Przejdź do treści
czwartek, 19 listopada 2026
Tenesys AI News
Subskrypcja

AWS

Najnowsze wiadomości, modele i ich zmiany.

Najnowsze wiadomości

Automatyzacja· Ważne· 🧪 Warte przetestowania

Optymalizacja dużych obciążeń JSON dla agentów AI

AWS przedstawia trzy strategie zarządzania masywnymi danymi JSON (ponad 20 MB) w agentach AI, osiągając redukcję zużycia tokenów do 71% i opóźnień do 80%. Podejście obejmuje przeniesienie stanu do Amazon S3, stronicowanie wyników oraz kompaktowanie danych słownikowych.

AWS Machine Learning

Bezpieczne schematy uwierzytelniania dla agentów AI zintegrowanych ze Snowflake

Firma AWS szczegółowo opisała trzy konfiguracje OAuth do łączenia agentów AI działających na Amazon Bedrock AgentCore z serwerami MCP zarządzanymi przez Snowflake. Wzorce te umożliwiają bezpieczne uwierzytelnianie użytkowników lub usług między warstwami agentowymi a narzędziami Snowflake Cortex.

AWS Machine Learning
Agenci· Ważne· 🧪 Warte przetestowania

Nowy zestaw narzędzi AWS do wdrażania agentów AI na WhatsApp

AWS wprowadziło Social Messaging Agent Runtime Toolkit (SMART) – zestaw SDK open-source i stos Terraform, zaprojektowany do zarządzania złożonością integracji z WhatsApp dla agentów AI opartych na Amazon Bedrock AgentCore. Automatycznie obsługuje uwierzytelnianie, przetwarzanie mediów, pamięć rozmów i ograniczenia 24-godzinnego okna wiadomości.

AWS Machine Learning
Modele· Ważne

OpenFold3 dostępny w Amazon SageMaker JumpStart

Amazon wprowadził model OpenFold3-preview do SageMaker JumpStart, umożliwiając użytkownikom przewidywanie struktur 3D białek, DNA, RNA i ligandów. Wdrożenie wykorzystuje asynchroniczne punkty końcowe do obsługi długotrwałych obliczeń, wspierając automatyczne skalowanie oraz możliwość wyłączenia instancji w stanie bezczynności.

AWS Machine Learning
Agenci· Ważne· 🧪 Warte przetestowania

Standaryzowana komunikacja między agentami różnych organizacji dzięki A2A

AWS wspiera protokół A2A projektu Linux Foundation, umożliwiający bezpieczną współpracę autonomicznych agentów ponad granicami organizacyjnymi. Dzięki niemu agenci stworzeni w różnych frameworkach (np. LangChain czy Strands Agents) mogą wymieniać zadania i dane jako partnerzy, bez konieczności ujawniania logiki wewnętrznej czy współdzielenia haseł.

AWS Machine Learning
Automatyzacja· 🧪 Warte przetestowania

Automatyzacja aktualizacji AWS Agent Registry dla serwerów MCP

AWS opublikowało przewodnik tworzenia architektury sterowanej zdarzeniami, która automatycznie synchronizuje schematy narzędzi Model Context Protocol (MCP) z AWS Agent Registry. Wykorzystując AWS CloudTrail, EventBridge i Lambda, ten proces wykrywa zmiany w czasie wykonywania i aktualizuje rejestr za każdym razem, gdy ewoluuje schemat narzędzi serwera MCP.

AWS Machine Learning
Agenci· Ważne· 🧪 Warte przetestowania

Skalowanie autonomicznych operacji bezpieczeństwa z Amazon Bedrock AgentCore

Firma Greenlight Financial zautomatyzowała ponad 90% obsługi incydentów bezpieczeństwa i ryzyka (łącznie 4000 spraw miesięcznie), wdrażając wielopoziomową architekturę agentów na platformie Amazon Bedrock AgentCore. System wykorzystuje nadzorcę 1. poziomu do wstępnej triażu oraz nadzorcę 2. poziomu do głębokich analiz, znacząco odciążając analityków.

