Epsilon 的 Agentic Platform 团队用 Amazon Nova Act 搭配 Amazon Bedrock AgentCore Browser，把意图驱动的 UI 测试做成多租户平台服务，叠加在原有 Playwright 回归套件之上。
测试步骤改为自然语言指令，由 Nova Act 执行，对纯外观的 UI 改动更稳健，非工程师也能读懂。AgentCore Browser 提供隔离的临时浏览器会话，无需分发二进制或维护显示服务器，并支持实时查看与人工接管、会话录制到 Amazon S3 以及 AWS CloudTrail 审计。
MoEngage 借助 Amazon Bedrock AgentCore 的 AgentCore Gateway，把约 400 个部署在私有 VPC 中的内部 REST API 转成按权限限定的智能体工具，节省约六个月的平台工程投入，新 API 接入从数天缩短到数小时。
这些 API 由 25 个工程团队开发，分布在七个 AWS Region，且不暴露于公网。MoEngage 放弃为每个团队单独搭建 MCP server 的方案，因为 20 多个 MCP server 会带来部署、补丁和协议兼容负担；改为团队只维护 OpenAPI spec 并声明哪些操作应成为工具，MCP 层由 AI 平台团队统一负责。
AWS 发布基于 Amazon Bedrock 与 AgentCore 的企业级 Agentic AI 平台蓝图，采用联邦式运营模型，由中央平台团队提供受治理的共享服务，各业务团队保留对自有智能体、工具和数据的归属。
蓝图以 Workstream cell 为扩展单元，通过四个相互连接的平面组织：开发者体验、平台控制、Workstream 执行、保障与运营。平台要求所有推理请求经批准的推理网关，统一施加 Amazon Bedrock Guardrails 等护栏、限制可用模型与区域，并按 Workstream 执行速率限制、token 配额与预算；工具调用须经认证的 MCP 网关，使用最小权限角色。
文章介绍如何用 AWS CDK 在托管 Amazon Bedrock Knowledge Base 上部署企业级智能体检索系统。
托管知识库（Type: MANAGED）由 Amazon Bedrock 负责数据摄取、存储、索引和检索，默认使用服务托管模型完成嵌入与重排序，用户无需再创建、扩展或按 OpenSearch Compute Units（OCUs）付费购买 OpenSearch Serverless 集合与索引。AgenticRetrieveStream API 将多轮规划、工具驱动检索和带引用的答案作为服务原生能力提供，且智能体检索仅在托管知识库上可用。
拜耳作物科学在 Amazon Bedrock AgentCore 上构建了智能体决策引擎（ADE），作为其 Connected Decision Engine（CDE）之上的多智能体自然语言界面，第一阶段可无需工程师介入解决约 80% 的用户提问。
ADE 采用监督智能体将问题路由至专业智能体的架构，生产环境运行 22 个专业智能体，分别对接 RAG 知识、CDE 工作流状态、运维遥测和可视化等数据源。团队选用 AgentCore 的三项能力：隔离每个用户会话的托管运行时、通过 AgentCore Gateway 将认证授权置于智能体代码之外的 IAM 范围化工具访问，以及可自带 LangGraph 编排和模型选择的框架无关设计。
Amazon Quick 是 AWS 的 HIPAA-eligible 服务，其 Web、桌面和移动客户端均可在签署 AWS BAA 后用于处理 PHI。
该平台的 chat agent 可同时读取临床笔记、申诉信等非结构化内容和理赔、会员记录等结构化数据，并通过 Slack、Microsoft Outlook、Salesforce、Atlassian Jira、Microsoft SharePoint 等预置连接器调用外部系统，也可通过 MCP 接入自定义工具。为满足治理要求，Amazon Quick 提供 ACL 感知检索、聊天与反馈日志，以及针对每个 chat agent 的操作权限控制。
Rescale 基于 AWS 的 AI-DLC 框架和 Strands Agents 构建了一个 AI 分诊智能体，用于自动分类和路由夜间端到端测试失败，从问题定义到 staging 部署仅用五天，数周内进入生产。
该智能体运行在 Amazon EKS 上的 Argo Workflows CI/CD 流程中，调用 Amazon Bedrock 上的 Claude Opus 4.8 将失败归类为基础设施问题、代码缺陷、不稳定测试或环境问题，并从知识库检索历史失败模式、通过 MCP 查询 pod 日志，数秒内生成含文件引用、函数名和修复建议的结构化报告供工程师审核。
Smartsheet 已正式发布（generally available）Model Context Protocol（MCP）Server，AI 助手可通过标准化协议读取、写入和管理 Smartsheet 数据，覆盖探索、创建和管理表格、行、列与自动化等 40 多个工具。
用户可用自然语言更新任务状态、创建行、调整项目结构。该服务提供三个区域端点，采用 Streamable HTTP 传输（MCP 规范版本 2025-06-18 和 2025-03-26），支持 OAuth 2.0 或 Personal Access Token 认证。
