Build a repeatable PHP-to-Java migration engine with Kiro
Kiro，一个AI集成开发环境，通过八阶段工作流和模型发现扫描器，将PHP到Java的迁移转化为可测量的、可重复的流程。该引擎以原PHP应用为规范，通过JSON清单和人工审查队列确保代码转换前后的行为一致性，支持Kiro交互模式和AWS Transform大规模自动化迁移。
阅读原文 来源：AWS Machine Learning Blog
#实用教程
AWS Machine Learning Blog一手
AWS Machine Learning Blog一手 AWS 博客：AI Agent 使用 OpenAI 模型在 Amazon Bedrock 的 Prompt caching 模式指南
原文详细介绍了在 Amazon Bedrock 上使用 OpenAI 模型进行 Prompt caching 的模式，展示了如何通过缓存工具和指令显著降低成本并提升响应一致性，读者可直接套用代码示例优化 Agent 工作流。
阅读原文 来源：AWS Machine Learning BlogAWS Machine Learning Blog一手精选 使用 CDK 在 Amazon Bedrock 托管知识库上构建智能体检索系统
原文构建了一个完整的企业智能体检索解决方案，展示了如何使用 AWS CDK 部署一个基于 Amazon Bedrock Managed Knowledge Base 的智能体系统。
阅读原文 来源：AWS Machine Learning Blog推荐理由原文提供了完整的 CDK 部署方案，展示了如何利用 Amazon Bedrock Managed Knowledge Base 构建企业级智能体检索系统，读者可以学到语义路由、多轮检索、七层观测指标和自动评估的完整实现细节。
AWS Machine Learning Blog一手 使用 AWS CDK 编排 SageMaker AI 端点自动扩缩容
原文介绍了使用 AWS CDK 构造解决 SageMaker AI 端点配置更新导致自动扩缩容失效的问题。通过三个自定义 CloudFormation 资源，在端点更新前自动注销可扩缩目标，更新配置后再注册并绑定扩缩容策略。
阅读原文 来源：AWS Machine Learning Blog
AWS Machine Learning Blog一手精选 在 Amazon SageMaker AI 上用两次测量替代 TTS 自动扩缩容的猜测
原文详细介绍了在 Amazon SageMaker AI 上部署 Kokoro-82M TTS 模型的自动扩缩容配置方法。文章通过两次实际测量（Q_max 和 T_total）替代传统的猜测式配置，Q_max 为单实例在 SLO 约束下可承受的最大并发请求数（测得 50），T_total 为从请求扩容到流量恢复的总耗时（测得 320.2 秒）。
阅读原文 来源：AWS Machine Learning Blog推荐理由原文给出了能力变化和开放入口，读者可以据此判断它会怎样改变现有工作流。
AWS Machine Learning Blog一手 Adaptive Agentic Intelligence Framework 使用 Strands Agents 实现模型分层调度
AAIF 框架利用 Strands Agents 架构，通过本地运行的 1B 参数 SLM（llama3.2:1b）作为决策层对请求进行分类，常规任务（如设备遥测、摄像头分析）在本地通过 Ollama 完成，复杂分析则通过 Amazon Bedrock 调用前沿模型完成，实现成本与延迟的平衡。
阅读原文 来源：AWS Machine Learning BlogHugging Face Blog一手 Profiling TorchNeuron (Part 1): AWS Trainium 系统级性能分析指南
本文介绍如何使用 TorchNeuron 对 AWS Trainium 芯片上的模型推理性能进行系统级分析。文章以 RMSNorm 为例，演示了通过 torch.profiler 配合 NeuronConfig 捕获设备和运行时痕迹，并利用 Neuron Explorer 追踪操作从框架调度到硬件执行的全过程。
阅读原文 来源：Hugging Face Blog
AWS Machine Learning Blog一手 在 Amazon SageMaker HyperPod 上使用 SFT 与 GRPO 微调 GPT-OSS-20B 实现多语言推理
GPT-OSS-20B 是一个只在英语中推理的开放权重模型。在 50 例多语言推理测试中，基座模型仅在 22% 的情况下使用目标语言进行链式思考，且几乎全是英语示例。
阅读原文 来源：AWS Machine Learning BlogAWS Machine Learning Blog一手精选 在 AWS 上使用 AtScale 和 Amazon Bedrock AgentCore 构建语义层以支持智能体 AI
文章介绍了在 AWS 上使用 AtScale 语义层和 Amazon Bedrock AgentCore 构建智能体 AI 的完整流程。首先，文章说明了 AtScale 采用维度模型而非图模型，并使用开放的 Semantic Modeling Language（SML）定义模型，支持 SQL、XMLA 和 MCP 三种协议同时对外提供。
阅读原文 来源：AWS Machine Learning Blog推荐理由原文展示了如何使用 AtScale 的语义层、Amazon Bedrock AgentCore 和 Semantic Modeling Language 构建统一的语义层，读者可学到模型定义、查询下推、身份传播和部署全流程。
