Amazon Payments 如何用 Amazon SageMaker AI 上的上下文多臂老虎机提升获客漏斗转化
Amazon Payments 在 Amazon SageMaker AI 上用多目标上下文多臂老虎机（LinUCB）为产品获客漏斗做个性化内容选择，七周线上 A/B 测试中，一个人群的漏斗末端转化率取得高个位数相对提升，另一个人群则未见改善，问题出在内容而非模型。
#教程/实践
#教程/实践
今日 4 条AWS Machine Learning BlogAI 评分2828 AWS Machine Learning BlogAI 评分3434 用 Amazon Bedrock AgentCore 构建环境智能体：从事件驱动信号到人类在环工作流
Amazon Bedrock AgentCore 支持构建"环境智能体"（ambient agent）：它监听 Amazon S3 事件通知、EventBridge 规则、Lambda 触发器等事件流，事件本身即提示词，智能体在 AgentCore Runtime 上运行并可通过单个 ask_human 工具暂停等待人工审批后继续。
AWS Machine Learning BlogAI 评分3030 用 Amazon Bedrock Knowledge Bases 以自然语言查询理赔数据
Amazon Bedrock Knowledge Bases 可通过 AgenticRetrieveStream API 用自然语言查询理赔文档，支持多轮追问、按 claim ID 和 claim type 等元数据过滤检索，并返回带引用的答案。
AWS Machine Learning Blog精选AI 评分6060 在 Amazon Bedrock AgentCore Runtime Instances 上构建多智能体音乐制作流水线
AWS 官方博客给出在 Amazon Bedrock AgentCore Runtime Instances 上部署三智能体音乐制作流水线的完整教程，三个智能体分别负责作曲、交付和合规审查，通过同一 runtimeSessionId 共享会话并共处一台 GPU 实例。
推荐理由：以三智能体音乐制作流水线为例，展示 AgentCore Runtime Instances 的共享会话、GPU 与多日持久化用法。
AWS Machine Learning BlogAI 评分2222 Amazon Quick 提示词工程基础指南
Amazon Quick 的提示词工程决定其 AI 功能对自然语言请求的响应质量。文章给出跨组件通用的核心原则：以具体性实现清晰、用业务上下文提升相关性、用示例代替描述，并介绍 CRISPE 结构化框架，从上下文与约束、角色与职责、意图与输入、步骤与范围等维度组织复杂提示词。
AWS Machine Learning BlogAI 评分2222 Amazon Quick 各组件提示词工程指南：模式与陷阱
AWS 博客按组件拆解 Amazon Quick 的提示词写法：Quick Research 需明确目标、受众与范围，并自行拆解子问题、限定来源（Quick Index。
AWS Machine Learning BlogAI 评分2828 用 Amazon Quick 和 Amazon Bedrock AgentCore 构建 AI 合同智能平台
基于 Amazon Quick 与 Amazon Bedrock AgentCore 的合同智能平台在 AWS 上落地，用 AI 智能体从合同 PDF 中抽取八个关键字段并附置信度，再由 Claude Haiku 智能体独立复核，签名识别分歧时由 Amazon Textract 做确定性裁决。
AWS Machine Learning BlogAI 评分2626 Condé Nast 如何用 Amazon Bedrock 构建多模态视频检索
Condé Nast 联合 AWS 生成式 AI 创新中心，基于 Amazon Bedrock 和 Amazon OpenSearch Service 构建多模态视频检索方案，并选用 TwelveLabs Marengo 嵌入模型联合编码画面、音频与转录文本。该方案将单次内容检索耗时从 250 分钟降至 2 分钟以内，覆盖超 14 万条视频库，支持自然语言意图搜索、以图搜图和精确时间戳定位。
GitHub Blog · AI & MLAI 评分3838 GitHub Copilot 新手教程：如何用 canvases 构建自定义工作流
GitHub Copilot 应用中的 canvas（画布扩展）是一种用户与智能体共享的可定制界面，可做成看板、发布清单或仪表盘，且支持双向实时更新。用户只需在智能体会话中输入 /create-canvas 并用自然语言描述工作流，无需编码即可生成界面，并保存为扩展供团队共享或个人复用。社区已在 Awesome Copilot 分享发布说明、看板、issue 分诊等现成 canvas 扩展。
