab 和 Code Editor 笔记本连接到实时 Ray 集群。

该功能基于开源 KubeRay 和标准 Ray API。

接下来看什么

未来可能看到更多关于 Ray 与 SageMaker 集成的功能，例如更细粒度的集群管理或与其他 AWS 服务的深度集成。

关注该功能在真实工作负载中的性能表现，以及用户反馈是否带来进一步的优化。

来源

• AWS Machine Learning

发生了什么

AWS发布了一个可定制的知识管理加速器，旨在通过语音优先的AI化身捕获和传递机构知识。

该加速器利用Amazon Bedrock Knowledge Bases进行检索增强生成，并可通过AWS CloudFormation在数小时内完成部署。

为什么重要

机构知识往往分散在员工头脑中，难以系统化，该方案有望将这类隐性知识转化为可访问的资源。

通过语音交互，降低了知识获取门槛，使非技术用户也能便捷地查询机构知识。

快速部署特性使得组织能够迅速采用，减少实施成本和时间。

关键事实

系统基于AWS构建，支持定制化。

使用Amazon Bedrock Knowledge Bases实现检索增强生成。

通过AWS CloudFormation可在数小时内部署。

接下来看什么

该加速器是否会被广泛采用，并推动更多组织实现知识管理现代化。

未来是否会扩展更多功能，如多语言支持或与其他AWS服务集成。

来源

• AWS Machine Learning

发生了什么

AWS机器学习博客发布了一篇指南，介绍如何构建一个餐厅电话AI接待员，该系统能接听电话并全程处理订单，无需应用、网站或登录。

该解决方案利用Amazon Connect处理电话通信，Amazon Connect Agentic Voice实现实时语音交互，Amazon Connect AI代理进行推理，以及Amazon Bedrock AgentCore Gateway通过MCP连接后端工具。

为什么重要

这一方案展示了如何将电话通信与AI代理结合，为餐厅提供无需额外客户端的自动化点餐体验，可能降低运营成本并提升效率。

通过集成多种AWS服务，该架构为开发类似语音交互系统提供了参考，尤其在需要与后端系统集成的场景中具有借鉴意义。

关键事实

系统通过电话接听并完成订单，无需应用、网站或登录。

使用Amazon Connect进行电话通信，Amazon Connect Agentic Voice处理实时语音，Amazon Connect AI代理负责推理，Amazon Bedrock AgentCore Gateway通过MCP连接后端工具。

接下来看什么

关注该方案在实际餐厅环境中的部署效果，以及语音识别和自然语言处理的准确性。

留意Amazon Connect和Bedrock AgentCore Gateway的更新，可能影响类似系统的构建方式。

来源

• AWS Machine Learning

发生了什么

AI智能体被赋予读取邮件、查询数据库和触发API调用的权限，它们不仅能检索信息，还能采取行动，这带来了新的安全担忧。

一份新报告显示，79%的技术领导者认为安全、治理或运营是扩展推理规模的最大挑战，而35%的高级IT决策者指出，多系统访问的安全不足是阻止智能体部署的主要问题。

智能体扩大了防御者需要保护的范围，并引入了新威胁，如工具投毒和间接提示注入，攻击者可以通过智能体处理的数据劫持其逻辑。

为什么重要

传统安全工具仍有作用，但威胁模型已根本改变，自主工作流重新定义了企业风险，因此需要在给予智能体必要访问权限的同时确保安全。

将治理视为创新的驱动力是关键，通过集成全栈云平台和采用安全框架，组织可以在设计、治理和人工监督三个主要领域管理风险。

现代安全基础的价值在于鼓励创新，通过嵌入强健的治理，组织可以自信地在敏感工作负载中部署智能体，从而安全地创新并加速扩展。

关键事实

79%的技术领导者将安全、治理或运营视为扩展推理的最大挑战。

35%的高级IT决策者认为多系统访问的安全不足是阻止智能体部署的主要问题。

69%的受访高管认为全栈平台是关键要求，80%表示数据合规是选择平台的主要因素。

接下来看什么

组织如何采用Secure AI Framework（SAIF）和中央控制平面来管理智能体风险。

安全领导者如何从防止漏洞转向验证来源，以防范间接提示注入等滥用。

智能体治理和人工监督机制如何在实际部署中平衡自主性与安全性。

来源

• Google Cloud

发生了什么

谷歌云宣布在迁移中心推出AI驱动的快速评估功能，旨在帮助技术领导者快速进行基础设施现代化规划，控制多云运营成本，并为生成式AI构建数据基础。

该功能通过自动化取代传统的手动发现过程，能够在几分钟内生成全面的迁移财务模型，而传统方法可能需要数周甚至数月。

新功能包括AI辅助的快速评估和增强的云账单评估，集成在全新的AI驱动迁移中心中，支持即时计算引擎TCO估算、高级架构建模、可定制的财务控制、上下文感知的代理聊天以及自动化的业务案例和Google Sheets导出。