AWS Machine Learning Blog一手精选 在 AWS 上使用 Strategy Mosaic 和 Amazon Bedrock AgentCore 构建 Agentic AI 语义层
文章介绍了 Strategy Mosaic 作为语义层在 AWS 上为 Agentic AI 构建统一语义层的完整实现流程。Mosaic 通过两个链接模型（Purchase 模型覆盖 Amazon Redshift，Customer 模型覆盖 Amazon Aurora）实现跨源数据关联，无需 ETL。
阅读原文 来源：AWS Machine Learning Blog推荐理由原文详细介绍了 Strategy Mosaic 语义层在 AWS 上为 Agentic AI 构建语义层的完整技术实现，涵盖了模型链接、指标定义、身份认证和跨源查询执行，读者可直接学习如何将语义层部署到 Bedrock AgentCore 并实现统一的安全与数据访问。
AWS Machine Learning Blog一手精选 基于Denodo和Amazon Bedrock AgentCore在AWS上构建智能体语义层
原文介绍了在AWS上使用Denodo平台构建语义层，实现Amazon Aurora、Amazon Redshift和本地PostgreSQL数据的联邦查询。文章详细说明了如何通过Denodo Virtual DataPort创建基础视图、派生视图和度量视图，以及如何通过Model Context Protocol Server将语义层暴露给AgentCore托管的智能体。
阅读原文 来源：AWS Machine Learning Blog推荐理由原文详细展示了如何在AWS上使用Denodo和Amazon Bedrock AgentCore构建语义层，实现跨多源数据的联邦查询和身份传递，读者可学到具体的MCP Server注册、查询下推和访问控制实现方法。
GitHub Blog: AI & ML一手 3 位 Java Champion 通过 GitHub Copilot 提升生产力的实践
三位 Java Champion 通过 GitHub Copilot 在实际项目中提升了生产力。Vlad Mihalcea 用自定义技能让 AI 生成的代码风格统一其博客。
阅读原文 来源：GitHub Blog: AI & ML
GitHub Blog: AI & ML一手 GitHub Copilot 如何在 VS Code 中继续 App 会话
GitHub Copilot 发布教程，演示如何在 VS Code 中打开并继续 Copilot App 会话，保留任务、计划和对话上下文。用户可在编辑器内查看 Agent 变更的 diff，进行行级代码审查和手动编辑，随后在本地运行项目进行验证和测试，最后提交并推送更改至关联的 PR。
阅读原文 来源：GitHub Blog: AI & ML
GitHub Blog: AI & ML一手 GitHub Copilot app for Beginners: 如何教会 Copilot 了解你的代码库
GitHub Copilot 通过自定义指令、Agent 技能包和自定义 Agent 让模型了解代码库惯例；MCP 服务器将其连接至外部工具与数据源，扩展其功能。
阅读原文 来源：GitHub Blog: AI & ML
Hugging Face Blog一手精选 用户用 ML-intern 训练七个小型模型，总成本仅103美元
用户利用 Hugging Face 的 ML-intern 工具，仅花费约103美元的 compute 成本，在短时间内训练并发布了七个小型模型。这些模型涵盖了病害识别、角色绘制、相机角度 LoRA、涂鸦转 LoRA 以及轻量化学生模型等多种功能。
阅读原文 来源：Hugging Face Blog推荐理由原文展示了用户如何通过 ML-intern 以极低成本（总计约103美元）训练七个小型模型，提供了从Prompt设计到模型发布的完整流程和具体成本数据，读者可直接复用Prompt和方法。
GitHub Blog: AI & ML一手 AI is changing developer work. Here are three skills to strengthen.
GitHub Blog 文章讨论了 AI 如何改变开发者工作流，重点介绍了三项关键技能。首先是学会指挥 AI 而非仅仅使用它，随着 AI 代理接管更多实现工作，定义问题、提供上下文和评估输出的能力日益重要。
阅读原文 来源：GitHub Blog: AI & ML
GitHub Blog: AI & ML一手 AI-powered fuzzing with the GitHub Security Lab Taskflow Agent
GitHub Security Lab 基于 Taskflow Agent 构建了自动化模糊测试管道 Fuzzing Taskflow，默认使用 Claude Sonnet 5 模型。
阅读原文 来源：GitHub Blog: AI & ML
Mistral AI一手 Mistral AI：利用 AI agents 将 40,000 行 Fortran 77 代码迁移至 C++
Mistral AI 帮助欧洲能源运营商将 40,000 行 Fortran 77 代码迁移至 C++，该物理密集型 reservoir simulator 无测试套件也无中心化文档。
阅读原文 来源：Mistral AI