Smartsheet 已在 AWS 上推出正式可用的 MCP Server，AI 助手可通过标准化协议读取、写入和管理 Smartsheet 数据，覆盖探索、创建和管理表格、行、列及自动化等 40 多个工具。
用户能用自然语言更新任务状态、创建行和调整项目结构。该服务提供三个区域端点，采用 Streamable HTTP 传输（MCP 规范版本 2025-06-18 和 2025-03-26），支持 OAuth 2.0 或 Personal Access Token 认证。
Amazon Quick 与 Amazon Bedrock AgentCore 组合，让供应链管理者用自然语言直接查询 ERP、监控、采购等分散系统并获得可执行答案。
AgentCore 作为智能层，通过 Gateway 将企业 MCP 服务器暴露为可组合工具层，Runtime 提供无服务器托管，Identity 负责认证，Policy 在执行前拦截每次工具调用。演示中，管理者用三步提示完成从发现中断到发出紧急 RFQ：识别出 TechComp 停产影响 23 笔订单、$750K 风险敞口和三天库存，并串联治理与报价 MCP 生成合同对齐报价。
Eon 基于 Amazon Bedrock AgentCore 搭建了统一的 MCP Gateway，把原先分散在各工具上的凭证和本地 MCP 进程替换为单一认证网关，让开发者和自主智能体统一访问跨 AWS、GCP、Azure 的调查工具。
新工程师配置全部调查工具的时间从约两天缩短到约两分钟。该方案组合了 AgentCore Gateway、Policy、Runtime 和 Identity：人类通过企业 SSO 经 Amazon Cognito 获取 JWT 接入，智能体则用 client_credentials 授权直连网关。
AWS 与 Keyfactor 联合发布参考架构，用 X.509 PKI 为 AI 智能体建立可验证、可撤销的加密身份，填补 MCP 缺乏内置认证标准的空白。
方案基于 Keyfactor EJBCA 与 Amazon Bedrock、AWS Strands Agents SDK，采用四类机制：签名请求信封提供每次调用的持有证明，用户签名的委托断言让智能体无需共享凭证即可获得授权，RFC 8693 受众限定 token 限制单个 token 泄露的影响范围，实时 OCSP 吊销检查将凭证变更即时同步到所有智能体。架构分用户认证、智能体间认证、MCP 认证三层，分别校验用户身份与凭证绑定、调用方身份与请求新鲜度、完整授权链。
AWS 发布教程，介绍用 AWS Agent Registry 让智能体在运行时按语义搜索发现 MCP 服务器和 A2A 智能体，再动态构建客户端执行请求。
Registry 记录包含可搜索描述和协议描述符，但不返回调用凭证，认证需通过 Cognito OAuth 或 boto3 签名另行获取；只有完成审批流程的记录才会出现在可发现数据面。示例部署订单管理 MCP 服务器、两个 A2A 智能体和编排器，演示仅 MCP、MCP 加 A2A、以及工具名不含“退货退款”但靠描述语义匹配三种场景。作者指出小规模稳定目录或固定流水线仍适合构建期硬编码，搜索质量取决于描述与查询设计。
三位拥有十余年 Java 经验的 Java Champion 分享了在生产与开源项目中使用 GitHub Copilot 的具体做法。
Hypersistence 创始人 Vlad Mihalcea 用 Copilot 开发 Optimizer 事件历史 Web 应用，原本需数周的任务两天完成，并基于自己 65 篇已发表文章创建自定义技能，让生成文本贴近本人写作风格。42talents 的 Patrick Baumgartner 用 Copilot 将 15 份演示中约 900 张教学幻灯片从 Reveal.js 迁移到 Marp，通过截图对比和并排运行验证动画等细节。三人均强调开发者仍需提供上下文、审查生成代码并保障可维护性。
Mistral 发布 Voxtral 3 语音模型家族，包含语音转写与语音合成模型，以及基于 LiveKit 的语音智能体 SDK，把听、推理、工具调用和说合成一条实时流式流水线。
转写模型 Voxtral Small Transcribe 3 支持 50+ 语言、说话人分离和上下文偏置，官方称其表现优于 Whisper、Scribe v2 和 Gemini 3.5 Transcribe；实时版在 35+ 语言下延迟低于 500ms。合成模型 Voxtral Mini TTS 3 支持 35+ 语言和 50+ 方言，可按上下文调整情绪、语速和重音，定价 $13/1M 字符。
Mistral 把语音识别、推理与语音合成串成一条实时流水线，读者可据此判断语音智能体的搭建门槛和部署选择。
AWS 博客展示如何用 AtScale 作为语义层、配合 Amazon Bedrock AgentCore 构建面向智能体 AI 的 Customer 360 方案。
AtScale 采用维度模型（维度、层级、度量），用基于 YAML 的开放规范 Semantic Modeling Language 编写并纳入 Git 版本管理，单个已部署模型可同时通过 SQL、XMLA 和 MCP 三种协议对外暴露。