为什么重要

传统评估流程可能因手动发现而延迟迁移时间表数月，增加工程开销，并经常错误计算复杂的财务模型。AI驱动的自动化提供了即时、可操作的TCO和ROI可见性，使组织能够快速做出明智的迁移决策。

通过自动化评估，IT团队可以更快地获得全面的迁移财务模型，从而加速数字化转型计划，避免在启动前就停滞不前。

关键事实

AI驱动的快速评估提供近乎实时的总拥有成本（TCO）建模和自动化服务映射。

新功能支持最新一代Gen4计算实例和高性能Hyperdisk存储池。

代理聊天功能可根据业务约束（如区域位置或合规需求）推荐技术成本优化方案。

接下来看什么

关注AI驱动的评估功能如何在实际部署中减少迁移时间并提高成本估算的准确性。

观察这些功能是否会被更广泛地采用，以及它们对多云管理实践的影响。

来源

• Google Cloud

发生了什么

元数据协调（即标准化标签、标识符和格式，使数据集能够协同工作）在很大程度上仍依赖人工操作。

AWS机器学习博客发布文章，展示了AI驱动的元数据校正如何在实践中运作，涵盖两种方法：人在回路验证和自主代理驱动的工作流。

文章还讨论了生产部署中的治理考量。

为什么重要

元数据协调是数据集成和互操作性的关键，但传统上耗时且易出错。AI驱动的自动化有望显著提高效率。

区分人在回路和自主代理两种方法，为不同场景下的自动化程度提供了选择依据。

治理考量强调了在自动化流程中确保数据质量和合规性的重要性。

关键事实

元数据协调包括标准化标签、标识符和格式。

AI驱动的元数据校正有两种方法：人在回路验证和自主代理驱动。

生产部署需要考虑治理因素。

接下来看什么

未来AI元数据校正工具是否会更多地采用自主代理模式，以及治理框架如何适应。

企业如何平衡自动化效率与人工监督的需求。

来源

• AWS Machine Learning

发生了什么

AWS Machine Learning 发布了一篇关于 Agentic Data Operations Platform（ADOP）的文章，介绍这一基于 Amazon Bedrock 的参考架构。

