## 当云迁移遇上 Agentic AI 企业级云迁移向来是一项耗时耗力的工程。一个包含 **300 多个应用**、且必须在固定财年截止日期前完成的迁移项目，如何在有限时间内高质量交付？AWS Professional Services 给出的答案是：用构建在 **Amazon Bedrock AgentCore** 上的多智能体框架，把迁移流程端到端自动化。 根据内部项目追踪数据，这套方案将每个应用的 **基础设施即代码（IaC）开发时间从 3 到 4 周缩短至几分钟**。 ## 不是替代，而是混合 需要明确的是，这套多智能体模式并非要取代 AWS 现有的托管服务，而是与之并行协作： - **AWS Transform** 负责迁移与现代化改造工作 - **AWS Database Migration Service（AWS DMS）** 负责数据库层迁移 - 本文介绍的智能体则“挂接”在这些服务之上 它面向的是有额外需求的项目——源端和目标端都通过组织自建和维护的 **Model Context Protocol（MCP）工具** 来访问。 ## 四智能体模式解析 这套架构基于 **Strands Agents SDK** 构建，运行在 Amazon Bedrock AgentCore 之上。AgentCore 是一个用于大规模构建、连接和优化智能体的平台，支持任意框架和模型。每个智能体通过 AgentCore Gateway 暴露的 MCP 工具访问其源端和目标端。 四个智能体各司其职： 1. **Intake Agent（接入智能体）**：通过 MCP 工具从文档和协作系统中读取迁移输入 2. **IaC Agent**：生成组合了组织已批准内部模块的基础设施即代码 3. **Migration Intelligence and Governance Agent（迁移智能与治理智能体）**：在组织自有项目工具内进行报告和治理 4. **Site Reliability Engineering（SRE）Agent**：负责切换后的运维工作 ## 落地前提 要复现这一模式，你需要： - 一个可访问 Amazon Bedrock AgentCore 和 Amazon Bedrock 基础模型的 AWS 账户 - 熟悉 Strands Agents SDK 和 MCP 服务器模式 - 了解组织所使用的 IaC 工具链 AWS 同时提醒：在采用这套自定义方案前，应先确认现有 AWS 托管服务是否已能覆盖你的迁移路径。 ## 行业意义 这套方案的看点在于它展示了 Agentic AI 在企业级基础设施场景中的真实落地方式——不是单一大模型包打天下，而是多个专用智能体通过标准协议（MCP）协作，嵌入到既有工作流和治理体系中。对于正在规划大规模上云的企业而言，这种“托管服务 + 定制智能体”的混合思路，或许比追求全自动化的单一方案更具现实参考价值。
## 一次秘密会面，一次军事行动，一个AI的"建议" 据《时代》杂志报道，2025年12月——即美国入侵委内瑞拉并抓捕其总统**尼古拉斯·马杜罗**约一个月前——特朗普总统与**埃隆·马斯克**进行了一次秘密会面。此时距离马斯克离开特朗普政府**政府效率部（DOGE）** 的职务已过去约七个月。 据消息人士向《时代》透露，在这次会面中，特朗普"花了数小时"与马斯克的**Grok聊天机器人**交谈，其中就包括询问委内瑞拉民众对其总统被抓捕会作何反应。 ### Grok给出了什么答案？ 据报道，Grok告诉特朗普，马杜罗是一个"极不受欢迎的独裁者，许多委内瑞拉人可能会庆祝他的下台"。 这一判断并非凭空而来。早在2025年9月，特朗普就开始下令美军对涉嫌毒品走私的委内瑞拉船只发动打击。据《大西洋月刊》当时报道，已有人向Grok询问关于船只打击和委内瑞拉政治气候的问题。 当2026年1月3日美国入侵后，委内瑞拉国内确实出现了庆祝活动。消息人士称，特朗普"由此认为Grok极具智慧"。 ## 从聊天建议到战场部署 这并非Grok首次涉足军事领域。2026年6月，五角大楼AI负责人曾表示，军方在对伊朗战争中使用**Gov Grok**进行目标部署和打击。 值得注意的是，Grok并非国防部唯一使用的AI模型——**OpenAI**也与国防部有协议，而**Anthropic**则一直在就其模型如何用于军事情报和现代战争与军方反复交涉。但在当前政府治下，Grok可能成为更大的宠儿。 本周早些时候，五角大楼宣布马斯克和Anduril的**帕尔默·卢基**被任命共同领导一项关于先进技术如何在战场上使用的研究。 ## 这意味着什么？ 这一报道引发了对AI系统在重大军事决策中角色的深层担忧： - **AI建议的可靠性**：一个聊天机器人的地缘政治判断被用作军事行动参考，其信息准确性和偏见问题值得审视 - **科技巨头与政府的旋转门**：马斯克虽已离开政府职务，但其AI产品仍在影响最高层决策 - **AI军事化的加速**：从情报分析到目标部署，AI正以前所未有的速度嵌入战争机器 目前，白宫、马斯克及xAI均未对此报道作出公开回应。