AWS Machine Learning
Agenci· Ważne· 🧪 Warte przetestowania

Skalowalne zarządzanie dostępem dla agentów AI z Amazon Bedrock AgentCore

Ta aktualizacja wprowadza architekturę opartą na bramie (gateway) do zarządzania dostępem agentów AI na dużą skalę. Dzięki Amazon Bedrock AgentCore Gateway i politykom Cedar, możesz przenieść logikę autoryzacji z poszczególnych narzędzi do centralnego silnika polityk, upraszczając zabezpieczenia dla setek agentów.

AWS Machine Learning
Agenci· Ważne· 🧪 Warte przetestowania

Amazon Bedrock AgentCore upraszcza propagację tożsamości dla agentów korporacyjnych

Amazon zaktualizował AgentCore Gateway, dodając obsługę automatycznej wymiany tokenów między Microsoft Entra ID a chronionymi interfejsami REST API. Dzięki temu agenci AI mogą teraz wykonywać działania w platformach takich jak ServiceNow, korzystając z tożsamości i uprawnień użytkownika końcowego, zamiast działać jako ogólne konto serwisowe.

AWS Machine Learning
Agenci· Ważne· 🧪 Warte przetestowania

Skalowanie dostępu do wewnętrznych API dla agentów AI poprzez zarządzane bramki MCP

MoEngage skutecznie zintegrowało ponad 400 wewnętrznych REST API jako narzędzia dla agentów za pomocą Amazon Bedrock AgentCore Gateway. Podejście to wyeliminowało potrzebę ręcznej konserwacji serwerów MCP, złożonej konfiguracji sieci oraz ryzyka związanego z wystawianiem usług do publicznego internetu.

AWS Machine Learning
Automatyzacja· Ważne· 🧪 Warte przetestowania

AWS wprowadza zoptymalizowane kontenery Ray Train dla EKS

AWS wprowadziło gotowe kontenery Ray Train Deep Learning (DLC), które integrują biblioteki PyTorch, CUDA, NCCL oraz EFA w jednym przetestowanym obrazie. To podejście pozwala Twojej firmie wdrażać klastry do uczenia rozproszonego na Amazon EKS bez konieczności utrzymywania własnych potoków budowania obrazów czy rozwiązywania złożonych problemów z kompatybilnością sterowników.

AWS Machine Learning
Agenci· Ważne· 🧪 Warte przetestowania

AWS udostępnia ogólnie sesje treningowe SageMaker AI do dostosowywania modeli

AWS ogłosił ogólną dostępność (GA) funkcji „training sessions” w ramach serverless customization modeli Amazon SageMaker AI. Zespoły mogą pisać własne pętle post-treningowe — w tym niestandardowe funkcje straty i sygnały nagrody dla uczenia ze wzmocnieniem (RL) — podczas gdy SageMaker AI zajmuje się alokacją GPU, rozproszonym wykonaniem, odzyskiwaniem po awarii i przechowywaniem checkpointów. Obsługiwane techniki to SFT, DPO, RLVR, RLAIF oraz wielotaktowy RL, z wyborem LoRA lub pełnego fine-tuningu. Funkcja obsługuje modele gpt-oss-20b, gemma-4-31B-it, Qwen3.6-27B oraz Qwen3.8-27B, a rozliczenie opiera się na liczbie przetworzonych tokenów, z zatrzymaniem licznika podczas oceniania odpowiedzi przez funkcję nagrody użytkownika.

