跳到正文
10月6日周二
10月5日周一
10月3日周六
10月2日周五
  1. AWS Machine Learning Blog31

    用 Amazon Quick 和 Adjudicated Query 模式批量核查数千份租约合规性

    AWS 提出 Adjudicated Query 设计模式,让业务用户在 Amazon Quick 聊天界面提问合规问题,实际判定交由确定性规则引擎完成,模型只负责把自然语言转为固定类型操作并叙述结果。该模式通过完整性回执保证"已扫描 = 合规 + 违规 + 模糊 + 不可读",并保留规则版本、条款文本、方法与日期等可辩护记录,适用于租约合规、制裁筛查、保险理赔等高风险场景。

  2. AWS Machine Learning Blog60

    在 Amazon SageMaker AI 上用多轮 RL 微调搜索智能体

    AWS 团队介绍如何用 Amazon SageMaker AI 的多轮强化学习(MTRL)微调 Qwen3.6-27B 搜索智能体,仅调整 max_epochs、global_batch_size、rollout_max_concurrency 三个超参数,其余走默认值。

    推荐理由:AWS 团队公开了用多轮 RL 微调搜索智能体的完整配置与四个基准的对比数据,可据此评估该方法在自有检索场景的迁移成本。

  3. GitHub Blog · AI & ML22

    AI 正在改变开发者工作,GitHub 给出三项需要强化的技能

    GitHub 提出 AI 时代开发者应强化的三项技能:学会指挥 AI 智能体而非仅使用它、不轻信 AI 的首次答案、用 AI 节省的时间去解决更大的问题。文中以 GitHub Copilot 内置的 Rubber Duck agent 为例,说明它用第二个模型对计划、代码和测试进行批判性审查,从而发现首个模型遗漏的问题。

  4. AWS Machine Learning Blog34

    用 NVIDIA NeMo Agent Toolkit 和 Amazon S3 Vectors 构建智能体记忆

    NVIDIA NeMo Agent Toolkit(NAT)可通过实现 MemoryEditor 插件接口,将 Amazon S3 Vectors 接入为自定义持久记忆后端,单索引支持最多 20 亿向量。NAT 是开源、框架无关的智能体构建与优化框架,已内置 Mem0、MemMachine、Redis、Zep 四种记忆提供方,此次方案以多智能体投资研究为示例,部署在 Amazon EKS 上。

9月26日周六
9月24日周四
  1. GitHub Blog · AI & ML22

    GitHub Copilot 应用如何渲染超大 pull request

    GitHub Copilot 应用重建了 pull request 视图,用一个含 2,200 个文件、超 100 万行改动和 400 多条行内评论的开源 PR 做压力测试。其做法是把文档高度拆成确定性的代码几何与动态评论块两套体系:代码行高提前算好,评论高度按块懒测量、以文件和行号锚定,避免滚动跳变。

9月17日周四
  1. GitHub Blog · AI & ML82

    GitHub 用 Copilot 把 Copilot 运行时迁移到 Rust

    GitHub 用 GitHub Copilot app 和 Copilot CLI 把 Copilot agent runtime 从 TypeScript 完全重写为超过 80 万行生产级 Rust,AI agent 写了其中大部分代码,分布在 128 个合入 main 的 PR 中并增量发布。

    推荐理由:作者以亲历者身份给出把 Copilot 运行时从 TypeScript 迁到 Rust 的完整工程细节,可迁移到大规模 agent 协作开发。

9月12日周六
9月9日周三
  1. Mistral AI60

    Mistral 用 AI 智能体迁移 4 万行 Fortran 77 遗留代码

    Mistral 帮助一家欧洲能源运营商把 4 万行 Fortran 77 的油藏模拟器迁移到 C++,该代码库没有测试套件和集中文档。团队先搭建数值对齐校验框架,用自定义解析器生成调用树并让上百个智能体结合 Mistral OCR 补文档,再以规划、编码、测试、审查的智能体工作流逐模块迁移,并保留人工审核环节。

    推荐理由:Mistral 公开了用智能体迁移 4 万行 Fortran 的完整流程,其中先建数值对齐校验、再让智能体文档化的做法可迁移到其他遗留系统改造。