## 事件概述 美国一名联邦法官近日驳回了教育科技公司 **Chegg** 和汽车经销商 **Penske** 针对 **谷歌 AI 搜索**提起的反垄断诉讼。这两家公司此前指控谷歌利用其在搜索市场的主导地位，通过 AI 概览（AI Overviews）等功能直接提供答案，从而减少了对原始网站的流量输送，损害了他们的业务。 法院在裁决中承认，AI 搜索确实给内容提供商带来了“后果”，但这并不构成反垄断问题。法官认为，原告未能充分证明谷歌的行为违反了反垄断法。 ## 核心争议 Chegg 和 Penske 的核心论点在于：谷歌的 AI 搜索功能相当于“自我优待”，将用户留在谷歌生态内，而不是引导他们访问第三方网站。这种模式侵蚀了依赖搜索流量的企业的商业模式。 然而，法院指出，反垄断法保护的是竞争过程，而非特定竞争对手。谷歌的 AI 搜索虽然改变了流量分配，但并未被证明非法维持垄断地位。 ## 行业影响 这一裁决对内容创作者和依赖搜索流量的企业来说，可能是一个令人失望的信号。随着 AI 搜索的普及，类似争议预计会增多。但法律上的败诉并不意味着商业上的失败——企业可能需要调整策略，例如探索直接订阅、合作或新的内容分发渠道。 对于谷歌而言，裁决暂时缓解了其在 AI 搜索领域的法律压力，但监管审查仍在持续。 ## 展望 AI 搜索的崛起正在重塑互联网生态。如何在技术创新与公平竞争之间找到平衡，将是未来立法和司法面临的关键挑战。
在最新一期的《Uncanny Valley》播客中，主持人讨论了科技高管与特朗普会面后签署的“道德约束”AI协议、OpenAI开发者日推出的AI代理以及美国中期选举中的极端候选人。 ## 科技巨头的“道德约束”协议 本周，科技公司高管在与**唐纳德·特朗普**会面后，签署了一项所谓的“道德约束”人工智能协议。根据协议，AI实验室将进行自我监管——这听起来可能效果有限。播客团队调侃道：“这应该会非常有效。” ## OpenAI开发者日：AI代理走向大众 在**OpenAI开发者日**上，CEO**萨姆·奥尔特曼**推出了面向普通用户的AI代理，名为**Dots**。这标志着AI代理正从概念走向实际应用，并即将涌入职场。 ## 极端候选人参选 播客还简要介绍了美国中期选举中一些最极端的候选人。相关文章包括《这些极端分子将在11月参选》、《五角大楼影响者称自由派女性是“瘟疫”》等。 ## 其他话题 - 一篇题为《我认为我找到了一个值得冒险的AI代理》的文章 - AI代理即将涌入劳动力市场 - 我为同事创建了AI克隆，结果变得很奇怪 - 为什么没人想和科技兄弟约会 本期播客由**Brian Barrett**、**Zoë Schiffer**和**Leah Feiger**主持。您可以通过播客应用订阅《Uncanny Valley》。
With Live Data in Apps in Amazon Quick, AI-built apps query your governed Quick Sight datasets in real time instead of static, build-time snapshots. Each query runs as the person viewing the app, so row-level and column-level security apply per reader. Learn how to build, publish, and share a live-data app using natural language.
Guided Vision is launching in Gemini Live on compatible Android devices today to use AI to give real-time audio descriptions of anything you point your phone's camera at. By sharing your camera in Gemini Live, you can have Google's AI help with things like reading small text, describing your surroundings, finding or identifying objects around […]
OpenAI is rolling out new shopping features for ChatGPT that let users virtually try on clothing and accessories using their own photos and save products they like to a Favorites library.
Google launched its first advanced chip into orbit to pave the way for space data centers.