AWS Machine Learning

AWS publikuje reguły WAF dające czas na łatanie dwóch krytycznych, nieautoryzowanych luk RCE w PHP

21 października 2026 r. twórcy PHP wydali pilne poprawki dla dwóch krytycznych luk, wspólnie nazwanych PHP2Shell, które pozwalają atakującemu uruchomić kod na serwerze bez logowania. Obie otrzymały ocenę CVSS v4.0 na poziomie 9.2 i dotyczą sposobu, w jaki PHP przetwarza żądania multipart przesyłania plików, zanim w ogóle uruchomi się kod aplikacji. Poprawione wersje to PHP 8.5.12, 8.4.27, 8.3.36 i 8.2.35, a AWS dodatkowo opublikował szablony reguł AWS WAFv2 oraz ustawienia po stronie serwera, które ograniczają powierzchnię ataku zespołom potrzebującym czasu na wdrożenie aktualizacji. AWS jasno zaznacza, że reguły zapory działają tylko na brzegu sieci – nie są w stanie całkowicie zamknąć jednej z dwóch luk, więc łatanie pozostaje obowiązkowe.

AWS Security

Dane z honeypota AWS: lukę w PHP wykorzystano jeszcze przed publicznym ujawnieniem

Sieć honeypotów MadPot firmy Amazon zarejestrowała 17 października 2026 r. próbę wykorzystania luki znanej dziś jako CVE-2026-109618 i CVE-2026-109619 (nazwanej PHP2Shell) — cztery dni przed oficjalnym publicznym ujawnieniem. Żądanie pochodziło z adresu IP należącego do komercyjnej sieci anonimizującej, co sugeruje, że pewien atakujący dysponował działającym exploitem jeszcze przed zakończeniem embarga. Gdy embargo zakończyło się 21 października o 14:00 UTC, AWS twierdzi, że w ciągu kilku godzin w jego sensorach pojawił się zarówno kod proof-of-concept, jak i rzeczywiste ataki z kilku różnych grup infrastruktury. AWS wskazuje, że to oznacza strukturalną zmianę: analiza wspomagana przez AI przyspiesza przekształcanie łatki lub ogłoszenia w działający exploit, co podważa dawne założenie, że większość ataków następuje dopiero po publicznym PoC.

AWS Security
Agenci· 🧪 Warte przetestowania

AWS pokazuje hybrydowy framework agentów łączący lokalne i chmurowe modele dla obniżenia kosztów

AWS opublikował przewodnik po Adaptive Agentic Intelligence Framework (AAIF), zbudowanym na Strands Agents, który kieruje proste zapytania do małych lokalnych modeli (przez Ollama), a złożone zapytania do modeli chmurowych przez Amazon Bedrock. Lekki model o 1 miliardzie parametrów (llama3.2:1b) działa jako orkiestrator decydujący, gdzie skierować każde zapytanie; w przykładzie agent monitorujący IoT korzysta z lokalnego pobierania telemetrii, lokalnej analizy wizyjnej i chmurowych ekspertnych analiz. AWS podaje, że w konfiguracji hybrydowej około 80 procent ruchu może być obsłużone lokalnie bez odwołania do płatnego API, a architektura może działać w pełni na sprzęcie brzegowym (np. Raspberry Pi z 8GB pamięci), w pełni w chmurze lub w trybie hybrydowym.

AWS Machine Learning
Modele· Ważne· 🧪 Warte przetestowania

AWS i i14 rezygnują z KV cache: model z liniową uwagą 3B na Trainium2

Firma badawcza AI i14 we współpracy z AWS przeniosła swój model Laplace 3B — 24-warstwową architekturę opartą na Gated Linear Attention (GLA) zamiast standardowego mechanizmu uwagi transformerów — na układy AWS Trainium2, wykorzystując natywny PyTorch (TorchNeuron Native). Zamiast rosnącego z każdym tokenem KV cache, model utrzymuje stały stan rekurencyjny o rozmiarze 29,5 MB na sekwencję. Na pojedynczej instancji trn2.48xlarge zespół osiągnął około 120 000 tokenów na sekundę podczas treningu i obsłużył 11 544 tokeny wyjściowe na sekundę przy 1 280 równoległych sekwencjach, korzystając z niezmodyfikowanego silnika vLLM.