GitHub Blog · AI & MLAI 评分2222 GitHub Copilot 应用如何渲染超大 pull request
GitHub Copilot 应用重建了 pull request 视图，用一个含 2,200 个文件、超百万行改动和 400 多条行内评论的开源 PR 做压力测试。代码行沿用"绘制前已知全部高度"的确定性几何，评论等动态块则改为惰性测量、高度有界且修正锚定在用户当前视口，避免滚动跳动。
GitHub Blog · AI & ML精选AI 评分8585 GitHub 用 Copilot 将 Copilot 运行时迁移到 Rust
GitHub 用 GitHub Copilot app 和 Copilot CLI 把 Copilot agent runtime 从 TypeScript 完全重写为超过 80 万行生产级 Rust，AI 智能体写了大部分代码，分布在 128 个 PR 中增量合入 main，而非一次性切换。
推荐理由：原文给出把大型 TypeScript 运行时迁到 Rust 的完整工程方法，包括分层、互操作与多智能体协作的取舍。
GitHub Blog · AI & MLAI 评分2222 GitHub 如何用 Copilot 把营销活动运营变成代码
GitHub 日本和韩国营销负责人把活动运营流程交给 GitHub Copilot，从单个 GitHub Issue 出发自动完成落地页、UTM 链接、邀请邮件、报名名单清洗和会后报告。
OpenAI NewsAI 评分3636 OpenAI 如何将 Habitat 扩展为支撑 10 亿 ChatGPT 用户的在线存储平台
OpenAI 将 Habitat 从 Python 库演进为全球分布式存储平台，支撑 10 亿 ChatGPT 用户、每秒 2200 万次请求。该平台用于应对 ChatGPT 在线存储的规模化需求。
GitHub Blog · AI & MLAI 评分2828 GitHub Copilot 应用入门：如何使用 diff、终端和浏览器面板
GitHub Copilot 应用内置 diff、终端和浏览器三个面板，让用户无需切换编辑器、终端和浏览器即可完成审查、运行和预览 AI 生成代码的完整流程。diff 面板以绿色和红色高亮显示新增、删除或修改的代码行，支持接受更改、留下评论或让 Copilot 继续修改。
Hugging Face BlogAI 评分4848 Hugging Face Jobs 上用 LoRA 实现异步 GRPO：一个 Bucket、一个代理，无需 NCCL
TRL v1.14 的 AsyncGRPOTrainer 现已支持只训练并同步 LoRA adapter 到 vLLM，rank-1 adapter 仅几 MB，可经 Storage Bucket 挂载在各 Job 间传递，无需 NCCL。
Mistral AI精选AI 评分6060 Mistral 用 AI 智能体迁移 4 万行 Fortran 77 遗留代码
Mistral 帮助一家欧洲能源运营商把 4 万行 Fortran 77 的油藏模拟器迁移到 C++，该代码库没有测试套件也没有集中文档。团队先搭建数值对齐测试框架，用 Skill.md 引导智能体导出状态快照并验证迁移模块，再用自定义解析器生成调用树、由 Vibe CLI 启动上百个智能体逐节点补文档。
推荐理由：Mistral 公开了用智能体迁移 4 万行 Fortran 77 的完整流程，其中先建数值对齐测试再迁移的做法可直接迁移到其他遗留系统改造。
Hugging Face BlogAI 评分3434 用 TRL 和 OpenEnv 训练编码模型画水彩：Qwen3.5-35B-A3B 开源复现全流程
Hugging Face 上有人用 TRL 和 OpenEnv 开源复现了让语言模型画水彩的完整流程，模型通过 p5.brush 写约 150 行 JavaScript 作画。
Hugging Face BlogAI 评分3838 用 100 步 GRPO 微调 LFM2.5-350M 提升结构化输出
一份公开的低成本方案用 TRL 的 GRPO 对 LFM2.5-350M 做微调，仅约 500 条样本、100 个训练步，就把 IFStruct 基准分数从 22.6% 提升到 29.7%，训练可在免费版 Colab 或 Kaggle GPU 上完成。评测通过 llama.cpp 在本地 MacBook 上运行，代码已开源在 GitHub。
Hugging Face Blog精选AI 评分6262 用 Sentence Transformers 训练和微调多向量嵌入模型