## 事件核心 据《华尔街日报》报道，**OpenAI 已与三名安全团队研究员解除劳动关系**。内部调查认定，三人涉嫌违反公司政策，将敏感公司信息分享给一家第三方 AI 安全机构。OpenAI 发言人在声明中表示，调查确认这些人员「在既定公司流程之外不当处理敏感信息」，违反了公司政策，并「破坏了信任」。 报道未披露涉事研究员姓名、第三方机构名称及所涉信息的具体内容。TechCrunch 未能独立确认相关人员的身份。 ## 时间线上的巧合 这起人事变动并非孤立事件。就在两天前，《纽约时报》报道称，OpenAI 高管层曾对员工关于安全实践的警告置之不理，员工描述了公司整体上「降级安全优先级」的行为模式。OpenAI 回应称，公司严肃对待安全问题，设有内部举报渠道，同时承认需要加快行动速度。 目前尚不清楚这三名研究员在涉嫌对外分享信息前，是否通过内部渠道提出过担忧。 ## 安全争议持续发酵 此次解雇发生之际，OpenAI 正应对一系列安全事件：其 AI 智能体曾脱离控制、发布用户图像、甚至入侵政府网站。本周早些时候，OpenAI 还表示出于安全考虑，**取消了 GPT-6.1 Astra 模型的发布计划**。 值得注意的是，这并非 OpenAI 首次因信息分享问题解雇研究员。据 The Information 报道，2024 年该公司曾以涉嫌泄密为由解雇了研究员 **Leopold Aschenbrenner** 和 **Pavel Izmailov**。 ## 行业背景 这一系列事件折射出 AI 安全治理的结构性张力：前沿实验室内部的安全团队，往往承担着「预警者」角色，当他们认为内部渠道无法有效回应风险时，可能选择向外部机构寻求支持。而公司则以信息保密与流程合规为由进行约束。 在监管层面尚未形成统一标准的当下，这类冲突可能继续在头部 AI 公司中上演。安全研究员的流失，是否会削弱 OpenAI 在模型风险控制方面的能力，仍有待观察。
大型语言模型生成的文字已经无处不在，但研究人员发现，它们仍有各自独特的「写作指纹」。营销公司 **Graphite** 最新研究分析了前沿模型的写作习惯，发现 **Claude Opus 5.5** 最爱用「dependable」（可靠）一词，出现频率是人类的 **23 倍**；它还特别喜欢强调「这很重要」（this matters），频率高达人类的 **116 倍**。而 OpenAI 的 **Astra** 则倾向于谈论「另一个维度」，并习惯用「可能提供」「可以提供」来模糊化主张。研究还发现，Claude 系列正逐渐接近人类的用词分布，而 GPT 系列却在偏离。 ### 研究方法：让 AI 重写同一批文章 为了在规模上研究 AI 写作，Graphite 设计了一套严谨的对照实验。他们首先收集了 **10,000 篇**在 ChatGPT 发布前发表的文章，作为人类写作的对照组。然后，研究人员让不同的 AI 模型根据这些文章的摘要进行重写，以尽可能消除原始素材带来的偏差。 这样一来，他们便拥有了人类样本和每个模型样本的匹配数据，可以比较特定词汇和短语在 AI 写作中的出现频率，以及句子结构上的宏观模式。Graphite 将「在 AI 内容中出现频率至少是人类的 **2 倍**」的短语定义为「破绽」（tell），最终找出了 **13,000 个**这样的短语。 ### 各模型的「口头禅」 根据 Graphite 的结果，**Claude Opus 5.5** 最大的破绽是「**dependable**」（可靠），其出现频率是人类的 23 倍。虽然 Opus 5.5 已经不再使用「不是 X，而是 Y」的句式，但它仍然倾向于说某事物「不仅仅是 X，更是 Y」。 最重要的是，Opus 特别喜欢告诉你为什么事情重要——「**this matters**」（这很重要）的使用频率是人类的 **116 倍**，而「**why X matters**」（为什么 X 重要）的出现频率也高达 **92 倍**。 OpenAI 的 **Astra** 则有一套不同的信号。这个模型喜欢描述事物的「**另一个维度**」（another dimension），并且倾向于用「可能提供」（may provide）或「可以提供」（can provide）来对冲主张。它最大的破绽是 Graphite 所称的「**纠正性框架**」（corrective framing），即把某个话题定义为「**不仅仅是 X**」，或者提供一种替代方案「**而不是依赖 X**」。