AWS Machine Learning
Agenci· Ważne· 🧪 Warte przetestowania

AWS wprowadza Agent Registry – wykrywanie narzędzi w czasie wykonania dla agentów MCP

AWS zaprezentował Agent Registry – zarządzaną usługę katalogową dla serwerów Model Context Protocol (MCP), agentów i umiejętności agentów. Zamiast na sztywno kodować każde narzędzie w orkiestratorze, agenci mogą teraz wyszukiwać w zatwierdzonym, wersjonowanym katalogu w czasie wykonania i budować klienta na podstawie zwróconego deskryptora. Przykładowe rozwiązanie demonstruje pętlę Discover → Instantiate → Execute z wykorzystaniem Amazon Bedrock AgentCore Gateway i AgentCore runtime, a modelem bazowym jest Anthropic Claude Sonnet.

AWS Machine Learning
Agenci· Ważne· 🧪 Warte przetestowania

AWS i Keyfactor pokazują, jak zabezpieczyć tożsamość wieloagentową certyfikatami zamiast współdzielonych tokenów

AWS wspólnie z Keyfactor opublikowało architekturę referencyjną, która usuwa znaną lukę w Model Context Protocol (MCP) – MCP nie ma wbudowanego mechanizmu potwierdzania, który agent faktycznie wysyła żądanie. Architektura dodaje trzy warstwy zaufania – użytkownik-system, agent-agent oraz agent-serwer narzędzi MCP – oparte na podpisanych kopertach żądań, asercjach delegacji podpisanych przez użytkownika, tokenach z ograniczoną odbiorcą wg RFC 8693 oraz sprawdzaniu unieważnień OCSP w czasie rzeczywistym. Działający przykład wykorzystuje Amazon Bedrock i AWS Strands Agents SDK, a Keyfactor EJBCA wystawia i weryfikuje certyfikaty X.509; pełny kod jest dostępny na GitHub.

AWS Machine Learning
Agenci· Ważne· 🧪 Warte przetestowania

Amazon Bedrock wymusza zgodny ze schematem JSON dla wszystkich modeli Claude

AWS wprowadził strukturyzowane odpowiedzi dla wszystkich modeli Anthropic Claude dostępnych w Amazon Bedrock — zarówno w standardowym endpoincie runtime, jak i nowszym endpoincie Mantle przeznaczonym do zadań agentowych. Zamiast liczyć na to, że model zwróci poprawny JSON, deweloperzy mogą teraz wymusić dokładną zgodność odpowiedzi ze schematem dzięki ograniczonemu dekodowaniu, które blokuje generowanie tokenów łamiących format. Dodatkowa funkcja, strict tool use, zapewnia taką samą gwarancję dla parametrów wywołań narzędzi, dzięki czemu przepływy pracy agentów nie zawodzą przez błędnie sformatowane dane wejściowe.

AWS Machine Learning

AWS Bedrock dodaje Pegasus 1.5 od TwelveLabs do strukturalnego wyszukiwania w wideo

AWS udostępnił Pegasus 1.5 — model wideo-językowy stworzony przez TwelveLabs — jako w pełni zarządzaną usługę w Amazon Bedrock. W odróżnieniu od wcześniejszych wersji, które odpowiadały na jedno pytanie dotyczące jednego klipu, ten model analizuje cały film i zwraca listę JSON ze wszystkimi momentami spełniającymi zdefiniowane przez użytkownika kryteria, wraz z czasem rozpoczęcia i zakończenia. Obsługuje też dłuższe nagrania — do dwóch godzin w jednym zapytaniu — i pozwala wczytać wideo bezpośrednio z S3 lub jako ciąg base64, bez wcześniejszego indeksowania.

