跳到正文
目前篩選:一手
10月13日週二
  1. AWS Machine Learning Blog61

    ShipStation Global 如何在 Amazon Bedrock AgentCore 上建構 AI IT 服務台

    ShipStation Global 在 Amazon Bedrock AgentCore 上建構 Slack AI IT 服務台 Deckhand,以知識庫回答常見問題、分析錯誤截圖及建立或更新 Jira Service Management 工單。

    推薦理由:文章拆解以 RLM 從 Slack 已解決支援對話抽取結構化解法、建立知識庫的流程,並呈現三個月內 812 次 Agent 對話未轉成工單。

  2. AWS Machine Learning Blog69

    如何在泰國、馬來西亞、新加坡、印尼及台灣透過 Amazon Bedrock 全球跨區域推理存取 OpenAI GPT-6 模型

    AWS 説明如何透過 Amazon Bedrock 全球跨區域推理,在泰國、馬來西亞、新加坡、印尼及台灣存取 GPT-6 Sol 和 GPT-6 Luna,並在新加坡存取 GPT-6 Astra。

    推薦理由:文章把 API 呼叫、IAM/SCP 權限、配額與監控串成部署流程,並交代跨區域請求的資料保留位置及來源區域追蹤方式。

10月12日週一
  1. imBee · AI Agent 及企業客服59

    如何在顧客使用前測試零售 AI FAQ

    測試零售 AI FAQ 前,團隊應先限定一類問題,指定核准政策來源和審核人員,並設定人工轉介方式。測試需涵蓋資料不足、政策衝突、例外要求及人工轉介,並檢查回答是否符合來源、避免未經核實的承諾,以及提供可行的下一步。政策或指示更新後,應使用保存的測試集重測;測試通過率只反映該測試集,不能代表客戶問題已解決。

10月10日週六
  1. OpenAI News60

    Asana 以 GPT-6.1 Sol 將瀏覽器智能體測試成本降低 76 倍

    Asana 以 GPT-6 Astra 在 Codex 中進行實驗,優化 GPT-6.1 Sol 上的瀏覽器智能體工作流,較原有 Model B 生產配置成本低 76 倍、速度快 5 倍。團隊測試了延長瀏覽歷史快取、提高可保留文字量,以及分批移除截圖等改動。優化後的工作流平均每次估算成本為 $0.47,約需 4 分鐘;較大的歷史容量下,18 次測試均產生正確答案。

    推薦理由:144 次測試對照了瀏覽歷史、文字保留量和截圖清理策略,呈現這些設定對智能體成本、速度與作答完成率的影響。

  2. AWS Machine Learning Blog60

    Postman 如何在 Amazon Bedrock 上為 40 million 名開發者運行 Agent Mode

    Postman 分享如何透過 Amazon Bedrock 為 40 million 名開發者運行 Agent Mode,並歸納將成熟產品接入 AI 智能體的生產架構經驗。核心做法包括按任務動態篩選工具、以結構化資料支援查詢,以及為不同實體建立專用上下文處理器;修改應用程式狀態前仍須用戶批准。Agent Mode 亦使用模型選擇、跨區域推理、為支援模型設定的零數據保留,以及分層提示詞快取。

    推薦理由:文章拆解 Postman 如何按任務動態配置工具、以結構化資料查詢及專用上下文設計,處理成熟產品接入智能體的工程難題。

10月9日週五
  1. Hugging Face Blog59

    Ai2 如何以 GPU 時間預算改善 GPU 叢集排程

    Ai2 的 AI 基礎設施團隊以 GPU 時間預算、階層式公平分配及時間切片合約取代優先級排程,將 GPU 時間分配由逐案處理改為透明的預算流程。實施後的 30 日測試期內,團隊獲得應得 GPU 時數的 98%,叢集佔用率維持 98%;debug 工作負載的 p90 等候時間由 2 小時降至 30 秒,需人工介入的維修減少 74%。

  2. OpenAI News61

    Sophos 藉助 OpenAI Daybreak 將威脅調查時間縮短 96%

    Sophos 透過 OpenAI Daybreak 將威脅調查時間縮短 96%,使用 AI agents 的個案平均回應時間降至 89 秒。AI 已端到端解決 52% 的 MDR 個案;Sophos 仍要求可能造成破壞的操作接受適當的人類監督。

