Category: Artificial Intelligence

本文以大型头部旅行社中“大规模集体出行任务”为案例，针对其现实场景中需求复杂、人员众多、涉及的资源量大的特点，结合“LLM的语义理解能力”与“运筹学求解器的确定性”，开发出了一套高效、稳定、可人工审核、可循环迭代的行程分配与优化Multi-Agent系统，在实际应用中取得了较为满意的效果。

用 Amazon Bedrock AgentCore 的托管 Web Search 与 Browser 工具，通过一个标准 MCP 端点，为任意支持 MCP 的 Agent（Claude Code、Cline 等）接入实时联网搜索与网页浏览能力。客户端只需一个 URL 加一个 Token，部署只需AWS CLI 初始化加一条 helm install；数据不出 AWS，工具调用本身不额外消耗模型 token。

中文版本 | English Version Abstract: Using Amazon Bedrock A […]

本文分享如何利用 Amazon Quick 的远程 MCP Connector 能力，结合飞书/Lark的远程MCP server，让 Quick 用户直接通过对话完成飞书/Lark文档读取/创建、消息读取/发送、日程管理等操作，让Quick成为你的AI助手。

AgentCore 提供的三种持久化文件系统——Managed Session Storage、Amazon EFS、Amazon S3 Files，从按用户私有，到多方共享，再到文件与对象两端访问，覆盖了 Agent 的持久化需求，会话结束也不会丢失数据。

在没有 Active Directory、没有自建 IDP，且中国区缺少 Cognito User Pool 的约束下，利用 AWS Transfer Family Custom Identity Provider、Secrets Manager 自动轮换密码和 IAM Roles Anywhere 证书认证，构建一套轻量化的且无长期凭据的安全 SFTP 文件传输方案。

本文将利用AWS AgentCore结合开源上下文数据库OpenViking快速搭建具备高效记忆的Agent，并演示两种典型的应用场景

当 AI 从”写一段代码”走向”参与完整研发流程”时，真正的瓶颈不再只是模型能力，而是团队有没有一套能让 AI 稳定工作的工程体系。紫讯围绕 AI-DLC（AI-Driven Development Life Cycle）方法，在与 亚马逊云科技团队的持续交流、Workshop 共创和工具实践中，逐步建立了从知识沉淀、需求塑形、方案收敛、开发协同、测试验证到经验回流的端到端研发闭环，让 AI 的产出可追溯、可复用、可验证、可纠偏，并持续沉淀为组织级研发资产（zixun-github-ai-dlc）。

优先走私网、尽量不走公网：固定办公采用专线（DX / SD-WAN）直连，远程用户先通过 Client VPN 接回数据中心、复用同一条私网链路，确无 VPN 时才使用海外 EC2 代理做 TLS 透传兜底——三条路径最终都经 VPC Interface Endpoint 走 AWS PrivateLink，进入 AWS 后全程私有、不暴露于公网。

本文是 AWS DevOps Agent 接入 AWS 中国区系列的第二篇。前一篇介绍了为什么需要 MCP（Model Context Protocol）桥，以及单账号部署的端到端流程。本文承接上文，聚焦三件事：第一，如何用一个 Helm Chart 管理 N 个 AWS 中国区账号；第二，跨云接入（以阿里云为例）的工程取舍；第三，长期 Access Key 的 90 天轮换实践。