Pereiti prie turinio
2026 m. lapkričio 20 d., penktadienis
Tenesys AI News
Prenumerata

AI agentai

AI agentai, MCP, tool ir function calling, programavimo ir naršyklės agentai, multi-agent sistemos.

#Amazon Bedrock — 6 straipsniai ✕

Agentai· Svarbu· 🧪 Verta testuoti

„AWS“ pristatė nepriklausomą nuo sistemos AI agentų vertinimo įrankį

„Amazon“ išleido universalų agentų vertinimo sistemos (UAEF) sprendimą, skirtą standartizuoti AI agentų testavimą. Naudojant adapterius, įvairių karkasų, tokių kaip „LangChain“ ar „LangGraph“, vykdymo sekos konvertuojamos į bendrą formatą, leidžiantį taikyti nuoseklius vertinimo kriterijus.

AWS Machine Learning
Agentai· Svarbu· 🧪 Verta testuoti

Keičiamo mastelio MCP architektūra AI agentams

„Amazon“ pristatė „serverless“ modeliu pagrįstą „Model Context Protocol“ (MCP) sąsają, veikiančią „Amazon ECS Fargate“ pagrindu. Ji leidžia AI agentams užklausti įmonės duomenų saugyklas naudojant metaduomenimis pagrįstą metodą – vietoj individualaus kodo rašymo kiekvienam duomenų rinkiniui, pakanka sukurti JSON aprašą.

AWS Machine Learning
Agentai· 🧪 Verta testuoti

AWS pristato hibridinį agentų karkasą, mažinantį LLM kaštus derinant vietinius ir debesijos modelius

AWS paskelbė praktinį vadovą apie Adaptive Agentic Intelligence Framework (AAIF), sukurtą ant Strands Agents, kuris paprastas užklausas nukreipia į mažus vietinius modelius (per Ollama), o sudėtingas – į debesijos modelius per Amazon Bedrock. Lengvas 1 milijardo parametrų modelis (llama3.2:1b) veikia kaip orkestratorius, nusprendžiantis, kur nukreipti kiekvieną užklausą; pavyzdyje naudojamas IoT stebėjimo agentas su vietine telemetrijos užklausa, vietine vaizdo analize ir debesijos ekspertinėmis įžvalgomis. AWS teigia, kad hibridinėje konfigūracijoje apie 80 proc. srauto gali būti apdorota vietoje, nekreipiantis į mokamą API, o architektūra gali veikti visiškai krašto įrenginiuose (pvz., Raspberry Pi su 8 GB atminties), visiškai debesijoje arba hibridiniu būdu.

AWS Machine Learning
Agentai· Svarbu· 🧪 Verta testuoti

AWS ir Keyfactor parodė, kaip apsaugoti kelių agentų tapatybę sertifikatais vietoj bendrų raktų

AWS kartu su Keyfactor paskelbė referencinę architektūrą, sprendžiančią žinomą Model Context Protocol (MCP) spragą – MCP neturi įmontuoto būdo patvirtinti, kuris agentas iš tikrųjų siunčia užklausą. Architektūra prideda tris pasitikėjimo lygius – vartotojas-sistema, agentas-agentas ir agentas-įrankių serveris – pagrįstus pasirašytais užklausų vokais, vartotojo pasirašytais delegavimo patvirtinimais, RFC 8693 auditorija apribotais tokenais ir realaus laiko OCSP atšaukimo tikrinimu. Veikiantis pavyzdys naudoja Amazon Bedrock ir AWS Strands Agents SDK, o Keyfactor EJBCA išduoda ir tikrina X.509 sertifikatus; visas kodas paskelbtas GitHub.

AWS Machine Learning
Agentai· Svarbu· 🧪 Verta testuoti

Orca Security 90% sumažino užklausų kaštus naudodama pakopinį Bedrock agentų konvejerį

Orca Security sukūrė Discovery AI — Amazon Bedrock agentą, verčiantį paprastus klausimus natūralia kalba į struktūrizuotas užklausas Sonar sistemai, kuri stebi daugiau nei 900 debesijos išteklių tipų. Vietoj vieno didelio modelio su visa schema kiekviename užklausime, gamybinė versija darbą paskirsto devynioms specializuotoms pakopoms ir keliems skirtingiems pagrindiniams modeliams. Rezultatas — gerokai mažesnės sąnaudos, greitesni atsakymai ir geresnis tikslumas sudėtingoms užklausoms; sistema veikia nuo 2026 m. kovo.

AWS Machine Learning
Agentai· Svarbu· 🧪 Verta testuoti

AWS ir Postman atskleidžia, kaip „Agent Mode“ veikia 40 mln. kūrėjų naudojant Amazon Bedrock

AWS kartu su Postman paskelbė techninę apžvalgą, kaip Postman sukūrė „Agent Mode“ – AI pagrįstą sąsają API testavimui ir dokumentacijai, veikiančią produkcinėje aplinkoje dideliu mastu. Komanda nustatė, kad didžiausia kliūtis buvo ne modelio kokybė, o įrankių gausa ir trūkstamas kontekstas. Įraše aprašomi architektūriniai sprendimai: dinaminis įrankių parinkimas, schema pagrįstos užklausos, specializuoti konteksto apdorojimo moduliai bei Amazon Bedrock teikiamos galimybės – modelio lankstumas, kelių regionų išvada, duomenų rezidavimo kontrolė ir prompt caching.

AWS Machine Learning