    推薦理由:從約 38 分鐘降至 89 秒的平均回應時間,以及 52% 的端到端解決率,可見 Sophos 如何在客戶控制和人類監督邊界內擴大自動化。

  3. Hugging Face Blog81

    用 ML-intern 打造原本不存在的模型

    作者以 ML-intern 建立六個原本沒有的模型,並完成訓練、評估及公開發布到 Hugging Face Hub。文章分享提示詞如何列明數據集與基礎模型,要求先測基準、執行小規模 smoke test 並設定支出上限;六個項目的運算費用合計約 USD 103。

    推薦理由:文章把 ML-intern 的提示詞設計拆成可操作環節,從先測基準、設定小規模 smoke test 到限制預算,並以六個模型專案展示這套流程。

  4. NVIDIA Blog57

    走進 Omniverse:開發者如何利用前沿 AI 智能體把構想轉化為模擬環境

    NVIDIA 展示開發者如何結合前沿 AI 模型與 NVIDIA Omniverse libraries,把構想轉化為模擬應用,用於探索情境、調查故障及改良設計。案例涵蓋工業數碼孿生、機械人操作和感測器驗證,開發者以自然語言指揮智能體,再檢查結果及引導修改。一次 256 個病房的 Microduck 模擬中,14 個模擬秒後仍有 768 隻中的 766 隻站立。

  5. AWS Machine Learning Blog64

    BlockRun 與 Incarna 如何使用 Amazon Bedrock AgentCore payments 實現 AI 智能體按次支付推理費用

    Incarna 使用 Amazon Bedrock AgentCore payments,讓 AI 智能體透過 x402 向 BlockRun 逐次支付模型推理費用,並將流程部署至 Base 正式環境。

    推薦理由:文章以 Incarna 的整合案例,説明 AgentCore payments 如何透過 x402 支援按次推理付款,並在基礎設施層執行支出上限。

  6. viAct · 視覺 AI 及工地安全43

    日本建築安全:主要風險及電腦視覺如何提供協助

    日本建築工地面對高空墮下、機械事故及熱疾病等安全風險,電腦視覺可透過現場影像進行持續、即時監察。2025 年日本有 214 名建築工人因工死亡,約佔全行業 700 宗死亡事故的 31%;高空墮下是建築事故的首要成因。日本自 2025 年 6 月 1 日起規定僱主採取預防熱疾病措施。

10月8日週四
  1. AWS Machine Learning Blog59

    Amazon Quick 與 Amazon Bedrock Knowledge Bases 以即時 ACL 核驗處理 RAG 存取控制

    Amazon Quick 與 Amazon Bedrock Knowledge Bases 加入查詢時即時 ACL 核驗,直接向權威資料來源確認用戶的文件存取權限。系統先以索引中已儲存的 ACL 篩選候選文件,再於查詢時核實權限,只把獲授權的文件段落交予 LLM。AWS 表示,用戶存取權被撤銷後,變更會在短時間內反映於 AI 回應,而非等候數小時或數天。

  2. AWS Machine Learning Blog54

    超越節省工時:如何為智能體自動化建立商業案例

    AWS Machine Learning Blog 提出智能體自動化商業價值框架,指出評估除了節省工時,還應衡量例外處理、決策質素,以及變更韌性與維護成本。文中的理賠分流示例説明,釋出工時不等於實際節省成本,只有轉化為支出減少或可衡量的再部署成果,才算實現價值。文章並按工作複雜度和決策風險建立優先排序矩陣,用以區分適合 RPA、智能體自動化或需要人手監督的流程。

10月7日週三
  1. AWS Machine Learning Blog62

    Cornerstone OnDemand 如何藉助 Amazon Bedrock 將資料庫診斷時間縮短 78%

    Cornerstone OnDemand 構建多智能體 AI 系統 Orion AI,採用 Amazon Bedrock 和 Strands Agents,將資料庫診斷時間由 45 分鐘降至 10 分鐘,減少 78%。資料庫生命週期操作由 10 多個人工步驟縮至一次互動,冗餘告警中位數減少 65%。文章亦介紹其按領域劃分智能體、以關鍵字優先並以語義搜尋作後備的路由設計。

