亚马逊一小步，云计算一大步 | 云基础架构16年创新史

转载 已于 2022-03-31 10:02:50 修改 · 293 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://mp.weixin.qq.com/s?__biz=Mzg4NjU5NDUxNg==&mid=2247512420&idx=1&sn=736ac4be572a8154cc4da564084cf6dd&chksm=cf95bfdff8e236c979b2a51f2fcb0dab129cafff9783d42ee794202a3a00cec561757a8ba544&scene=126&&sessionid=0
文章标签：

#bug

于 2022-03-25 21:23:18 首次发布
本文介绍了一种传说中可以避免遇到程序错误的方法——只需点击特定的四个按钮。虽然这种方法听起来非常神奇，但在实际软件开发过程中并没有科学依据。本文旨在通过轻松幽默的方式提醒开发者们面对Bug时保持乐观态度。

bee9f8798b3be48def41305454a71846.gif

0d192e7446af47ce1734ea1b90efb099.png        

f1a661c229565e29ce8ea1cf5d3dce13.gif        

ef8acef32d9305de9001d28d55fb59b9.png                

cecbfdeccc2f594c18f95e6acb10276e.png                

5d8c3a043f216b5e7c27f710f9517a06.png              

ece035933c94edef32ad977b91656663.gif        

b3ce2d0755d1bcf59faadf40c0d41104.png        

7a9e3cca7b0d8c0d6277978a7cd425b1.png                

3becfb9944c23414b8017d1d7da9350b.png         

91cd93af48c36ee769b323e938a55238.gif

ee6190c8a59d4f1845e700a5e21ef5dc.gif

听说，点完下面4个按钮

就不会碰到bug了！

9e8927a918ab285ea6297426db53bcb2.gif

博客
企业DevOps探讨：“谁构建、谁运行”原则的理论基础
12-30 9715
“谁构建，谁运行” --沃纳·沃格尔这样的场景大家想必不会陌生：我们正与家人共度美好时光，突然刺耳的电话铃声嗡嗡响起，我们的注意力也为之吸引。听筒中的尖叫声告知，我们的应用程序——也就是那些定期受到内存泄漏侵扰、但重启之后又能恢复正常的小冤家们——现在终于彻底起义了，服务器资源在几分钟之内就被其彻底榨干。目前该应用已经无法正常起效，而运维团队除了尝试重启与回滚之外无法可想——而最新
博客
企业DevOps：实施过程中需要关注的各项要点
12-29 8321
作者：亚马逊云科技企业市场战略总监Stephen Orban“经验并非凭空创造，而是依靠点滴积累所实现” ---阿尔贝·加缪在此次的企业DevOps探索之旅系列文章当中，我将带大家一同探讨企业在具备一定DevOps经验之后又该如何处理下一步可能面临的状况。当然，这些只是我个人在接触自动化、面向客户服务之IT体系以及“谁构建、谁运行”方面事务的同时积累下的一些心得体
博客
将DevOps纳入企业环境引发的思考
10-13 6591
作者：亚马逊云科技企业市场战略总监Stephen Orban“发展是一种以渐进式改善为载体的持续性行为”——英德拉瓦蒂虽然DevOps可以算是相对新鲜的概念，不过在我看来、其本质思路很早之前就已经出现。从这个角度看，目前很多企业已经广泛接纳这一概念并将其作为文化性产物看待，具体而言就是将大量原本孤立的团队融合起来，从而实现速度更快、频率更高且更为可靠的工作成果。我个人非常幸运
博客
利用Amazon Machine Learning与Amazon Redshift建立二进制分类模型
09-07 8509
日常生活中的大部分决策都以二进制形式存在，具体来说就是这类问题能够以是或者否来回答。而在商业活动中，能够以二进制方式回答的问题也有很多。举例来说：“这种情况是否属于交易欺诈？”，“这位客户是否会购买该产品？”或者“这位用户是否存在流失风险？”等等。在机器学习机制中，我们将此称为二进制分类问题。很多商业决策都能够通过准确预测二进制问题的答案来得到强化。Amazon Michine Learning（
博客
利用Amazon Mobile Analytics与R深入探究移动应用的使用模式
08-31 7026
作者：Sandeep Atluri 亚马逊数据科学家要真正鼓励用户使用我们的移动应用程序，最重要的前提就是深入了解用户使用应用程序时的行为模式，而后据此作出体验优化。不过通过应用程序事件数据来找出有意义的模式往往极具挑战性，而标准KPI所提供的诸如月度活跃用户（简称MAU）以及每日活跃用户（简称DAU）并不足以勾勒出完整的图景。举例来说，所发布应用在过去三十天中的用户开启次数能够帮
