如何在 AWS 上用 X.509 PKI 保障 AI 智能体身份安全
AWS 与 Keyfactor 联合发布参考架构，用 Keyfactor EJBCA 的 X.509 PKI 为基于 MCP 的 AI 智能体建立可验证、可撤销的加密身份。
#Agent
安全实践AWS Machine Learning BlogAI 评分4040
安全实践LangChain BlogAI 评分3838 Numan 如何用 LangGraph 和 LangSmith 打造评测优先的 AI 健康教练
英国数字健康公司 Numan 用 LangGraph 构建 AI 健康教练 Nu，由 supervisor 模型调度多个领域子智能体，并以 LangSmith 支撑评测。团队发现单轮固定用例和预写多轮脚本都会误判教练行为，改为按类别由 LLM judge 打分，且所有评测都跑在生产同一张 LangGraph 图上。评测套件可跨模型供应商复用，使一次前沿模型迁移从数周手动测试缩短到一天。
安全实践AWS Machine Learning BlogAI 评分5858 AWS 用 Amazon Bedrock AgentCore 搭建九阶段 AI 智能体评测框架
AWS SMGS 团队基于 Amazon Bedrock AgentCore Evaluations 搭建了覆盖从首次提交到生产运行的九阶段智能体评测框架，用于其面向全球销售团队的多智能体系统。
安全实践AWS Machine Learning BlogAI 评分2222 Tamnoon 如何用 Amazon Bedrock 构建 AI 云安全修复平台 Tami
Tamnoon 基于 Amazon Bedrock 构建了智能体云修复编排器 Tami，可自主调查 CNAPP 与云原生来源的安全发现并评估修复安全性，再生成带护栏与治理的修复方案。该方案在 90 天内将关键云暴露减少超过 90%，且未出现生产问题。Tami 由调查、安全评分、修复和代码生成四类专用智能体组成，通过单一 API 调用最适合各任务的基础模型。
安全实践LangChain BlogAI 评分3838 LangChain 如何用 Deep Agents 让文档代码示例自我测试
LangChain 借助 Deep Agents CLI 与 docs-code-samples 技能，把文档中的内联代码示例迁移为可测试的独立文件，并自动加上 :snippet-start: / :snippet-end: 标记、运行测试、生成 Mintlify 片段。
安全实践LangChain BlogAI 评分4242 LangChain 用 harness engineering 将 Deep Agents 编码智能体从 Terminal Bench Top 30 提升至 Top 5
LangChain 通过 harness engineering 将其编码智能体在 Terminal Bench 上的排名从 Top 30 提升至 Top 5，核心手段包括自我验证、追踪和上下文优化。
安全实践AWS Machine Learning BlogAI 评分2222 Orca Security 用 Amazon Bedrock 打造自然语言安全查询
Orca Security 与 AWS 合作，基于 Amazon Bedrock 构建了自然语言查询智能体 Discovery AI，可将自然语言问题转换为 Sonar 查询。相比最初基线，查询成本降低 90%、输入 token 减少 93%、延迟降低 75%，目前每天处理数千次查询，响应时间 15 秒。
安全实践AWS Machine Learning BlogAI 评分4040 Postman 如何在 Amazon Bedrock 上为 4000 万开发者运行 Agent Mode
Postman 的 Agent Mode 运行在 Amazon Bedrock 上，为 4000 万开发者提供跨 API 测试、文档、发现与实现的 AI 原生工作方式。
安全实践Simon WillisonAI 评分3838 Simon Willison 用 Codex 语音模式为博客新增 Newsletters 页面
Simon Willison 用 ChatGPT 桌面版 Codex 标签页的语音对话模式，在做饭的约半小时里几乎全程靠语音为博客开发出 Newsletters 页面，模型为 GPT-6 Astra High。
安全实践BleepingComputerAI 评分2222 如何将 AI 智能体限制在其权限范围内
Token Security 联合创始人兼 CTO Ido Shlomo 提出，AI 智能体越权使用凭证的根源在于 AWS 等系统只校验签名而不校验持钥者身份，因此管控应落在工具调用层。他列举托管智能体设置、运行时钩子、网关、沙箱和端点管控五种执行点，并指出推理检查属概率性控制，无法替代能实际阻断操作的缓解措施。
安全实践Hugging Face Blog精选AI 评分7070 作者用 ML Intern 两天训练六个模型，总花费约 103 美元
Hugging Face 作者借助 HuggingChat 中的 ML Intern，用提示词驱动完成六个模型的训练、评测与发布，总计算花费约 103 美元。其中把 Qwen-Image 2.1 的 9B 提示词改写器蒸馏成 0.8B 版本，可在 CPU 上运行，输出有效率 99.7%，token 用量约为教师模型的四分之一。
推荐理由：作者用六个真实项目复盘了如何用提示词驱动 ML Intern 完成训练、评测与发布，可迁移到自己的模型定制流程。
安全实践AWS Machine Learning BlogAI 评分2222 如何为智能体自动化构建商业论证：超越节省工时
AWS 提出 Agentic Value Model，用于替代为 RPA 设计的传统 ROI 模型，从时间节省、异常处理、决策质量和变更韧性四个维度衡量智能体自动化的价值。
安全实践AWS Machine Learning BlogAI 评分2222 AWS 发布六周 AI 构建者培养手册：如何弥合 AI 知识与应用能力差距
AWS 提出一套六周结构化培养方案，让非工程背景的业务人员用 Amazon Bedrock、AgentCore 和 Strands Agents SDK 构建可运行的 AI 原型。
安全实践AWS Machine Learning BlogAI 评分3737 Cornerstone OnDemand 如何用 Amazon Bedrock 将数据库诊断时间缩短 78%
Cornerstone OnDemand 基于 Amazon Bedrock 和 Strands Agents 构建多智能体系统 Orion AI，将数据库诊断时间从 45 分钟降至 10 分钟，减少 78%。该系统由三人团队在六个月内交付，同时把 10 步以上手动生命周期操作压缩为一次交互，并将冗余告警中位数削减 65%。