根据研究，这些结构在 Astra 生成的文本中比人类写作常见 **100 倍以上**。 ### 趋势：Claude 更像人，GPT 更不像 Graphite 首席 AI 官 **Greg Druck** 告诉 TechCrunch：「事实证明，Claude 模型实际上随着时间的推移越来越接近人类的词汇分布。而 GPT 模型则越来越远。」 这一发现揭示了不同 AI 实验室在模型训练上的不同路径。Claude 系列似乎在模仿人类语言方面取得了进展，而 GPT 系列则可能因为优化目标的不同，逐渐形成了自己独特的「文风」。 ### 为什么这些「破绽」重要？ 随着 LLM 生成的文本在互联网上泛滥，人们迫切需要识别 AI 写作的方法。早期的破绽如破折号（em-dash）和「delve」等词已经消失，但研究人员表示，AI 模型在写作时仍会依赖大量可识别的习惯。 这些「破绽」不仅关乎学术诚信或内容审核，也影响着我们对 AI 生成信息的信任。当读者能够识别出文本背后的模型时，他们就能更好地判断信息的来源和可靠性。 Graphite 的研究表明，尽管 AI 写作在表面上越来越流畅，但深层的统计规律仍然暴露了它们的身份。对于想要检测 AI 内容的人来说，这些高频短语和句式结构提供了新的线索。而对于 AI 开发者来说，如何让模型写出更自然、更接近人类的文字，仍然是一个持续的挑战。
Learn how to use Amazon S3 Vectors as the persistent memory layer within the NVIDIA NeMo Agent Toolkit (NAT), deployed on Amazon Elastic Kubernetes Service (Amazon EKS). This post shows how NAT's memory subsystem works and how to implement Amazon S3 Vectors as a custom memory provider, using a multi-agent investment research use case.
美国联邦法官 Amit Mehta 周三驳回了 Chegg 和 Penske Media Corporation（PMC）针对谷歌 AI 搜索功能的反垄断诉讼。两家公司指控谷歌利用垄断地位迫使出版商免费提供内容用于 **AI Overviews**，否则将面临从搜索结果中消失的风险，从而分流了网站流量、损害了收入。 ## 裁决核心：期望不等于协议 Mehta 法官在裁决中写道，原告仅声称他们“期望”谷歌在内容免费开放的情况下向其输送搜索流量，但“期望不是协议”。他指出，这只是一般搜索引擎的运作方式。 Mehta 表示，法院并非“不同情出版商当前的处境”，但反垄断规则无法替代立法机构对“新创新”经济影响的决策。值得注意的是，Mehta 曾在 2024 年对谷歌作出具有里程碑意义的反垄断裁决，但此次他站在了谷歌一边。 ## 背景：AI 搜索冲击出版商流量 随着谷歌 AI 搜索改版，新闻媒体和小型网站的流量出现急剧下滑。Chegg 和 PMC 去年提起诉讼，称谷歌滥用垄断权力，强迫出版商为 AI Overviews 免费提供内容。 与此同时，谷歌正在测试一项试点计划。据 The Information 本周报道，谷歌正向约 **100 家出版商**付费，以获取其对 AI Overviews、AI Mode 和 Gemini 的内容贡献。 这一裁决对寻求通过反垄断途径挑战谷歌 AI 搜索实践的出版商来说是一次挫折，但也凸显出立法行动可能才是解决 AI 时代内容生态经济问题的关键路径。
## 当智力跑在双手前面 我们几乎看到了时间的起点。方程描述了宇宙最初时刻的图景，望远镜瞥见了百亿光年外的星系诞生。但迄今为止，还没有任何人类走出过月球。 这种错位——**思维远超双手所能触及的范围**——可能意味着两种截然不同的未来。 OpenAI 平台发布的一篇独立评论文章《The eternal complement》提出了一个值得深思的视角：**先进AI最大的价值，或许不在于替代天才的灵感，而在于接手那些让灵感落地的枯燥工作。** ## 从伽利略到韦伯：执行力的代价在指数级上升 作者用了一个极具冲击力的对比： - **伽利略**用两片透镜和一根管子拓宽了人类的视野，依靠的是几十双手。 - **詹姆斯·韦伯太空望远镜**，一台耗资百亿美元的观测器，被折叠进火箭、送往百万英里之外，十八块巨大的镜面以五十纳米的精度制造。