ADOP 使用专门的 AI 智能体来自动化完整的 Bronze-to-Silver-to-Gold 数据管道生命周期，从而将新数据源接入时间从数周压缩到数小时。

该平台在加速流程的同时，将数据治理和合规控制保留在管道内，而不是事后补充。

为什么重要

ADOP 展示了数据工程向智能体驱动自动化演进的方向，可能帮助团队显著减少手动处理数据管道所需的时间。

在自动化提速的同时保持治理与合规内联，意味着企业无需在速度和管控之间做出取舍，这对数据平台的规模化采用至关重要。

关键事实

ADOP 是构建在 Amazon Bedrock 上的参考架构。

它利用专门的 AI 智能体自动化数据管道的完整生命周期。

该平台可将新数据源上线从数周压缩至数小时，同时保持数据治理与合规控制。

接下来看什么

值得关注 ADOP 是否会从参考架构演变为被更广泛采用的数据工程实践，以及它在真实业务场景中的表现。

后续可观察 AWS 是否会提供更多关于 ADOP 的具体实现细节和部署指引，以帮助更多团队采用这一架构。

来源

• AWS Machine Learning

发生了什么

AWS 发布技术文章，提出利用 Amazon Bedrock AgentCore Gateway 对 AI 代理的企业工具访问进行治理。

文章阐述了一个包含 Connect、Control、Catalog、Harden 四个范围的成熟度模型，用于逐步构建受治理的工具网关。

该方案强调在真正出现治理需求时才推进，不必事先合并基础设施。

为什么重要

许多企业担心 AI 代理访问内部工具时缺乏管控，但全面改造基础设施成本过高。

这种分阶段成熟度模型让组织能按实际痛点渐进式加强治理，避免过度工程化。

可审计的访问能力也更容易满足内部合规与安全审查要求。

关键事实

Amazon Bedrock AgentCore Gateway 用于为 AI 代理提供受治理且可审计的企业工具访问。

文章提出了四个范围的成熟度模型：Connect、Control、Catalog 和 Harden。

实施该方案不需要整合或合并现有基础设施。

接下来看什么

后续可能发布针对每个成熟度阶段的具体配置与最佳实践。

可关注企业如何在 Catalog 与 Harden 阶段处理工具发现与安全加固的实际案例。

来源

• AWS Machine Learning

发生了什么

在 Amazon Bedrock 上运行大规模检索增强生成（RAG）时，输入令牌往往是成本的重要组成部分。

AWS 这篇文章介绍了一种查询感知的上下文压缩模式：在检索步骤之后，先使用较小的模型根据用户查询过滤检索到的分块，再由主模型进行回答。

这种做法的目的是减少输入令牌数量、降低费用，同时尽量保持答案质量。

为什么重要

由于输入令牌在规模化 RAG 中的成本占比可观，减少它们能直接改善成本结构。

使用较小模型先行过滤，是一种在不牺牲太多回答质量的前提下优化资源利用的思路，可能对长期运行生成式 AI 应用的团队有吸引力。

关键事实

输入令牌常构成大规模 RAG 运行成本的重要部分。

该方法在检索后使用较小模型按查询过滤上下文。

该模式旨在降低输入令牌与成本，同时维持回答质量。

接下来看什么

这一模式在不同查询复杂度和检索规模下的实际效果值得关注。

未来是否会出现更精细的过滤策略或与其他优化手段结合，也值得观察。

来源

• AWS Machine Learning

发生了什么

松下航电联合AWS及AWS生成式AI创新中心，构建了一套基于代理式AI的诊断系统。该系统依托Amazon Bedrock、Amazon SageMaker和AWS Glue，用于识别全球机队中机上娱乐与连接（IFEC）系统的故障。

据AWS机器学习博客介绍，这套系统将故障诊断耗时从原本的数小时级压缩到了分钟级，同时保持了诊断准确率，为IFEC运维提供了更高效的自动化手段。

为什么重要

机上娱乐和连接系统直接影响旅客的飞行体验。诊断耗时的大幅缩短意味着相关故障能被更快定位和处理，从而减少服务中断时长，让维护团队更及时地响应问题。

该案例展示了代理式AI在工业设备运维中的实际应用路径。通过组合多个AWS服务形成智能代理，能够处理复杂且分散的诊断任务，对航空及其他行业的类似场景具有参考价值。

关键事实

松下航电与AWS及AWS生成式AI创新中心合作构建了代理式AI系统。

系统基于Amazon Bedrock、Amazon SageMaker和AWS Glue构建。

该系统用于诊断全球机队的机上娱乐与连接（IFEC）问题。

诊断时间从数小时缩短至数分钟，且准确率得到保持。

接下来看什么

值得关注松下航电是否会将此代理式AI方案拓展至更多航空系统或机型，形成更全面的智能运维能力。

其他行业也可能借鉴该模式，利用AWS上的代理式AI构建类似的远程诊断工具，推动运维自动化进一步发展。

来源

• AWS Machine Learning

发生了什么

在企业管理课程中，有效委派被视为领导者最重要的技能之一。谷歌云表示，在构建和部署企业工作流中的AI智能体时，也在学习类似经验：复杂任务最好由多智能体系统分解并执行，因此AI智能体需要成为好的委派者。

为探索方法，谷歌云参考了Google DeepMind近期题为“Intelligent AI Delegation”的研究。该研究表明，委派本身涉及智能，包括自适应协商、就正式合同达成一致以及安全防护措施。

谷歌云分享了从研究中得出的原则，并说明如何将其应用于自身工作流。

为什么重要

这一研究为构建能够沟通、共享任务并朝设定目标协作的AI智能体提供了新机会，对企业客户具有实际意义。

委派不只是分配任务，而是需要智能地分解、验证和控制成本；这会影响企业如何设计智能体系统，以及如何将人类专业知识纳入监督。

关键事实

谷歌云认为，AI智能体需要像优秀领导者一样学会有效委派，多智能体系统适合分解和执行复杂任务。

第一项原则是“合同优先分解”：智能体应将工作分解为可可靠验证的任务，必要时引入主观评估，以确定人类时间的最佳投入点。

第二项原则是明智对待成本：应根据任务匹配合适模型，避免用大型模型处理简单任务；第三项原则是尊重敏感数据，只授予完成特定任务所需的最低权限，避免向子智能体传递全部信息。