博客
亚马逊云科技使用心得：当初我曾错过的那些宝贵经验
07-08 2万+
在今天的文章中，我整理出了大量当初曾经错过、而至今仍将我追悔莫及的亚马逊云科技（Amazon Web Services）使用心得。在几年来的实践当中，我通过在亚马逊云科技之上新手构建及部署各类应用程序而积累到了这些经验。虽然内容有些杂乱，但相信仍然能给各位带来一点启示。从物理服务器向“云环境”转移的过程不仅仅是一项技术任务，同时也意味着我们的思维方式需要作出针对性的转变。总体而言，在物理环境下我们
博客
搜索成本直降34%！阿尔特携手Bedrock AgentCore打造懂你的电商AI
12-31 22
其以Strands Agents能力为“骨架”，以AgentCore Memory的记忆功能为“大脑”，搭配大小模型协同、语义共识引擎等技术，找到了当前电商AI搜索的最优实现路径，体现对AI技术本质的深刻理解与实践智慧。深度融合AgentCore Memory的用户数据，摒弃传统机械的推荐方式，采用拟人化导购的交互形式，进行情感化推荐排序，让推荐结果更贴合用户个性化需求与购物习惯。如今，用户无需在重复搜索中反复描述需求，AI能够精准理解需求的上下文演进过程，为用户提供具备连续性的个性化服务体验。
博客
快时尚电商行业智能体设计思路与应用实践（六）实现智能体极速研发
12-31 708
本文介绍了Amazon Bedrock Agent Core MCP Server在快时尚电商智能客服系统开发中的应用。该工具通过实时文档查询、动态配置管理和部署指导，显著提升了开发效率，使传统"查文档+试错"模式转变为"自动提示+即时验证"的工程体验。文章详细展示了从环境配置、智能体构建到系统部署的全流程，包括SOP定义、Memory管理实现和本地测试方法。
博客
使用 Kiro AI IDE 开发 基于Amazon EMR 的Flink 智能监控系统实践
12-31 1696
效率提升：开发效率提升 6-8 倍质量提升：代码规范性 100%，测试覆盖率 85%学习加速：通过 AI 生成的代码学习新技术决策辅助：AI 帮助做出正确的技术选型核心亮点Spec驱动开发：结构化需求描述,逐步实现MCP集成：扩展 AI 能力,查询文档和操作亚马逊云科技服务Steering规则：确保代码符合项目规范迭代优化：逐步完善，而非一次完美参考资源项目地址Kiro 官网前述特定亚马逊云科技生成式人工智能相关的服务目前在亚马逊云科技海外区域可用。
博客
使用 Kiro AI IDE 开发 Amazon CDK 部署架构：从模糊需求到三层堆栈的协作实战
12-30 1187
Amazon Cloud Development Kit (CDK) 是使用编程语言定义云基础设施的框架： – 使用 Python、TypeScript 等语言，而非 JSON/YAML – 代码复用和模块化 – IDE 支持（代码补全、类型检查） – 通过 Amazon CloudFormation 部署Kiro是亚马逊云科技推出的 AI 辅助开发工具： – 理解自然语言需求，生成 CDK 代码 – 基于 Spec 文档驱动开发 – 理解亚马逊云科技服务依赖关系 – 通过对话迭代优化架构设计效率提升。
博客
只需说句话，Nova Sonic帮你管理待办事项！
12-30 32
他拥有超过19年的企业应用架构与开发经验，凭借在生成式AI技术领域的专业能力，助力客户优化业务运营，突破现有技术瓶颈。这有助于打造一个效率倍增的全新应用环境，其中交互不再依赖传统的界面元素，而是以具体的上下文信息作为交互的核心依据。语音技术不仅能催生全新的交互模式，还能为屏幕阅读器等辅助技术使用者提供一种更加包容、多元的交互途径，让这些用户也能顺畅地与应用程序进行互动。每一条指令背后，都对应着一系列精准的操作，例如新建笔记、整理内容或更新任务状态等，这些操作均通过语音指令完成，整个过程自然流畅、高效便捷。
博客
使用Amazon Nova模型实现自动化视频高光剪辑
12-29 713
本文介绍了基于Amazon Nova多模态模型(VLM和MME)的视频高光剪辑自动化方案。方案包含两种核心方法：1) 纯VLM方案直接通过Nova模型理解视频内容并输出高光时间戳；2) VLM+MME方案结合语义摘要与嵌入检索实现更精准的片段定位。文章详细阐述了各方案的架构设计、提示词工程技巧及效果优化策略，包括视频切片、语义匹配等关键技术。此外还介绍了成本优化思路和附加效果处理，如BGM匹配、转场动画等。最后提供了方案选型建议和应用场景分析，展示了该技术在体育赛事、媒体内容等领域的应用潜力。
博客
4步构建生物医学研究Agent！AgentCore Gateway解放你的双手
12-29 46
