Amazon CloudWatch
PulseAugur coverage of Amazon CloudWatch — every cluster mentioning Amazon CloudWatch across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
Bedrock AgentCore Runtime 的无状态性改进了 AWS Marketplace 服务器设计
一位开发者详细介绍了为 Amazon Bedrock AgentCore Runtime 构建 MCP 服务器时遇到的挑战和解决方案，特别是针对处理 AWS Marketplace 卖家操作。核心问题在于在无状态环境中管理状态，导致了一种设计，其中确认令牌是从变更集和实体版本派生的，而不是直接存储的。这种方法确保只有经过审查的更改才能提交，并且编辑或底层产品更改会使令牌失效，最终改进了设计。
-
使用 Amazon Bedrock AgentCore 在 AWS 上构建安全的 MCP 服务器
本教程详细介绍了如何使用 Amazon Bedrock AgentCore 在 AWS 上构建安全的 MCP 服务器。该服务器设计为小型且只读，能够列出和读取 Amazon S3 存储桶中的文本文档。它采用 Amazon Cognito 进行用户身份验证，并作为无状态的 Streamable HTTP 服务器运行，利用 AgentCore Runtime 来实现安全、可扩展性和可观察性。该架构确保服务器仅具有列出存储桶和获取指定前缀内…
-
Amazon Bedrock 用户因配额限制面临限流错误
使用 Amazon Bedrock 的开发者可能会遇到 ThrottlingException 错误，这表明已超出账户特定的配额。这些错误可能源于请求限制或每个模型的令牌限制，响应中并未明确说明具体是哪个配额被触发。为了诊断，开发者应在 Amazon CloudWatch 中监控调用和令牌指标，并与服务配额进行比较，因为某些配额可能无法调整，需要联系 AWS 支持。
-
AI基础设施工具因过时上下文提供错误建议
一个用于基础设施管理的人工智能助手Claude Code，由于上下文过时而提供了错误信息。该助手访问了周一拍摄的AWS账户快照，来回答周二关于死信队列配置的问题，错误地指出没有配置DLQ。这是因为由Infrawise工具管理的基础设施上下文被缓存以提高性能。虽然系统设计为在缓存条目过期时重新分析，但过时的快照提供了听起来权威但实际上不准确的细节，凸显了在人工智能中使用过时数据的风险。
-
TReNDS 利用 Amazon Bedrock 自动化 AI 驱动的根本原因分析
TReNDS 中心是佐治亚州立大学、佐治亚理工学院和埃默里大学参与的一项研究计划，已开发出一套自动化系统，用于分析和识别其应用程序中错误的根本原因。该系统利用亚马逊网络服务 (Amazon Web Services) 的服务 Amazon Bedrock 来处理错误日志和源代码。通过与 AWS Lambda 和 GitHub 等工具集成，该系统可以实时检测错误，提取相关上下文，并为工程团队提供 AI 驱动的根本原因分析，从而显著缩短调查时间。
-
AWS DevOps Agent 通过模型上下文协议 (MCP) 与 ServiceNow 集成
AWS 详细介绍了其 DevOps Agent 与 ServiceNow 之间的集成，该集成利用了模型上下文协议 (MCP)。此次合作使 AWS DevOps Agent 能够直接从 ServiceNow 读取事件数据，并将发现写回事件记录，从而简化了值班工程师的工作流程。该集成使用 OAuth 2.0 进行身份验证，并使代理能够查询事件、变更和配置管理数据库以获取上下文，并将其与 Amazon CloudWatch 数据等 AWS …
-
AWS 为 Amazon Bedrock 上的 Codex 使用情况提供可见性
AWS 推出了一种方法，可以增强在 Amazon Bedrock 上运行的 Codex 等编码代理的使用可见性。该解决方案利用 OpenTelemetry 从 Codex 收集指标，然后将这些指标发送到 Amazon CloudWatch 进行分析。该系统允许组织通过按用户、团队或成本中心组织数据来跟踪采用情况、管理消耗量并了解运营行为，而无需在模型请求路径中引入集中式代理。
-
AI将于2026年通过智能代理彻底改变软件开发
到2026年，AI将深度集成到软件开发中，超越简单的代码补全，成为整个工作流程的核心。Copilot X、Cursor和JetBrains AI等开发环境将充当智能代理，能够根据高级规范建议整个功能或架构改进。GitHub Copilot Workspace和Gemini for Code等工具将根据自然语言描述生成完整的特性，包括测试和部署配置。此外，AI将自主编写和维护测试套件、分析代码更改并执行自动化质量保证，从而显著缩短开发时…
-
AWS 详解 AI 驱动的银行推荐系统及其可解释的洞察
AWS 详细介绍了一个专为银行业量身定制的可解释的“下一个最佳产品”推荐系统的架构。该系统利用 Amazon SageMaker AI 和 PyTorch 来预测客户最有可能需要的产品。它采用带有学习到的注意力机制的多塔神经网络来提高准确性并提供每个客户的可解释性，从而克服了传统推荐方法的局限性。
-
Redis 未能修复 ECS Fargate 上的有状态 MCP 会话丢失问题