AWS Machine Learning
Badania· Ważne· 🧪 Warte przetestowania

AWS wprowadza przesyłanie KV typu „push”, skracające opóźnienia w rozdzielonej infrastrukturze vLLM

AWS udostępnił konektor NIXL typu „push” dla vLLM, zmieniający sposób przesyłania danych pamięci podręcznej klucz-wartość (KV) między instancjami prefill i decode w rozdzielonym serwowaniu LLM. Zamiast pobierania bloków KV przez instancję decode po zakończeniu prefill, instancja decode z wyprzedzeniem rejestruje docelową pamięć, a instancja prefill zapisuje dane KV bezpośrednio, gdy tylko są gotowe — usuwając koordynację ze ścieżki krytycznej. W testach z modelem Qwen3-32B w konfiguracji 1 prefill/1 decode na instancjach EC2 P5en z EFA, tryb push osiągnął nawet 3-krotnie lepszy czas do pierwszego tokenu (TTFT) i nawet o 30% lepszy czas generowania pojedynczego tokenu (TPOT) niż domyślny tryb pull, zwłaszcza przy dużym obciążeniu zapytaniami.

AWS Machine Learning

Autonomiczny agent pentestowy AWS wykorzystał 33 z 37 nowych CVE

AWS przetestował swojego AWS Security Agent (obecnie część AWS Continuum) na nowo opracowanym benchmarku złożonym z 37 realnych, niedawno ujawnionych CVE, z których każdy uruchamiano jako żywy, skonteneryzowany cel z ukrytą flagą. Zaczynając od punktu o niskich uprawnieniach, mając jedynie jednolinijkową wskazówkę i brak PoC, agent (działający na Claude Opus 5) przeprowadził pełne, zakończone sukcesem wykorzystanie 33 z 37 podatności po audycie integralności; 2 przypadki przeklasyfikowano jako rozwiązania niezamierzoną ścieżką, a w 2 przypadkach agent uszkodził cel, zanim zdążył odczytać flagę. AWS zbudował ten benchmark, by uniknąć problemu zanieczyszczenia publicznych zestawów CVE, które modele mogły zapamiętać z danych treningowych.

AWS Security
Agenci· Ważne· 🧪 Warte przetestowania

AWS przedstawia framework „Trust in Depth”, by agenci AI działali bardziej autonomicznie bez utraty kontroli

AWS opublikował framework zarządzania o nazwie Trust in Depth, mający umożliwić agentom AI działanie z większą autonomią przy zachowaniu egzekwowalnych ograniczeń. Łączy on określanie zakresu uprawnień agenta przed wdrożeniem, nadawanie każdemu agentowi weryfikowalnej tożsamości, egzekwowanie granic w czasie działania poprzez bramki polityk oraz obserwację zachowania agenta po fakcie. Framework opiera się na automatycznym wnioskowaniu (dowodzie matematycznym) dla precyzyjnie określonych reguł oraz na ludzkim osądzie w niejednoznacznych przypadkach, wykorzystując narzędzia AWS: Bedrock AgentCore, Guardrails, Kiro, Strands, Agent Registry i CloudWatch Omni.

AWS Machine Learning

Tamnoon wykorzystuje agentów Amazon Bedrock do automatyzacji naprawy luk w zabezpieczeniach chmury

Tamnoon zbudował Tami — agentowy orkiestrator na Amazon Bedrock, który bada ustalenia dotyczące bezpieczeństwa chmury pochodzące z CNAPP i dostawców chmury, ocenia bezpieczeństwo naprawy i generuje poprawki z mechanizmami kontrolnymi. Firma zgłasza ponad 90% redukcję krytycznych ekspozycji w chmurze w ciągu 90 dni, bez żadnych problemów produkcyjnych. System wykorzystuje czterech wyspecjalizowanych agentów (dochodzeniowego, oceny bezpieczeństwa, naprawy, generowania kodu), z których każdy wywołuje różne modele podstawowe przez Bedrock, a Bedrock Guardrails i wnioskowanie między regionami zapewniają bezpieczeństwo i skalę.

