从原型到生产环境：使用 Agent DLC 工程化 AI Agent
AWS 提出 Agent Development Lifecycle（Agent DLC），用于将 AI Agent 从原型推进到生产环境。文章指出传统 CI/CD 对 Agent 不足，需额外处理非确定性、提示词版本化和外部依赖漂移三个特性。
#教程/实践
AWS Machine Learning BlogAI 评分4949 AWS Machine Learning BlogAI 评分4949 Amazon Bedrock Managed Knowledge Base 如何实现 Agent 工具的细粒度访问控制
Amazon Bedrock 推出了一种通过多层防御机制为 AI Agent 实现细粒度访问控制的方案。
AWS Machine Learning BlogAI 评分5050 AWS 上基于 A2A 协议构建可组合、互操作的多智能体系统
AWS 官方博客演示了如何通过 A2A 协议在跨组织边界协作，LangChain 编排器与 Strands 智能体分属不同框架，通过 Agent Card 发现和服务注册实现互通。系统部署在两个独立 AWS 账户中，使用双向 OAuth 认证和 Amazon Cognito 身份管理，不共享密钥或依赖对方 SDK。通过三个 Jupyter 笔记本完成完整部署和端到端测试验证。
AWS Machine Learning BlogAI 评分5252 通过编码智能体迁移至Amazon Bedrock托管知识库
AWS推出Amazon Bedrock托管知识库迁移指南，帮助客户将客户管理的知识库平滑迁移至托管版本，并提供详细的迁移步骤、成本对比及新功能说明。
AWS Machine Learning BlogAI 评分4343 Amazon Bedrock 如何优化任务成本并证明智能体 ROI
文章提供在 Amazon Bedrock 上计算真实任务成本的框架，揭示定价页未展示的四种隐藏成本驱动因素：tokenizer 效率、输出对齐与冗长度、智能体循环效率、推理开销。输出 token 成本可达输入的 3–5 倍。通过缓存、路由和输出约束可降低单次任务成本，再结合人类基线、留出实验与五维评分卡量化智能体的投资回报率。
AWS Machine Learning Blog精选AI 评分6565 影响 Amazon Bedrock 推理成本的四个参数设置
Amazon Bedrock 官方博客介绍了四种可通过推理请求控制成本的参数：Prompt 缓存 TTL（支持 5 分钟和 1 小时写入，缓存读取价格为输入价格的 0.1 倍）、服务层（Flex 层适用于延迟容忍任务。
推荐理由：原文给出了四种可独立调整的参数及其验证方法，读者可以据此控制推理成本。
AWS Machine Learning BlogAI 评分5151 Natera 使用 Amazon Bedrock AgentCore 构建实验室运营智能体 SWARM 的完整实践
Natera 与 AWS 合作构建了 SWARM 智能体系统，首响时间从 17.4 小时降至约 8 分钟（提升约 130 倍），自动化覆盖率达 96.2%。系统采用双代理架构共享 33 个技能库，通过 RAG 整合供应商手册和历史工单，结合 EventBridge 与 SQS 实现与 Jira 的事件驱动集成。