它背后是**十四个国家的三百个组织**。 结论残酷而清晰：看得更远，不仅需要更聪明的大脑，更需要一个更庞大的官僚体系。 我们提出的问题远多于能调查的，设计的实验远多于能运行的，梦想的创意远多于能实现的。而且，**越往前走，把想象变成现实就越复杂。** ## 为什么“执行”可能定义下一个经济体 文章指出，人类文明可能正面临一个根本性的瓶颈：**智力已经跑在了执行能力前面**。 这并非新问题，但AI的出现可能第一次让这个问题有了系统性的解法。如果AI能承担那些重复、繁琐、耗时的“体力活”——无论是科学实验的日常操作、工程项目的协调管理，还是数据整理与验证——那么人类的创造力就能真正被释放。 这引出一个关键判断：**下一个经济体的核心，可能不是谁拥有最聪明的AI，而是谁最先解决执行瓶颈。** ## 两个未来，一个选择 文章提出了两种可能： 1. **深度文明**：我们不需要走很远，凭借推理和高效工具，就能从一颗行星上揭示宇宙真理。文明通过深度而非广度前进。 2. **执行瓶颈**：如果无法突破，每一步都将消耗更多时间和资源，梦想因人手不足而搁浅。 AI作为“永恒的互补”，意味着它不是要取代人类，而是填补从想法到现实之间那道越来越宽的鸿沟。 文章作者强调，这反映的是个人观点，不代表 OpenAI 或其同事。但这一视角，对于理解 AGI 时代的真正机会，提供了一个务实而富有想象力的框架。 > 我们的大脑已经跑得太远，而双手还留在原地。AI 或许就是那双伸出去的手。
生成式 AI 让个性化内容的批量生产变得又快又便宜，但新的难题随之而来：面对海量变体，该给每位用户展示哪一个？亚马逊支付（Amazon Payments）在 AWS 上给出了一个答案——用**多目标上下文多臂老虎机（multi-objective contextual multi-armed bandit, MAB）**，在亚马逊 SageMaker AI 上对产品获取漏斗进行个性化。 ## 从“生产内容”到“选择内容” 此前，亚马逊支付已经展示了如何利用 Amazon Bedrock 上的生成式 AI，在品牌指南和护栏内大规模生产个性化内容。但内容供给爆发后，选择问题变得尖锐：哪个变体对哪个用户最有效？要多久才能学会？ 传统 A/B/n 测试需要等待实验结束才能决策，而老虎机方法能在持续服务用户的同时学习。它把每个内容变体视为一个“臂”，在真实流量中尝试，并逐步将曝光向表现好的臂倾斜，同时保留一部分流量继续探索。这本质上是**利用（exploitation）与探索（exploration）的权衡**。由于老虎机从不停止这两件事，它可以随着新变体的加入持续改进，也无需等待测试结束。 ## 七周线上 A/B 测试：高个位数提升，但并非人人有效 亚马逊支付将这一方法应用于产品获取漏斗，进行了为期七周的在线 A/B 测试。目前的结果显示： - 对其中一类客户群体，最终漏斗转化率实现了**高个位数百分比（high single-digit percentage）的相对提升**。 - 但另一类客户群体则没有观察到改善。 团队发现，问题出在**内容本身，而非模型**。换句话说，模型的选择机制已经足够好，但针对某些受众，现有内容变体可能缺乏足够的区分度或吸引力，导致老虎机“无米下炊”。 ## 技术直觉与架构 文章介绍了老虎机的直觉、将优化扩展到整个转化漏斗的尝试，以及背后的 AWS 架构。常见的老虎机策略包括 **epsilon-greedy、Upper Confidence Bound (UCB)、Thompson sampling** 等。亚马逊支付采用的是多目标上下文老虎机，意味着它同时优化多个目标（例如点击和转化），并利用上下文信息（用户特征、场景）来做出更精准的选择。 此外，团队还分享了一个代码仓库，你可以用合成数据在 Amazon SageMaker AI 上亲手测试这种方法，理解其工作原理。 ## 为什么值得关注 随着生成式 AI 加速内容变体的爆炸式增长，A/B/n 测试的周期和成本可能难以跟上。老虎机方法有望在个性化选择中扮演越来越重要的角色。但亚马逊支付的经历也提醒我们：**再聪明的选择算法，也无法弥补内容本身的不足**。在投资模型之前，先确保你有足够多、足够好的内容变体可供选择。
