跳到正文
  1. AWS Machine Learning Blog68

    AWS 介绍用反统一比较形式化策略的语义差异

    AWS Machine Learning Blog 介绍了开源 semi-persistent 引擎如何利用 e-graph 和反统一比较形式化策略,通过代数规则与领域重写合并共享结构并定位语义分歧。文章以 Cedar、Dogwood、OpenShell 和 CEL 策略为例,演示从构建、运行到 CI 回归检查的流程,并说明该方法可用于审查 LLM 生成的形式化结果。

    推荐理由:文章通过多个策略案例展示如何用反统一定位形式化策略的语义分歧,并给出构建、运行和接入 CI 的完整方法。

  2. AWS Machine Learning Blog68

    Amazon Bedrock Managed Knowledge Base MCP 工具的细粒度访问控制实践

    Amazon Bedrock Managed Knowledge Base 可通过请求拦截器、ACL awareness、Policy in AgentCore 和资源策略实现 MCP 工具的细粒度访问控制。

    推荐理由:文章用可部署的 AWS CDK 示例说明如何在共享智能体和知识库中实施用户级检索隔离,并覆盖身份注入、策略校验与绕过防护。

  3. AWS Machine Learning Blog81

    在 AWS 上构建基于 A2A 的可组合跨组织多智能体系统

    AWS 演示了如何用 A2A 协议连接两个独立 AWS 账户中的多智能体系统,LangChain 编排器可通过 Agent Card 发现并调用基于 Strands Agents SDK 构建的 SaaS 智能体,双方无需依赖彼此的框架或 SDK。

    推荐理由:文章提供跨框架、跨组织智能体协作的完整 AWS 参考架构,并展示身份隔离、双向回调与信任边界测试的实现方式。

  1. AWS Machine Learning Blog61

    Amazon Bedrock 四类推理参数如何影响成本

    Amazon Bedrock 的缓存 TTL、服务层级、推理努力程度和 maxTokens 可在模型与提示词不变时影响推理成本。文章通过对照测试说明各参数的成本与质量权衡,并建议每次只改一个设置,再结合响应元数据、CloudWatch、调用日志和计费数据验证效果。

    推荐理由:文章以实测和账单数据拆解四类请求级参数如何影响成本,并给出验证缓存命中、服务层级与任务质量的方法。

  1. GitHub Blog · AI & ML68

    GitHub推出基于ModernBERT的混合式密钥扫描器

    GitHub推出由正则候选生成和微调ModernBERT上下文分类组成的密钥扫描器,并将其扩展至提交前扫描。相比原有LLM流水线,该方案使仓库所有者加权接受率提高11.5%,推送后扫描执行时间降低86%,服务成本降低超过98%;离线评测精度提高13%,召回率提高19%。

    推荐理由:GitHub公开了混合式密钥扫描器的设计与评测结果,可供读者理解如何兼顾密钥检出率、误报率与部署成本。

已经到底了