Sentence Transformers v6.0 新增第四种模型类型 MultiVectorEncoder，用于 ColBERT 式后期交互检索，并配套完整训练方案。
推荐理由：原文给出多向量检索模型的完整微调配方与实测对比，读者可据此判断自建领域检索模型的成本与起点选择。
Hugging Face BlogAI 评分3434 Hugging Face Inference Endpoints、Jobs 与 Buckets 如何支撑 Papers with Code 的搜索
Papers with Code 采用混合搜索架构，用 PostgreSQL 全文检索加 pgvector 语义召回，并通过 RRF 算法融合两路结果。
Hugging Face BlogAI 评分3838 Hugging Face 推出约束感知 GPU 分配器：同集群利用率最高提升 33 个百分点
Hugging Face 构建了约束感知的 GPU 分配器，在七个基准场景中与 FIFO 调度器对比，相同硬件和负载下 GPU 利用率最高提升 33 个百分点，优先级加权产出在所有场景中均上升，最高提升 105%。在五个真实争用场景中，利用率从 52–85% 提升至 72–88%，优先级加权价值提升 24.6% 至 105.1%，平均 52%。
Hugging Face BlogAI 评分5050 用 Strands Agents、LeRobot 和 Hugging Face Storage Buckets 一站式录制、训练与部署
AWS 开源 SDK Strands Robots（Apache 2.0）演示了机器人数据闭环：用 Robot("so100") 录制 LeRobotDataset 并同步到 Hugging Face Storage Buckets。
OpenAI NewsAI 评分3636 GPT-5.6 构建者指南：初创公司如何打造更快、更省成本的 AI 智能体
OpenAI 发布 GPT-5.6 构建者指南，介绍初创公司如何借助更智能的模型选择和 Responses API 新能力，构建更快、更具成本效益的 AI 智能体。
OpenAI News精选AI 评分6262 GPT-5.6 如何兼顾前沿智能与效率
OpenAI 发布文章说明 GPT-5.6 在模型、推理和智能体工作流上提升 AI 效率，让每美元能获得更多可用智能。原文未给出具体性能数字或版本细节。
推荐理由：原文只给出 GPT-5.6 在模型、推理与智能体工作流上的效率方向，缺少具体数据，读者可据此了解其定位。
OpenAI NewsAI 评分2222 OpenAI 创意团队如何用 Codex 打造定制创意工具
OpenAI 创意团队借助 Codex 构建定制创意工具，加速创意构思并更快完成原型开发。Codex 具备上下文感知能力，可充当创意团队的协作伙伴。
Hugging Face BlogAI 评分3838 模型路由并不简单：从分类问题到系统优化问题
在 AppWorld Test Challenge 的 417 个任务上，同一 CodeAct 智能体下 Claude Sonnet 4.6 总成本 79 美元（0.19 美元/任务），GPT-4.1 却要 155 美元（0.37 美元/任务），原因是缓存命中率让 Sonnet 的实际输入成本大幅下降。
OpenAI NewsAI 评分2222 OpenAI：如何在智能体时代管理 AI 投资
OpenAI 提出企业应在智能体时代以"每美元有效工作量"衡量 AI 投资回报，通过提升效率、扩展高价值工作流来管理投入。该思路强调从成本视角转向产出视角，评估 AI 在真实业务中创造的实际价值。
OpenAI NewsAI 评分2222 ChatGPT Work 的数据科学工作流
OpenAI 介绍 ChatGPT Work 在数据科学场景中的实用工作流，覆盖根因简报、KPI 备忘录、范围界定分析和仪表盘规格四类任务。
OpenAI NewsAI 评分2222 ChatGPT Work 的销售工作流：从管道简报、会议准备到预测复盘
OpenAI 介绍 ChatGPT Work 在销售场景中的实用工作流，覆盖管道简报、会议准备、客户计划、预测复盘和交易诊断。内容面向销售团队，说明如何用 ChatGPT Work 完成这些日常任务。
Hugging Face BlogAI 评分2222 PyTorch 性能分析（第三部分）：Attention 的 profile 实践
Hugging Face 博客发布《Profiling in PyTorch》系列第三部分，用 PyTorch 剖析 attention 的 profile 表现，脚本在 NVIDIA A100-SXM4-80GB 上运行。