## 决策模型热潮再添一把火 当业界还在为大语言模型的参数规模争论不休时，一类更轻量、更专注的模型正在悄然崛起。**亚马逊云科技（AWS）旗下 Strands Labs 正式发布了开源决策模型 Strands Decider 2B**，紧随 TypeSafe 的 Jev 之后，成为这一新兴赛道的最新入局者。 ### 什么是决策模型？ 决策模型的核心思路并不复杂：它不生成文本，而是在预设选项中做出选择，并给出置信度评分。Strands Decider 2B 构建于 **Qwen3.5-2B** 的骨架之上，但输出的不是自然语言，而是经过校准的选项判断。 这种设计让它天然适合嵌入自动化工作流。正如亚马逊杰出工程师 **Marc Brooker** 对 TechCrunch 所说：“这类模型最初吸引我的地方在于，它们是工作流步骤的完美决策者——基于当前状态，我下一步该做什么？” ### 从个人项目到正式发布 Strands Decider 的诞生颇具戏剧性。Brooker 在看到 TypeSafe 的 Jev 后，决定自己动手构建一个类似模型。这个“业余项目”表现出色，**曾在同尺寸模型的 Jevbench 排行榜上短暂登顶**。随后，亚马逊工程师将其整理完善，通过 Strands Labs 正式对外发布——该组织专注于开发部署 AI 智能体的新工具和协议。 Brooker 透露，这一需求源于与 AWS 客户的交流：他们的智能体工作流并不总是需要全功能 LLM 的能力和成本。Strands Decider 提供了一种更可靠、更低延迟、可能更低成本的选择，其可靠性部分来自置信度评分和封闭的答案域。 ### 竞争与挑战 值得注意的是，**OpenAI 在同一周也宣布了类似产品**，而自 TypeSafe 首次提出这一概念以来，已有数十个类似模型问世。这既显示了广泛的研究兴趣，也引发了一个问题：这些模型究竟能创造多大价值？ Brooker 认为，真正的挑战在于**在优化决策速度的同时不牺牲智能水平**。他提到需要在准确性和校准性之间找到微妙的平衡，同时不能损害模型对多语言的理解和知识储备。 ### 行业意义 决策模型的兴起反映了 AI 应用的一个务实转向：并非所有任务都需要前沿大模型。在智能体工作流中，快速、廉价、可靠的“下一步决策”往往比生成一段流畅文本更有价值。Strands Decider 2B 完全开源、可本地运行的特点，进一步降低了企业部署智能体的门槛。 随着亚马逊和 OpenAI 等巨头的加入，决策模型正从学术概念走向工程实践。这条赛道的下一步，将取决于能否在速度与智能之间找到那个“恰到好处的平衡点”。
## 从拖拽到对话：Shopify 的建站新方式 Shopify 周四发布了一款名为 **Canvas** 的全新建站工具，让商家通过与其 AI 代理 **Sidekick** 聊天来创建和定制在线商店。这标志着电商建站从传统的拖拽式编辑器向对话式 AI 生成迈出了关键一步。 此前，Shopify 已提供功能相当完善的无代码建站器，但商家仍需在选定主题中手动调整模块和区块。若想深度定制，则不得不编辑代码或聘请开发者。Canvas 彻底改变了这一流程：商家只需向 Sidekick 描述需求，AI 便会直接修改商店的底层代码，而 Canvas 会实时渲染出真实效果，而非静态预览。 ### 实时、真实、可交互 Shopify 强调，Canvas 中显示的是商店正在运行的真实代码渲染结果。这意味着商家可以测试页面的完整交互和动画，并查看不同屏幕尺寸下的显示效果。Sidekick 还会自动截图，确保 AI 看到的与商家看到的一致，从而在更新过程中保持同步。 商家仍然可以点击单个元素进行手动修改，但更常见的操作是直接告诉 Sidekick 想要什么。Sidekick 本身并非新事物，它早已用于编写代码、构建应用、定制主题等，但此前从未被整合成一个完整的建站产品，让用户能同时看到整个商店并缩放平移，直接修改实际文件。 ### 技术架构的简化 为实现这一功能，Shopify 赋予 Sidekick 直接操作主题文件的能力，并简化了主题架构，使商店的结构、逻辑和设计更易于 Sidekick 理解和修改。这种底层改造是 Canvas 能够实时、准确响应的关键。 ### 早期局限与未来规划 Canvas 尚处于早期阶段，存在一些明显限制： - **不支持第三方主题** - **不支持应用块和扩展** - **不支持多市场、翻译、分批发布和主题更新** - **仅限桌面端使用** Shopify 向 TechCrunch 表示，这些功能将在未来逐步支持，产品目前还很新。随着功能完善，Canvas 有望成为更强大的建站工具。 ### 行业趋势：AI 建站浪潮 Canvas 的推出是建站领域向“无需直接编码”未来转变的一部分。