一位开发者尝试使用 Redis 来维护运行在 AWS ECS Fargate 上的有状态消息通信协议 (MCP) 服务器的状态，但发现这并未解决滚动部署期间的会话丢失问题。实验表明，虽然 Redis 实例已连接并记录了会话活动，但在部署后，替换的任务未能从 Redis 中检索或写入会话数据。根本原因被确定为 FastMCP 服务器的 StreamableHTTPSessionManager 在任务重启后未能正确查询 Redis 以获取…
-
AWS 通过 CloudWatch 仪表板简化 SageMaker Pipelines 监控
AWS 推出了新的解决方案，以简化跨多个账户和区域监控 Amazon SageMaker Pipelines 的过程。这种方法利用 Amazon CloudWatch 自定义仪表板来集中 ML Ops 工作流的可视性，从而减少手动切换不同 AWS 环境的操作开销。该架构采用无服务器、事件驱动的模型，并采用中心辐射式设计，其中辅助账户中的轻量级组件将数据转发到主监控中心进行统一显示。
-
作者构建了复杂的AI内容流程，但读者为零
作者详细介绍了他们为发布内容而构建的复杂自建基础设施，其中包括跨S3、CloudFront、X和Medium等平台的草稿、验证和分发自动化流程。尽管设置复杂，但内容获得的读者却很少，作者认为这种情况与其说是失败，不如说是展示了他们的技术能力。他们专注于完善发布流程本身，将其视为他们旨在解决和销售的核心问题，而受众增长目前是次要考虑因素。
-
AWS 推出 Claude 应用网关，实现集中式 AI 模型管理
AWS 推出了 Claude 应用网关，这是一个自托管的控制平面，旨在帮助企业管理对 Claude Code 和 Claude Desktop 的访问、成本和策略。该网关通过消除对单独开发者凭证和手动分发设置的需求，简化了部署。它与身份提供商集成，以简化入职和离职流程，集中强制执行策略，并提供遥测数据以进行使用跟踪。此外，它还提供支出上限功能来控制成本，并且可以通过 Amazon Bedrock 或 AWS 上的 Claude Pla…
-
文章警告：AI 代理的 IAM 角色带来安全风险
在云环境中运行的 AI 代理（例如 AWS）由于其非确定性，构成了重大的安全风险。专为确定性代码设计的传统身份和访问管理 (IAM) 角色无法充分保护这些代理。这可能导致不受控制的 API 调用风暴或提示注入漏洞，在这种情况下，代理可能会根据被篡改的上下文执行恶意命令，从而可能造成广泛的系统损坏。文章认为，仅靠提示工程不足以保证安全，主张在平台层实施确定性强制机制来管理 AI 代理的爆炸半径。
-
AWS Bedrock 为调试 AI 代理增加了可观测性
AWS 推出了 Amazon Bedrock AgentCore Observability，以帮助开发人员调试生产中的 AI 代理。此新功能通过指标、跟踪和结构化日志提供对代理执行的可见性，使用户能够查明无限循环或不正确的工具选择等故障。可观测性工具旨在超越简单地检测错误，而是理解代理行为问题的根本原因。
-
DevOps Open Agent 增加了 OpenRouter 支持并支持 AWS Lambda/S3 调查
DevOps Open Agent 是一个开源的、由人工智能驱动的 DevOps 故障排除平台，现已扩展其功能。该平台现在支持 OpenRouter，允许用户通过单个 API 密钥访问超过 100 种不同的 LLM，从而避免供应商锁定。此外，AWS DevOps Agent 已得到增强，可以调查 AWS Lambda 函数和 Amazon S3 存储桶，提供有关安全状况和性能问题的见解。
-
AWS SageMaker 通过 CloudWatch 仪表板增强 AI 推理监控
Amazon SageMaker 通过在 Amazon CloudWatch 中集成详细指标和新的 Insights 仪表板，增强了对生成式 AI 推理端点的监控能力。此次升级通过提供超过 100 项新指标，使用户能够更有效地解决 GPU 内存压力或延迟峰值等问题。SageMaker Insights 仪表板跨性能、容量和可靠性提供车队、端点和推理组件级别的视图，简化了复杂多模型部署的可观察性。
-
Amazon SageMaker AI 通过容器缓存加速模型扩展
Amazon SageMaker AI 推出了容器缓存功能，以加速推理过程中的模型扩展。此新功能通过消除新实例预配时下载容器镜像的时间，将生成式 AI 模型的端到端延迟最多降低 51%。对于大型模型和复杂工作负载，此改进尤为显著，在测试案例中将启动时间从 525 秒缩短至 258 秒。
-
AWS Agent Toolkit 增强了 AI 编码代理的安全性和控制力
AWS Agent Toolkit 为 AI 编码代理提供了与 AWS 服务交互的托管解决方案，与社区运行的服务器相比，提高了安全性和可审计性。它包括一个托管的 MCP 服务器，用于安全地访问 API；预构建的用于常见任务的“Skills”；用于 IDE 集成的“Plugins”；以及用于行为配置的“Rules files”。主要优势包括精细的 IAM 控制、沙盒代码执行、通过 CloudTrail 和 CloudWatch 进行的全…
-
AWS Bedrock AgentCore将编码AI代理托管在笔记本电脑之外
Amazon Bedrock AgentCore Runtime 提供了一个专用的环境来托管编码AI代理，将它们从开发者的个人笔记本电脑上移开。这项新服务提供了带有持久工作空间的隔离Linux microVMs，确保代理能够可靠运行，而不会受到笔记本电脑合盖或系统挂起的干扰。AgentCore还集成了身份管理、统一工具访问网关和CloudWatch可观测性，旨在提高代理的性能和安全性。