OpenAI NewsAI 评分1010 ChatGPT 入门指南：如何开始第一次对话
OpenAI 发布 ChatGPT 入门指南，介绍如何开始第一次对话，并演示用 AI 写作、头脑风暴和解决问题的简单方法。
Hugging Face BlogAI 评分3030 PRX Part 4：我们的数据策略
Hugging Face 发布 PRX 系列第四篇，详解其数据策略：预训练数据由公开与内部数据集混合组成，用 VLM 重新生成图像长描述，再转为可流式语料。团队用 Lance 构建、MDS 流式训练，图像统一编码为 JPEG quality 92，并将文本编码器从 T5Gemma 换成 Qwen3-VL、改为训练中实时计算文本 latent，实测吞吐仅损失约 3–4%。
OpenAI NewsAI 评分2222 OpenAI 用大规模 core dump 分析修复 18 年历史的 bug
OpenAI 工程师通过大规模 core dump 分析排查基础设施的罕见崩溃，发现其中既有硬件故障，也有一个存在了 18 年的软件 bug。
Hugging Face Blog精选AI 评分6262 用一条命令在 HF Jobs 上运行 vLLM 服务器
Hugging Face 发布教程，介绍用一条 hf jobs run 命令在 HF 基础设施上启动私有、兼容 OpenAI API 的 vLLM 端点，按秒计费，无需自行配置服务器或 Kubernetes。
推荐理由：原文给出从启动到查询、SSH 调试和接入编码智能体的完整命令，可据此复现私有 vLLM 端点。
Hugging Face BlogAI 评分3434 在 Transformers.js 中试验拟议的 Cross-Origin Storage API
Google Chrome 团队开发者关系工程师 Thomas Steiner 在 Hugging Face 博客展示如何用 Cross-Origin Storage（COS）扩展在 Transformers.js 中试验跨源缓存。
Hugging Face Blog精选AI 评分6262 Hugging Face 如何用 AI 与开源工具每周发布 huggingface_hub
Hugging Face 将 huggingface_hub 的发布周期从每 4 到 6 周一次改为每周一次，整条流水线跑在单个 GitHub Actions workflow 上，由 OpenCode 驱动开源权重模型（当前为 Z.ai 的 GLM-5.2）起草 release notes 和 Slack 公告，经 HF Inference Providers 提供服务。
推荐理由：Hugging Face 公开了每周发版流水线的完整结构，其中确定性校验加人工审核的循环可迁移到其他生成任务。
OpenAI NewsAI 评分2222 Jason Liu 如何用 Codex 支撑长时间运行的工作
Jason Liu 分享了他使用 Codex 的实践：借助它保留上下文、管理复杂项目，让工作不再局限于单次提示词。
Hugging Face Blog精选AI 评分6262 如何用本地模型免费分诊 OpenClaw 仓库的 PR 与 Issue
Hugging Face 博客分享了用本地模型对 OpenClaw 仓库的 Issue 和 PR 做实时分诊的方案：在 Pi 智能体框架中运行 gemma-4-26b-a4b 和 qwen3.6-35b-a3b，通过受限的 reposhell 只读命令补充上下文，再用 final_json 输出分类标签。
推荐理由：原文给出本地模型做 PR/Issue 分类的完整架构与 330 行评测数据，可迁移到其他高吞吐筛选场景。
Hugging Face BlogAI 评分5050 超越 LoRA：能否击败最流行的微调技术？
Hugging Face 在 PEFT 库中对比了 40 多种参数高效微调技术，探讨 LoRA 是否真是最佳选择。统计显示，Hugging Face Hub 上提及单一 PEFT 技术的 20,834 个模型卡中有 20,509 个（98.4%）使用 LoRA，图像生成领域 10,000 个 checkpoint 中 95.0% 为 LoRA。
Hugging Face Blog精选AI 评分6262 用 Strands Agents 和 LeRobot 从 Hugging Face Hub 走到机器人硬件
AWS 开源 SDK Strands Robots（Apache 2.0）把 LeRobot 栈封装成 AgentTools，用单个 Strands 智能体串起从 Hub 数据集到实体机器人的流程。
推荐理由：AWS 团队给出从 Hub 数据集到实体机器人的完整五步流程，可据此判断智能体编排机器人栈的落地方式。