本系列第三篇用 Strategy Mosaic 作为语义层，在 Amazon Redshift 与 Amazon Aurora 上以两个链接模型建模 Customer 360 域，无需 ETL，并通过 MCP 端点让托管在 Amazon Bedrock AgentCore 上的 Strands 智能体访问。
本教程演示如何用 Denodo Platform 作为语义层、配合 Amazon Bedrock AgentCore 托管智能体，构建跨 AWS 与本地数据源的 Customer 360 查询方案。
Denodo 将 Amazon Aurora、Amazon Redshift 和本地 PostgreSQL 中的客户资料、订单历史与奖励账户三张表联邦为单一 customer_360 视图，智能体通过 Denodo MCP Server 以 VQL 查询，无需 ETL 搬移数据。
Amazon Bedrock 现已在 bedrock-runtime 和 bedrock-mantle 两个端点上，为所有可用的 Anthropic Claude 模型支持结构化输出，可直接返回符合所定义 JSON schema 的响应，无需自定义解析、重试逻辑或后处理。
该功能通过约束解码在生成 token 时强制执行 schema，提供 JSON Schema 输出格式和严格工具调用两种机制，可用于数据抽取、智能体工具调用和批量分类。首次使用新 schema 需编译语法产物，编译结果按账号缓存 24 小时；schema 结构变更会使缓存失效。该功能已正式可用，支持批量推理，在 bedrock-runtime 上还支持跨区域推理。
亚马逊云科技介绍如何用 Amazon Bedrock AgentCore 构建智能体式文档处理（IDP）系统，由 8 个专用智能体组成识别与训练两条工作流，自动分类、提取、校验并从新文档格式中学习。
系统可在 20 分钟内完成部署，无需为新文档类型手动配置模板，验证失败时由 Instructions Fixer 或 Troubleshooter 智能体自动修复。
Anchor Browser 与 Amazon Bedrock AgentCore payments 集成，让 AI 智能体在遇到 HTTP 402 Payment Required 时自动完成 x402 协议支付并重试请求，该方案已在 AWS Marketplace 上线。
材料给出把支付能力下沉到托管基础设施的具体做法，读者可据此判断浏览器智能体处理付费资源时的改造范围。
ShipStation Global 工程团队基于 Amazon Bedrock AgentCore 打造了 Slack 内的 AI IT 服务台 Deckhand，可回答常规 IT 与公司问题、识别报错截图并创建和更新 Jira Service Management 工单。
GitHub Copilot 可通过四种方式定制对代码库的理解：仓库级自定义指令写入 .github/copilot-instructions.md，路径级指令放在 .github/instructions 并用 applyTo 字段匹配文件。
Postman 披露其 Agent Mode 在 Amazon Bedrock 上的生产架构，用于支撑 4000 万开发者的 API 测试、文档、发现与实现工作。
Incarna 借助 Amazon Bedrock AgentCore payments，让智能体通过 x402 按次向 BlockRun 支付模型推理费用，将接入 x402 支付支持的工作量从数月缩短到数天，并已把端到端按次付费推理流程投入生产。
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，它让智能体在隔离的 MCP 工具会话中运行，再根据终端后端状态和副作用而非生成文本打分，并让每个任务重复 20 次。
微软与 Hugging Face 联合发布的智能体评测基准，用数据库终态而非模型自述来判定任务成败，并给出可复现的 OpenEnv 运行方式。
GitHub Copilot 应用中的 canvas 是一种可自定义的双向界面，用户只需在 agent 会话中输入 /create-canvas 并用自然语言描述工作流，agent 即可生成看板、发布清单或仪表盘等界面。
canvas 会保存为扩展，可随项目共享或作为个人扩展复用，社区已在 Awesome Copilot 分享现成扩展。
GitHub Security Lab 发布 Fuzzing Taskflow，一个面向 C/C++ 项目的自主模糊测试流水线，只需指向一个 GitHub 仓库，它就会识别入口点、分析构建系统、编写 harness、运行 AFL++、读取覆盖率报告并改进 harness，最后对每个崩溃做去重与漏洞报告。
原文完整披露了自主模糊测试流水线的架构与覆盖反馈循环，读者可据此判断 LLM 智能体在安全自动化中的分工边界。
GitHub Podcast 最新一期拆解了五个 AI 热门观点：AI 生成的代码仍需阅读和负责，但审查力度应随风险变化；Skills 与 MCP 解决不同问题，前者是打包的专家经验，后者为智能体提供连接工具和数据的标准接口；RAG 并未消亡，它与 Agent、Skills、MCP 可以共存于同一工作流。