接下来看什么

未来可关注这些委派原则在企业工作流中的实际落地情况，尤其是任务验证、成本优化与数据权限控制如何协同运作。

企业客户需留意如何在多智能体系统中实现有效监督，并平衡自动化与人类专家判断的介入。

来源

• Google Cloud

发生了什么

2026年8月第一期Cloud CISO Perspectives发布在Google Cloud博客上。谷歌云CISO Chris Betz在文章中提出，AI时代反而让安全基础变得更加重要，基础实力是决定企业韧性还是脆弱的关键差异。

Betz指出，认为传统安全基础已经过时是危险且常见的误解。在AI加速攻击者能力的同时，防御方也需要借助MFA、Zero Trust、持续打补丁以及全面检测与响应等分层防御来构建防护。

他还观察到，攻击者正在用即时生成的AI恶意脚本和代码混淆来躲避检测，并通过vishing和deepfake实施身份盗用及商业邮件入侵；漏洞管理也从人工流程转向AI驱动的大规模发现与修复。

为什么重要

当AI能让攻击者以空前速度执行高度定制化的攻击，传统的单点防护难以跟上。文章传递的关键判断是：安全基础不是可以舍弃的旧事物，而是AI时代防守方最重要的差异化能力。

漏洞的可利用窗口几乎消失，意味着发现漏洞只是开始。安全团队必须更快地判断优先级并修复最关键的问题，而AI在这些环节的作用可能决定防御是否跑在威胁前面。

关键事实

这是2026年8月的首期Cloud CISO Perspectives，内容发布在Google Cloud博客，由谷歌云CISO Chris Betz撰写。

Betz认为，AI加速了攻击者能力，但MFA、Zero Trust、补丁管理和检测响应等基础防御仍然是韧性的关键。

攻击者正使用即时AI生成恶意脚本和混淆代码，利用vishing和deepfake进行身份盗用与商业邮件入侵；未授权AI工具也催生了影子代理。

接下来看什么

值得关注安全团队如何在AI发现漏洞数量激增的情况下，建立快速评估和修复关键漏洞的机制，而不是被漏洞数量淹没。

随着AI驱动的攻击变得更加定制化，企业是否会重新加大对MFA、Zero Trust等基础控制的投入，以及如何治理影子代理，将是后续重点观察方向。

来源

• Google Cloud

发生了什么

谷歌云在博客上发布了一个新的更新汇总页面，集中展示最新的产品动态、公告、资源、活动和学习机会，方便用户在一个地方查看所有新内容。

其中值得关注的公告包括：8月27日举行关于“Agent身份作为安全AI创新支柱”的网络研讨会；All Things Agentic黑客松已启动，奖金池为19万美元，提交窗口为2026年8月3日至8月31日。

此外，数据库迁移服务（DMS）现已支持由Gemini驱动的AI辅助代码转换，可将Oracle或SQL Server的存储过程、触发器及自定义函数转换为原生PostgreSQL和AlloyDB；Compute Flex CUDs也扩展至G2和G4 GPU虚拟机；GCSFS 2026.8.0版本默认启用自适应并发预取，可将单文件吞吐量提升至21 GiB/s。

为什么重要

这些更新显示出谷歌云在多个层面同时发力：一方面通过可验证的加密身份和统一身份平台来应对AI代理规模化带来的安全挑战，另一方面通过黑客松和AI辅助工具降低开发者构建与迁移的门槛。