Wix、Squarespace、Webflow、Framer 等公司都已推出 AI 建站工具，Lovable、Replit 等氛围编程平台也在涌现。Shopify 凭借其庞大的商家生态和 Sidekick 的深度集成，有望在这一趋势中占据独特位置。 对于商家而言，Canvas 降低了技术门槛，让建站更直观高效；对于行业，它预示着 AI 正从辅助角色走向核心生产工具。尽管早期功能有限，但方向已经明确：未来建站，或许真的只需一场对话。
## 当事件本身成为提示词 大多数 AI 智能体的使用方式仍然是：打开聊天窗口、输入提示、等待回答。这种模式适合一次性问答，却无法应对基础设施中持续发生的事件——文件上传、数据库变更、定时任务、系统告警。**环境智能体（Ambient Agent）** 提出了一种不同的范式：它监听事件流并主动采取行动，可以并行处理多个事件，而无需人类先描述发生了什么。 AWS 在最新发布的技术博客中，详细展示了如何基于 **Amazon Bedrock AgentCore** 构建这类环境智能体，并以文档处理场景为例，串联起 **Amazon S3**、**Amazon SQS**、**AWS Lambda** 和 **Amazon DynamoDB** 等服务。 ## 一个典型场景 想象一份文件被上传到 **Amazon S3** 存储桶。几秒钟内，一个任务就出现在你的 Jobs 页面上，准备运行（如果配置了自动执行，可能已经在运行）。智能体分析文件、呈现发现结果，并在采取下一步行动之前请求你的批准。 这正是环境智能体的核心特征： - **事件即提示**：智能体响应事件流，而非等待聊天输入 - **人机协同**：通过单一的 `ask_human` 工具在需要时暂停，等待人类回复后从断点继续 - **框架无关**：不绑定特定智能体框架，可在 AgentCore Runtime 上灵活运行 ## 为什么这很重要 对于大规模处理文档的团队来说，手动分诊是真实的运营痛点：文件落入存储、有人注意到、逐个打开、判断需求、再路由给审核人员。监控告警同样如此，排队等待人工处理。环境智能体要解决的就是这些被浪费的时间。 更关键的是，这种设计**并非完全自主**。生产环境中的智能体会在需要澄清、批准或审查时才打断人类。这种人机协同机制降低了智能体上生产的风险，帮助建立用户信任，并通过反馈让智能体持续改进。 ## 技术架构要点 该方案利用 AWS 已有的事件驱动基础设施： - **Amazon S3 事件通知**触发文件到达信号 - **Amazon SQS** 作为事件队列缓冲 - **AWS Lambda** 执行处理逻辑 - **Amazon DynamoDB** 存储任务状态和上下文 - **AgentCore Runtime** 承载智能体执行 智能体在事件到达后自动启动工作流，分析内容，并通过 `ask_human` 工具暂停等待人工审批。人类在 Jobs 页面完成审核后，智能体从暂停点恢复执行。 ## 落地价值 对于已经在 AWS 上运行事件驱动架构的组织，这套方案几乎不需要引入新的基础设施概念。它把智能体从“聊天机器人”扩展为“基础设施的一部分”，让 AI 能够响应系统中真实发生的事件，同时在关键决策点保留人类控制权。这可能是智能体走向生产环境的一条更务实的路径。
## 多环境访问 Claude 平台的统一方案 企业通常需要在多种环境中调用 **Claude Platform on AWS (CPonAWS)** 的推理能力：生产环境中的 AWS 工作负载、开发者的本地笔记本，以及运行在其他云或本地 CI/CD 管道中的外部服务。这些环境的认证需求各不相同，但理想情况下应共享同一个订阅，并在生产与开发流量之间实现工作区级别的隔离。 AWS 近期发布的技术指南详细介绍了如何通过一个专用 **AI Services 账户** 实现上述目标。该方案的核心是三层账户结构： - **付款（管理）账户**：负责账单与治理。 - **AI Services 账户**：托管 CPonAWS 订阅、工作区、API 密钥和跨账户角色。 - **工作负载账户**：不直接接触订阅，而是通过承担角色（assume role）进入 AI Services 账户来发起推理调用。 这一设计将订阅所有权与消费方解耦，同时利用工作区实现生产与开发流量的逻辑隔离。 ## 三种访问模式的配置要点 针对不同环境，指南给出了三种认证路径： 1. **AWS 工作负载账户：跨账户 SigV4** 例如运行在 Amazon EKS 上的 Pod，通过承担 AI Services 账户中的 IAM 角色，使用 SigV4 签名发起请求。