Postman 如何在 Amazon Bedrock 上为 4000 万开发者运行 Agent Mode
Postman 在 Amazon Bedrock 上构建 Agent Mode，以 AI 原生方式覆盖 API 测试、文档、发现与实现，服务 4000 万开发者。
#MCP/工具调用
AWS Machine Learning BlogAI 评分3434
TechCrunch · AIAI 评分5858 Meta 的 Muse 在移动端上线一个月后推出 iPad 版
Meta 于周三宣布其 Muse 助手推出独立 iPad 应用，距其 9 月 8 日在 iOS 和 Android 上线仅一个月。据 Sensor Tower 估算，Muse 上线以来安装量已超过 660 万次。
AWS Machine Learning BlogAI 评分5858 AWS 发布 Amazon Bedrock AgentCore payments，支持 AI 智能体按次付费推理
Amazon Bedrock AgentCore payments 正式可用，为 AI 智能体提供按需付费的托管能力，支持 x402 兼容端点，由基础设施层而非模型执行消费限额。
TechCrunch · AI精选AI 评分7878 Google 在 Gemini 中引入智能体能力，先从企业场景落地
Google 在 Google Cloud 活动上宣布为 Gemini 推出统一智能体，可接受目标而非仅指令，自主规划任务、调用自定义技能与工具并连接企业内部系统。
推荐理由：Google 把 Gemini 从对话助手推进到可自主执行任务的智能体，并给出企业侧接入与管控细节。
AWS Machine Learning BlogAI 评分3838 如何用 AWS Lambda Durable Functions 实现 AWS DevOps Agent 调查后的自动修复
AWS 展示了一套自动化修复工作流，用 Amazon EventBridge 接收 AWS DevOps Agent 的调查完成事件，再由 AWS Lambda Durable Functions 调用 Amazon Bedrock 从预审工具白名单中选取修复动作。
AWS Machine Learning BlogAI 评分4242 Cornerstone OnDemand 如何用 Amazon Bedrock 将数据库诊断时间缩短 78%
Cornerstone OnDemand 基于 Amazon Bedrock 和 Strands Agents 构建多智能体系统 Orion AI，将数据库诊断时间从 45 分钟降至 10 分钟，降幅 78%。该系统还把手动生命周期步骤从 10 步以上压缩为 1 次交互（减少 70%），并将冗余告警中位数削减 65%。三人团队用六个月完成交付。
Latent SpaceAI 评分5656 Kubernetes 创始人谈云端 harness 能否让智能体走出桌面
Latent Space 采访 Kubernetes 创始人 Craig McLuckie 和 Joe Beda，他们创办的 Stacklok 押注云端智能体 harness，认为桌面优先的架构把循环、本地执行和会话状态耦合在同一进程里。
Hugging Face Blog精选AI 评分7171 微软与 Hugging Face 发布 ThinkingBox：按数据库终态给 AI 智能体打分
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，通过隔离的 MCP 工具会话运行智能体，再依据终端后端状态和副作用而非生成文本判定成败，每个任务重复 20 次。
推荐理由：微软与 Hugging Face 联合发布的智能体评测基准，用后端状态而非生成文本判定成败，并给出 20 次重复下的稳定性与成本数据。
GitHub Blog · AI & MLAI 评分3838 GitHub Copilot 应用入门：如何用 canvases 构建自定义工作流
GitHub Copilot 应用中的 canvas（画布扩展）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，即可生成看板、发布清单或仪表盘等界面，无需编写代码。
GitHub Blog · AI & ML精选AI 评分6060 GitHub Security Lab 发布 Fuzzing Taskflow 智能体，自动完成 C/C++ 模糊测试
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，它就能识别入口点、分析构建系统、编写 harness、运行 AFL++、读取覆盖率报告并改进 harness，最后对每个崩溃做分诊并生成漏洞报告。
推荐理由：GitHub Security Lab 把模糊测试的 harness 编写、覆盖率追踪与崩溃分诊交给 LLM 智能体，读者可据此判断自动化安全测试的边界。
GitHub Blog · AI & MLAI 评分2222 GitHub Podcast 拆解 AI 热门观点：该不该读代码、RAG 是否已死、Skills 是否杀死了 MCP
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，只是审查力度应按风险分级；Skills 与 MCP 解决不同问题，前者是打包的团队经验，后者是智能体连接工具与数据的标准，二者可组合使用；RAG 并未消亡，它为模型提供训练数据之外的相关信息，能减少 token 消耗并让回答更有依据。