    推薦理由:案例量化呈現診斷、流程及告警改善,並拆解領域分工與混合路由等設計,為資料庫營運團隊提供可參考的多智能體實作脈絡。

  2. AWS Machine Learning Blog57

    AWS 分享培養 AI 建構者、縮小知識與實作能力差距的實踐指南

    AWS 團隊分享一套為期六週的培訓計劃,協助沒有工程背景、日常接觸 AI 的商業專業人士建立 AI 智能體實作能力。參加者每週投入約四小時,在導師支援下使用 AWS 工具製作可展示的原型;四名面向客戶的專業人士打造多智能體理財工具 WealthWise,並在展示中獲得第一名。

  3. viAct · 視覺 AI 及工地安全27

    KSA及UAE建築工地的勞動力智能分析

    AI 勞動力智能分析可連結建築工地的考勤、班次、承包商、薪酬及營運資料,協助識別人力分佈、使用情況、加班及承包商調配模式。電腦視覺可分析合適的攝影機畫面,估算指定工作區的人員數量或佔用情況,供管理人員參考實際部署。相關分析可支援人力規劃及薪酬核實,但不能取代高温作業所需的防護措施。

  4. viAct · 視覺 AI 及工地安全34

    沙特阿拉伯製造業的機械風險評估與安全

    沙特阿拉伯製造商透過機械風險評估,識別、評估和控制設備從安裝、操作到維護及退役期間的危害。2022 年,沙特阿拉伯製造業錄得 6,660 宗工傷,是全國工傷數第二高的行業。SASO 的機械安全技術法規涵蓋風險分析、安全指示及阿拉伯語標籤要求。

10月6日週二
  1. AWS Machine Learning Blog55

    Amazon Bedrock AgentCore Evaluations 教學:評估多智能體系統的可解釋性與有用性

    AWS 示範如何透過 Amazon Bedrock AgentCore Evaluations,衡量多智能體系統的有用性、任務成功率、業務準確性與可解釋性。文章以虛構零售商 AnyCompany Retail 的供應鏈決策方案為例,逐層結合內置評估器、自訂業務規則及六項可解釋性評估。框架支援開發階段的按需評估及生產環境的線上持續監察,並分開衡量業務準確性與解釋透明度。

10月5日週一
  1. viAct · 視覺 AI 及工地安全29

    地下礦場安全:AI 如何在風險升級前識別隱患

    AI 可在地下礦場事故發生前識別風險,將安全監察由事故後調查提前至警示、前兆和未遂事故階段。文章指出,地下環境視線受阻、網絡連接不穩,需結合攝影機、穿戴式裝置、邊緣設備及環境感測器,並由 Edge AI 在現場處理影片和感測器數據。

10月3日週六
  1. AWS Machine Learning Blog61

    Claude Platform on AWS 多環境存取實作指南

    AWS Machine Learning Blog 提供 Claude Platform on AWS 多環境存取指南,示範為 AWS 工作負載、開發者筆電及外部環境配置推理存取。

    推薦理由:文章按 AWS 工作負載、開發者筆電與外部環境,示範 cross-account SigV4、workspace-scoped API key 和 OIDC federation 如何配置,並維持 workspace 隔離。

10月2日週五
  1. AWS Machine Learning Blog69

    使用 Amazon Quick 與 Adjudicated Query 模式,對數萬份租約進行合規掃描

    AWS 介紹並部署 Adjudicated Query 模式,讓 Amazon Quick 的自然語言合規查詢透過固定 MCP 操作交由確定性規則引擎判定,而非由模型作出決策。

    推薦理由:文章把自然語言查詢與合規判定分開,並以完整性收據和逐筆證據鏈展示如何核對大量檢查結果。

  2. GitHub Blog · AI & ML35

    AI 正改變開發者的工作方式:三項值得加強的技能

    AI 正改變開發者的工作方式,開發者應加強引導 AI、審核 AI 輸出,以及利用節省的實作時間解決更大型問題。隨着 AI 智能體承擔更多實作,開發者仍須界定問題、檢視生成程式碼、權衡取捨並作出技術決策。GitHub Copilot 內置的 Rubber Duck agent 會使用第二個模型,在推進前檢視計劃、程式碼和測試。