AWS Machine Learning
Agenci· Ważne· 🧪 Warte przetestowania

Orca Security obniżyła koszty zapytań o 90% dzięki wieloetapowemu pipeline'owi agentów na Bedrock

Orca Security zbudowała Discovery AI — agenta na Amazon Bedrock, który zamienia proste pytania w języku naturalnym na ustrukturyzowane zapytania do systemu Sonar, śledzącego ponad 900 typów zasobów chmurowych. Zamiast jednego dużego modelu z całym schematem wczytywanym do każdego promptu, wersja produkcyjna rozdziela pracę na dziewięć wyspecjalizowanych etapów i kilka różnych modeli bazowych. Efekt: znacznie niższe koszty, szybsze odpowiedzi i lepsza dokładność przy złożonych zapytaniach; system działa od marca 2026 roku.

AWS Machine Learning
Badania· 🧪 Warte przetestowania

AWS udostępnia open source'owe optymalizacje kerneli MoE dla vLLM – mniejsze opóźnienia i wyższa przepustowość na H200

AWS przedstawił trzy optymalizacje na poziomie kerneli dla obsługi modeli Mixture-of-Experts (MoE) na GPU Hopper, opracowane we współpracy ze społecznością vLLM i wdrożone w kontenerze LMI Amazon SageMaker AI. Zmiany eliminują nieefektywność obliczeń fused MoE podczas fazy dekodowania z małymi partiami, gdzie wcześniej rdzenie Tensor Core były niedostatecznie wykorzystywane. Łącznie optymalizacje dają do 10% wyższą przepustowość i do 9% szybszy czas do pierwszego tokena (TTFT).

AWS Machine Learning

AWS publikuje kompleksowy przewodnik po podpisywaniu odpornym na komputery kwantowe

AWS opublikował pierwszą część dwuczęściowego przewodnika pokazującego, jak zbudować odporny na komputery kwantowe łańcuch dostaw oprogramowania przy użyciu podpisów ML-DSA (NIST FIPS 204) w ramach AWS KMS, AWS Private CA i IAM Roles Anywhere. Przewodnik opisuje podpisywanie plików binarnych, obrazów kontenerów i SBOM i jest prezentowany jako pierwszy pełny przewodnik dostawcy chmury dotyczący podpisywania postkwantowego – od utworzenia korzenia zaufania po egzekwowanie polityki. Jest to odpowiedź na nadchodzące wymogi: CNSA 2.0 od NSA, wymagający wyłącznie odpornych na kwant podpisów do 2030 r., oraz unijny Cyber Resilience Act (CRA), który w pełni wejdzie w życie w grudniu 2027 r.

AWS Security

AWS pokazuje, jak egzekwować dozwolone algorytmy podpisu postkwantowego za pomocą SCP i IAM

AWS opublikował kontynuację przewodnika opisującego, jak organizacje mogą wymusić, które zestawy parametrów ML-DSA (podpisy postkwantowe) są dozwolone w środowisku AWS. Tekst omawia użycie Service Control Policies (SCP) na poziomie organizacji lub OU oraz granic uprawnień IAM do blokowania tworzenia i używania niezatwierdzonych wariantów ML-DSA (np. blokowanie ML-DSA-44 przy zachowaniu pełnej funkcjonalności ML-DSA-65/87). Omówiono także kontrolę AWS Private CA i certyfikatów oraz kompromis między listami blokowania (nowy wariant domyślnie dozwolony) a listami dozwolonych (nowy wariant domyślnie zablokowany).