如今，在基因组学、蛋白质组学、病理学等多个领域，海量专业数据库和分析工具正以前所未有的速度涌现，要求研究人员必须持续跟进这些工具的发展动态，不断学习掌握新工具，这导致他们用于开展假设驱动型研究的时间大幅减少，而这类研究又恰恰是推动重大突破性发现的关键所在。部署完成后，AgentCore Runtime将成为可弹性扩展的Serverless Agent，用户可通过API调用触发该Agent，它会自动处理会话管理、持久存储记忆及工具编排，同时提供对Biomni网关与本地研究工具的安全访问能力。
博客
如何在亚马逊云科技部署高可用MaxKB知识库应用
12-26 817
本文介绍了基于亚马逊云科技托管服务构建高可用MaxKB知识库系统的方案。MaxKB作为开源RAG问答系统，支持多模型对接和智能问答场景。针对企业生产环境需求，方案采用Amazon ECS运行容器化应用，配合RDS PostgreSQL（含pgvector扩展）和ElastiCache Valkey提供数据持久化与缓存，通过ALB实现流量分发和多可用区部署，确保99.9%以上的服务可用性。文章详细阐述了架构设计、服务配置和CDK自动化部署流程，并展示了对接Bedrock模型的实际应用效果。
博客
CANoe上云方案：打造企业级ECU云端流水线，效率、质量、成本三重提升！
12-26 58
这些变化让传统的基于电脑的本地工具模式逐渐捉襟见肘：构建慢、环境不一致、测试分散、资源浪费、跨团队协作困难。“免费计划”账户类型，确保零花费，安心试用。进入云端后，它们不再是“本地打开的软件”，而成为随时可调用的云端“能力节点”。不仅能把原本碎片化的研发流程自动化，还能将ECU软件生产线变成真正的“工程化系统”，可扩展、可复用、可治理。工具上云不是简单提供“云电脑”，而是提供一整套让汽车工具成为“可调用的自动化服务”的平台。等能力使工具部署在内部隔离网络中，授权分发可控，日志可审计，满足车企的合规要求。
博客
使用Graviton机型推理LLM模型实践指南
12-25 580
本文介绍了在企业AI应用中，Amazon Graviton处理器与Qwen3 0.6B轻量级模型的组合方案。该方案针对工单分类、情感分析等高频简单任务场景，通过测试显示：Graviton实例相比同配置Intel实例，推理速度提升42%，成本降低31%，延迟减少23%。文章详细阐述了部署方法，包括使用SageMaker和Ollama构建ARM架构容器镜像，并分析了该方案在性能与成本上的优势。特别指出Graviton4实例的显著性能提升，为轻量级AI任务提供了高性价比的CPU推理方案选择。
博客
Agentic AI实践指南｜秘籍八：Agent应用隐私与安全
12-25 40
该分类梳理的方法，重点分析单个Agent级别的威胁，包括内存中毒、工具滥用和权限泄露。这种现状导致了MCP相关的安全问题，MCP在追求互操作性的同时，往往会忽视基础的安全实践，导致了严重的安全的风险。为了应对上述安全隐患，企业可以采用多层防护策略，在每次的用户输入、大模型的规划、记忆数据存储、工具描述和响应内容、Agent最终给用户的响应、跨Agent之间的消息传递等，各个环节都独立调用Amazon Bedrock Guardrails进行过滤，特别是提示词注入攻击的过滤，可以有效缓解注入攻击的风险。
博客
Agentic AI实践指南｜秘籍七：Agent可观测性评估
12-24 60
示例环境可根据workshop进行创建，创建资源包括一个含有订单数据表格并通过api gateway对外暴露的电商系统，和一个通过网页交互的电商售后智能客服应用，智能客服Agent应用通过添加多个MCP servers，其中包括调用电商系统的API Gateway接口的工具，来实现对电商系统中的订单进行查询并按照售后流程定义规则进行处理的功能。除了MLFlow之外，也可使用其他可观测性系统，例如Langfuse是一个专为LLM应用设计的开源可观测性系统，提供了完整的追踪、评估和分析能力。
博客
让 AI 工作空间更智能：Amazon Quick Suite 集成博查搜索实践
12-23 614
本文介绍了如何将博查搜索(Bocha)集成到Amazon QuickSuite智能工作平台中，解决企业AI助手面临的信息孤岛问题。通过Amazon Bedrock Agent Core Gateway作为统一工具服务器，采用模块化架构实现快速集成，使QuickSuite用户能直接在ChatAgent界面获取实时网络搜索能力。
博客
Agentic AI实践指南｜秘籍六：Agent质量评估
12-23 79
使用LLM来评估Agent输出质量的方法，通过让LLM扮演“评判者”角色，根据预定义的评估标准对Agent的表现进行打分和判断：Agent从收到用户第一条请求到任务完全完成（数据库状态更新到目标）所用的平均时间，衡量效率和用户体验。，模拟一个面向天气查询的智能助手工作和Agent评估流程，通过SummaryLogger来观测和跟踪评估的中间结果以及对应的关键指标，方便进行后续的人工复查，同时通过测试可以评估任务整体的执行效率和准确性，并在完成的最后使用评估指标分析对失败任务进行归因分析。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值