Cornerstone OnDemand 如何用 Amazon Bedrock 将数据库诊断时间缩短 78%
Cornerstone OnDemand 基于 Amazon Bedrock 和开源智能体编排框架 Strands Agents 构建了多智能体系统 Orion AI，将数据库诊断时间从 45 分钟降至 10 分钟，缩短 78%。该系统还把手动生命周期操作从 10 多个步骤压缩为 1 次交互，并将冗余告警中位数减少 65%，由三人团队在六个月内交付。
#MCP/工具调用
AWS Machine Learning BlogAI 评分3333 TechCrunch · AIAI 评分6060 Meta 的 Muse 助手登陆 iPad，距手机端发布仅一个月
Meta 周三宣布其 Muse 助手推出独立 iPad 应用，距 9 月 8 日在 iOS 和 Android 上线仅一个月。据 Sensor Tower 估算，Muse 上线以来安装量已超过 660 万次。
AWS Machine Learning BlogAI 评分5858 BlockRun 与 Incarna 如何用 Amazon Bedrock AgentCore payments 实现按次推理付费
AWS 介绍 Amazon Bedrock AgentCore payments 已正式可用，为 AI 智能体提供按需付费的托管能力，由基础设施层而非模型执行支出限额。
TechCrunch · AIAI 评分7272 Google 在 Gemini 中引入智能体能力，先从企业客户开始
Google 在 Google Cloud 活动上宣布为 Gemini 引入统一智能体，可回答问题并代为完成任务，初期面向企业客户，之后再推向消费者。该智能体可接收目标而非仅指令，自行规划工作、调用自定义技能与工具，并连接 Google Workspace、Microsoft 365、Slack、Jira、Git 等内部系统，也支持通过 MCP 服务器安全接入。
AWS Machine Learning BlogAI 评分2222 Qlik 如何用 Amazon Bedrock 构建企业级可信 AI
Qlik 基于 Amazon Bedrock 打造 Qlik Answers，为全球超 4 万名客户提供带来源引用的企业级问答，自 2026 年 2 月正式可用以来，其 Discovery Agent 已为客户发现超 10 万条异常与离群点。
AWS Machine Learning BlogAI 评分3838 用 AWS Lambda Durable Functions 与 Amazon Bedrock 自动化 AWS DevOps Agent 调查后的修复流程
AWS 展示了一套自动化修复工作流，用 Amazon EventBridge 接收 AWS DevOps Agent 的调查完成事件，再由 AWS Lambda Durable Functions 调用 Amazon Bedrock 分析根因并从预审白名单工具中提出修复方案。
AWS Machine Learning BlogAI 评分2222 AWS 如何用六周项目弥合 AI 知识到动手能力的差距
AWS 设计了一个为期六周、每周约四小时的结构化项目，让非工程背景的业务人员用 Amazon Bedrock AgentCore、Strands Agents SDK 和 Amazon Nova 模型动手构建 AI 智能体。
Latent SpaceAI 评分6262 Kubernetes 创始人能否用云原生 harness 让智能体走出桌面
Latent Space 采访了 Kubernetes 创始人 Craig McLuckie 和 Joe Beda，他们创办的 Stacklok 已从软件供应链安全转向基于 Kubernetes 的智能体方案，核心产品是 6 月起在 GitHub 开源的云原生 harness Mecatl。
GitHub Blog · AI & ML精选AI 评分6666 GitHub Security Lab 发布 Fuzzing Taskflow 智能体
GitHub Security Lab 发布 Fuzzing Taskflow，一个面向 C/C++ 项目的自主模糊测试流水线，只需指向一个 GitHub 仓库，智能体就会识别入口点、分析构建系统、编写 harness、运行 AFL++、读取覆盖率报告并改进 harness，最后对每个崩溃做定级并生成漏洞报告。
推荐理由：GitHub Security Lab 把模糊测试的 harness 编写、覆盖率追踪与崩溃定级交给 LLM 智能体，读者可了解其任务流分层与安全边界。
GitHub Blog · AI & MLAI 评分2222 GitHub Podcast 拆解五大 AI 热梗：要不要读 AI 生成的代码、RAG 已死、Skills 杀死 MCP？
GitHub Podcast 最新一期拆解了五个 AI 开发热梗：AI 生成的代码仍需阅读和负责，只是审查力度应按风险分级；Skills 与 MCP 解决不同问题，前者是打包的团队经验，后者是智能体连接工具和数据的标准协议，二者可组合使用。RAG 并未死亡，检索能让模型从训练数据之外获取文档、内部知识和代码库上下文，减少 token 浪费并降低答案不完整的概率。