数据才是真正的护城河:AWS如何构建安全、定制化的生成式AI
在这场AWS分享中,Mani Khanuja用“跳舞的椰子”作为隐喻,反复强调一个核心观点:生成式AI的差异化不在模型,而在数据。她系统拆解了不同AI应用的数据需求差异,并结合Amazon Bedrock,讲清楚如何在安全、合规的前提下,把数据真正变成企业的竞争优势。
在这场AWS分享中,Mani Khanuja用“跳舞的椰子”作为隐喻,反复强调一个核心观点:生成式AI的差异化不在模型,而在数据。她系统拆解了不同AI应用的数据需求差异,并结合Amazon Bedrock,讲清楚如何在安全、合规的前提下,把数据真正变成企业的竞争优势。
AWS 的 Suman Debnath 在这场演示中介绍了 Strands Agents——一个刻意“反工程化”的开源 AI Agent SDK。它试图用极少的 scaffolding,把推理权真正交还给模型,并通过真实 Demo 展示:当你只保留模型与工具,Agent 反而能做得更多。
这是一次少见的、从代码细节出发讨论“生产级 AI Agent”的分享。AWS 开发者布道师 Mike Chambers 用一个极简 Demo,拆解了 AI Agent 的最小可行结构,并解释了为什么真正的难点不在模型,而在工程化与系统设计。
这场对话罕见地从第一性原理出发,拆解了“语音AI为什么难以规模化”的核心原因。Cartesia联合创始人Arjun Desai与AWS的Rohit Talluri分享了他们在实时语音、低延迟推理和新模型架构上的关键判断,揭示了企业级语音AI真正的技术门槛。
一段写于1969年的登月代码,如何成为今天理解遗留系统的最佳教材?这场演讲用阿波罗11号制导计算机为例,展示了AI Agent如何在理解、测试和现代化遗留代码中真正发挥价值。
这场演讲不是在讲“为什么要做评估”,而是直面一个更残酷的问题:当LLM真正进入生产环境,评估体系该如何跟上复杂度和速度?Dat Ngo结合大量真实落地经验,给出了一套围绕可观测性、信号设计和工程化迭代的评估方法论。
Jerry Liu在这场演讲中直言不讳地指出:当前大量AI Agent并没有真正自动化知识工作。他结合LlamaIndex的实践经验,系统拆解了知识型Agent的真实难点——非结构化数据、工具调用和端到端行动,并给出了一套更务实的构建方法论。
Windsurf产品负责人Kevin Hou在AI Engineer Worlds Fair上,讲述了他们如何从“代码补全”迈向“全程代理”,以及一个核心理念:让人类与AI共享同一条时间线。本文还原演讲中最关键的洞见、案例与判断。
这是一场来自一线实践者的分享,讲述如何在真实医疗场景中构建AI支持代理。演讲者不仅展示了LangGraph/MCP在复杂流程中的价值,也反复强调了边界、责任与工程取舍。
这是一场偏实战的完整工作坊记录。Amazon的Du'An Lightfoot不仅展示了如何用Nova Act一步步搭建AI Agent,还通过MCP和Strands Agents给出了一套可扩展、可迭代的Agent方法论,让“智能体”不再停留在概念层面。