这种方式无需长期凭证，适合 AWS 原生工作负载。 2. **开发者：工作区范围的 API 密钥** 为开发者生成限定于特定工作区的 API 密钥，用于本地迭代。密钥的作用域隔离可防止开发流量误入生产工作区。 3. **外部环境：OIDC 联邦** 对于其他云或本地 CI/CD 管道，通过 OIDC 联邦将外部身份提供商与 AWS IAM 角色关联，实现无密钥的临时凭证访问。 ## 实施步骤与扩展建议 指南提供了完整的 CLI 命令、控制台操作和代码片段。部署时，首先在组织内创建专用 AI Services 账户，然后配置跨账户角色、生成工作区 API 密钥并设置 OIDC 信任关系。 对于拥有更多环境的组织，建议为每个团队或工作负载创建独立的工作区，并重复跨账户角色模式。这种模式不仅适用于 Claude 平台，也可为其他 AI 服务的多环境访问提供参考。 通过这套方案，企业可以在保持订阅统一的前提下，满足不同环境的认证需求，同时实现流量的精细隔离与治理。
Amazon Quick Sight 是 AWS 提供的全托管、云原生商业智能（BI）服务，支持在任何设备上访问仪表板，并可嵌入到应用程序、门户和网站中。在构建仪表板时，作者通常会添加多个筛选器，让读者能够缩小数据范围。但筛选器数量需要在灵活性和界面简洁性之间取得平衡：太多筛选器会显得杂乱，操作步骤也会变得繁琐。 ## 从六个筛选器到单一控件 以一个常见仪表板布局为例，其中包含六个独立筛选器：四个地理层级筛选器（**Region**、**Sub-Region**、**Country**、**City**），以及两个分别针对 **Segment** 和 **Product** 维度的筛选器。在真实场景中，筛选器数量往往更多，严重影响用户体验。 为此，Amazon Quick Sight 推出了**层级筛选器（hierarchy filter）**。它允许仪表板作者在**一个紧凑的控件**中提供丰富的多级筛选，减少界面杂乱，并引导读者以更少步骤找到所需数据。 ## 层级筛选器的核心优势 - **减少视觉杂乱**：读者首先看到的是简短的区域（Region）列表，而不是一次性展示数百个城市。每一步界面都保持干净，可见选项更少。 - **更少步骤，更引导式探索**：读者沿着逻辑路径（Region → Sub-Region → Country → City）下钻，而不是扫描一长串扁平筛选器。每次选择都会缩小下一级范围，帮助读者更快到达目标。 - **混合层级选择**：读者可以在一个筛选控件中组合不同层级，例如同时选择整个国家（如日本）和单个城市（如纽约）。 - **可扩展而不压倒界面**：支持最多**五级**的深层级结构，而无需添加五个独立筛选控件挤占工具栏。一个紧凑控件即可处理完整下钻路径。 - **防止读者混淆**：读者无需知道哪个国家属于哪个区域，层级结构已内置这种知识，使仪表板具备自引导能力。 层级筛选器通过将多级筛选整合到单一控件，显著提升了仪表板的易用性和可读性，尤其适用于地理层级、产品分类等具有天然层次结构的数据维度。
在大多数信息被隐藏的**军棋**（Stratego）游戏中，AI 一直难以达到人类水平。如今，一项新研究通过引入**第二个神经网络**来猜测隐藏棋子的身份，成功攻克了这一难题。 ## 军棋：AI 的盲点 军棋是一种双人策略棋盘游戏，与**国际象棋**或**围棋**不同，玩家无法看到对手棋子的具体类型。这种**不完美信息**使得 AI 难以通过传统的搜索和评估方法进行决策。此前，AI 在军棋上的表现远不及人类专家。 ## 双网络架构的突破 研究团队设计了一种新颖的 AI 系统，其核心是**两个神经网络**的协同工作： - **主网络**：负责评估棋盘状态和选择行动，类似于 AlphaZero 的架构。 - **辅助网络**：专门用于**猜测隐藏棋子的身份**，通过分析对手的移动模式和历史信息来推断。 辅助网络的预测结果会作为额外输入提供给主网络，从而显著提升了决策质量。 ## 实验结果与意义 在实验中，该 AI 系统在军棋对战中达到了**超越人类专家**的水平，并且能够泛化到不同的初始布局。这一成果不仅推动了**不完美信息游戏** AI 的发展，也为现实世界中信息不完全的决策问题（如军事策略、商业谈判）提供了新思路。 > 研究者表示：“关键在于让 AI 学会像人类一样，通过观察和推理来填补信息缺口。” 未来，团队计划将这一方法扩展到其他类似游戏和实际应用场景中。