GPU Flex CUDs和GCSFS性能提升则反映了谷歌云对成本灵活性和AI/ML基础设施效率的重视，帮助企业在保持敏捷性的同时优化资源利用。

关键事实

谷歌云推出新博客汇总页面，集中展示最新更新与公告。

“Agent身份”网络研讨会将于8月27日下午1点（美东时间）举行，由产品经理Shaun Liu主讲。

All Things Agentic黑客松提供总额19万美元的奖金、现金和谷歌云积分，提交时间为2026年8月3日至8月31日。

DMS现提供由Gemini驱动的AI辅助代码转换，支持迁移至PostgreSQL和AlloyDB。

Compute Flex CUDs现已适用于G2（NVIDIA L4）和G4（NVIDIA RTX Pro 6000）虚拟机。

GCSFS 2026.8.0默认启用自适应并发预取，配合Rapid Bucket可将单文件吞吐量提升至21 GiB/s。

接下来看什么

关注8月27日的Agent身份网络研讨会，了解谷歌云如何统一代理、人类和非人类身份。

对构建代理感兴趣的开发者可在8月31日前提交黑客松作品，赢取奖金和云积分。

使用Oracle或SQL Server的企业可留意DMS的Gemini代码转换能力，简化迁移“最后一公里”。

来源

• Google Cloud

发生了什么

AWS 宣布 Amazon Bedrock 已支持 OpenAI GPT-5.6 模型系列，包括 Sol、Terra 和 Luna，并覆盖超过 25 个 AWS 区域。

通过美国地理和全球两类推理配置文件，请求会被自动路由到不同区域，以提高吞吐量；用户既可使用 OpenAI API 也可使用 Converse API 调用模型，同时还能配置 IAM、配额和监控。

为什么重要

跨区域推理让企业无需为每个区域单独部署或管理模型，即可利用多地容量，有助于提升吞吐量和应对流量波动。

统一的 API 访问方式与可配置的 IAM、配额和监控，降低了多区域调用的运维复杂度，使得在更大范围内使用 GPT-5.6 模型变得更加实际。

关键事实

Amazon Bedrock 提供 OpenAI GPT-5.6 模型 Sol、Terra 和 Luna。

这些模型在超过 25 个 AWS 区域可用，支持跨区域推理。

推理配置文件分为美国地理和全球两类，用于路由请求。

模型可以通过 OpenAI API 和 Converse API 调用。

支持配置 IAM、配额和监控。

接下来看什么

客户如何利用不同的推理配置文件来优化吞吐量与区域覆盖，将是后续的一个观察点。

跨区域推理下的配额限制和监控告警设置，可能会成为大规模部署时关注的重点。

来源

• AWS Machine Learning

发生了什么

医疗保健、零售和生命科学团队在Snowflake中存储大量运营数据，但将这些数据转化为预测结果并非易事。

本文是该系列的第一部分，重点讲解如何设置AWS账户和Snowflake环境，为后续的无代码机器学习工作流做好准备。

该工作流将结合Snowflake、Amazon SageMaker Canvas和Amazon Quick，最终目标是搭建无需编写代码即可使用的欺诈检测模型。

为什么重要

许多团队拥有丰富的数据却缺乏机器学习专业知识，这种无代码方法有望降低建模门槛。

通过在Snowflake和Amazon SageMaker Canvas之间建立连接，业务用户可以直接利用现有运营数据创建预测模型，而无需依赖数据科学团队编写代码。

关键事实

医疗保健、零售和生命科学团队将大量运营数据存储在Snowflake中。

本部分内容涉及设置AWS账户和Snowflake环境。

该工作是构建无代码欺诈检测模型的基础，使用Amazon SageMaker Canvas完成。

接下来看什么

未来系列文章可能继续展示如何连接Snowflake数据、训练模型以及部署预测结果。

关注该无代码工作流如何在实际欺诈检测场景中落地和应用。

来源

• AWS Machine Learning

发生了什么

本系列第2部分展示了如何将 Amazon SageMaker Canvas 连接到 Snowflake，以便在无代码环境中直接访问交易数据。

数据准备环节使用 Data Wrangler 的可视化转换功能，完成数据清洗和连接操作，无需编写任何机器学习代码。

在模型构建阶段，作者训练了一个 XGBoost 欺诈检测模型，为后续步骤奠定基础。

为什么重要

该工作流让没有编程背景的分析师也能自行完成从数据接入到模型训练的端到端流程，降低了机器学习的门槛。

通过可视化工具进行数据准备，企业可以更快地迭代数据处理逻辑，并将精力集中在业务问题上，而非代码实现。

关键事实

本文章是“无代码 ML 工作流”系列的第二部分。

操作步骤包括连接 SageMaker Canvas 到 Snowflake、使用 Data Wrangler 进行可视化数据准备与连接。

最终训练了一个 XGBoost 欺诈检测模型，全程无需编写代码。

接下来看什么

本部分为第3部分做好了准备，下一部分预计将创建交互式仪表板来展示模型结果。

来源

• AWS Machine Learning

发生了什么

AWS 无代码机器学习工作流教程的第三部分演示了如何将来自 Amazon SageMaker Canvas 的欺诈检测预测导入 Amazon Quick Sight 进行可视化。