AWS Security
Agenci· Ważne· 🧪 Warte przetestowania

AWS i Postman opisują, jak Agent Mode skaluje agentów AI dla 40 mln deweloperów na Amazon Bedrock

AWS opublikowało wraz z Postman techniczny opis tego, jak powstał Agent Mode – natywny dla AI interfejs Postman do testowania API i dokumentacji, działający produkcyjnie na dużą skalę. Zespół odkrył, że największą przeszkodą nie była jakość modelu, lecz nadmiar narzędzi i brak kontekstu. Wpis opisuje wzorce architektoniczne: dynamiczny dobór narzędzi, dostęp oparty na schematach, dedykowane moduły kontekstu oraz możliwości Amazon Bedrock – elastyczność modeli, wnioskowanie między regionami, kontrolę rezydencji danych i prompt caching.

AWS Machine Learning
Agenci· Ważne

AWS pokazuje, jak agenci AI mogą płacić za każde zapytanie dzięki Bedrock AgentCore payments

AWS opublikował studium przypadku dotyczące Amazon Bedrock AgentCore payments – zarządzanej funkcji pozwalającej agentom AI samodzielnie płacić za usługi, np. zapytania do modelu, pojedynczo, przy użyciu protokołu płatności x402. Firma Incarna wykorzystała tę funkcję, by jej agenci mogli płacić BlockRun, routerowi inferencji od wielu dostawców, za każde pojedyncze wywołanie modelu, rozliczając się w stablecoinie USDC w sieci Base. AWS twierdzi, że Incarna skróciła czas integracji z planowanych dwóch–trzech miesięcy do trzech dni i około 200 linii kodu. W fazie beta agenci przetworzyli ponad 1000 płatności w zakresie od 0,001 do 0,05 USD za wywołanie.

AWS Machine Learning
Cyberbezpieczeństwo· Ważne· 🧪 Warte przetestowania

AWS dodaje weryfikację uprawnień w czasie rzeczywistym do RAG w Amazon Quick i Bedrock Knowledge Bases

AWS opisuje nową dwuetapową architekturę kontroli dostępu dla Retrieval Augmented Generation (RAG) w Amazon Quick i Amazon Bedrock Knowledge Bases. Zamiast polegać wyłącznie na okresowo synchronizowanych listach kontroli dostępu (ACL), system teraz weryfikuje uprawnienia w czasie rzeczywistym bezpośrednio w systemie źródłowym (np. Google Drive, SharePoint, Confluence) w momencie zapytania, zanim treść trafi do LLM. AWS twierdzi, że eliminuje to luki bezpieczeństwa wynikające z nieaktualnych lub błędnie zmapowanych uprawnień między synchronizacjami. Jako klienta wymieniono Mondelēz International, zatrudniającą ponad 35 000 pracowników.

AWS Machine Learning
Agenci· 🧪 Warte przetestowania

AWS publikuje przewodnik łączenia Claude Desktop z bezpiecznym, zarządzanym narzędziem wyszukiwania internetowego przez AgentCore

AWS opublikował szczegółowy przewodnik krok po kroku pokazujący, jak zapewnić Claude Desktop (na Amazon Bedrock) dostęp do internetu w czasie rzeczywistym poprzez Amazon Bedrock AgentCore Gateway, eliminując lukę wynikającą z granicznej daty danych treningowych modelu. Konfiguracja wykorzystuje AWS IAM Identity Center SSO połączone z Amazon Cognito jako warstwą federacji SAML-to-OAuth, wystawiającą tokeny JWT, które AgentCore Gateway weryfikuje przy każdym żądaniu. Sama funkcja Web Search jest zgodna z MCP i działa na wewnętrznym indeksie webowym Amazon obejmującym dziesiątki miliardów dokumentów, dzięki czemu ruch zapytań nie opuszcza infrastruktury AWS i nie jest wymagany żaden zewnętrzny klucz API. Funkcja jest obecnie dostępna tylko w trzech regionach AWS: us-east-1 (N. Virginia), eu-west-1 (Irlandia) i ap-northeast-1 (Tokio).

AWS Machine Learning