该教程涵盖导入预测、构建交互式仪表盘、使用生成式 BI 以自然语言提问，以及为利益相关者发布 AI 生成的执行摘要。

为什么重要

本部分展示了无代码服务如何覆盖从模型输出到业务就绪的视觉洞察的整个分析过程。

通过消除机器学习和 BI 中对代码的需求，团队可以快速从原始预测转向与高管和非技术受众共享的决策。

关键事实

本文是无代码机器学习工作流系列的第 3 部分，涉及 Snowflake、Amazon SageMaker Canvas 和 Amazon Quick Sight。

欺诈检测预测使用 Amazon SageMaker Canvas 生成，然后导入 Amazon Quick Sight。

用户可以构建交互式仪表盘，通过生成式 BI 以自然语言提问，并发布 AI 生成的执行摘要。

接下来关注什么

该系列的后继部分可能会探索无代码机器学习管道的其他阶段，例如数据准备、模型调整或治理。

对生成式 BI 的强调表明，AI 辅助分析将继续在业务用户与机器学习输出的交互中发挥更大的作用。

来源

• AWS Machine Learning

发生了什么

谷歌宣布，自今年五月在 Gemini Enterprise Agent Platform 上发布 Antigravity 以来，根据客户反馈，现已将其作为合格 Gemini Enterprise 应用订阅的一部分正式推出，并附带开箱即用的管理和支出控制功能。

此次更新新增了面向 VS Code、Visual Studio（预览版）、JetBrains（预览版）和 Zed（预览版）等 IDE 的扩展，让开发者能在熟悉的开发环境中使用 Antigravity，同时支持 2.0 桌面应用和 CLI。

订阅中现已包含 AI 开发者工具，管理员可为符合条件的 Gemini Enterprise Standard、Plus 及 Standard Emerging Market 许可用户启用 Antigravity 和 Android Studio，并由 Gemini Enterprise 管理控制台统一提供支出、安全、可观测性与用量指标。

为什么重要

这一变化意味着企业无需再为 AI 开发工具单独管理附加许可、发票、账单控制台或安全设置，有望简化采购和治理流程，同时满足开发者对易用编码代理的需求。

通过将 Antigravity 纳入现有 Gemini Enterprise 订阅，企业既能为高需求团队提供共享令牌池、月度项目预算上限和超额使用开关等灵活成本管理手段，也能借助工作区沙箱、集中审计日志和数据隐私保护，兼顾开发效率与合规要求。

关键事实

Antigravity 现已作为部分合格 Gemini Enterprise 应用订阅的一部分提供。

新增 IDE 扩展支持 VS Code、Visual Studio（预览）、JetBrains（预览）和 Zed（预览）。

管理员可设月度项目级预算上限，并启用池化配额与超额用量，超额部分转为按标准消费计费。

接下来看什么

后续今年晚些时候将推出更多按用户和按团队的额度控制功能，值得关注其对预算精细化管理的影响。

随着 Antigravity 扩展至更多 IDE 和桌面端，企业能否有效利用审计日志与安全策略来约束 AI 代理行为，将成为实际部署中的观察重点。

来源

• Google Cloud

发生了什么

AWS机器学习博客发布文章，介绍如何在Amazon Bedrock AgentCore中使用策略创作功能。该功能允许团队从自然语言策略文档生成符合要求的Dogwood策略，并提供了实际示例和最佳实践。

文章指出，AI代理有时会采取与组织策略不一致的行动。Amazon Bedrock AgentCore中的策略功能帮助团队在多个代理之间实施统一控制，现在该功能还支持基于时间的约束条件。

为什么重要

将自然语言策略文档自动转换为正确的Dogwood策略，可大幅降低手动编写和审核策略的复杂性，让非专家也能参与治理工作。

新增的时间约束使组织能够更精细地控制代理行为，例如限制在特定时段内执行操作，从而提升合规性和安全性。

关键事实

Amazon Bedrock AgentCore推出了策略功能，用于跨代理实施控制。

该功能现在包括基于时间的约束。

策略创作功能可将自然语言策略文档转换为Dogwood策略。

接下来看什么

关注后续是否有更多策略类型或约束条件（如基于资源、角色）被加入AgentCore。

观察AWS是否会发布更多关于策略创作与现有合规工作流集成的案例。

来源

• AWS Machine Learning