Author: awschina

本文以真实集群从 EKS 1.32 升级到 1.35 为例，展示如何将风险识别、路径规划、升级执行和故障定位交给 Kiro agent。我们在同一集群做对照实验——唯一变量是否加载 Skill 知识库：无 Skill 时工程师需全程介入，耗时约 6 小时；加载 Skill 后 agent 自主执行，耗时约 2.5 小时，节省 60%。两组共享同一工具链，差距主要来自 Skill。更值得关注的是，agent 在实战中主动发现新隐性约束并补充回 Skill，说明知识库具备随实战增长的潜力。

讨论 Agentic RL 训练成本时，基于 Graviton5 的 m9g 实例，可将沙盒层成本降低多达 43%。该分析同样适用于 Agent 执行工具调用和代码的 CPU 沙盒环境。

本文介绍了Lambda MicroVMs 是 AWS Lambda 中一种全新的无服务器计算原语：为每个用户或会话提供一台专属的、有状态的、虚拟机级隔离的轻量执行环境——启动近乎瞬时，空闲自动挂起，完全无需管理基础设施。

本文从隔离级别、状态保持、启动模型、网络模型、计费对比等多个维度深入对比 Lambda MicroVMs 和 Lambda Functions，帮助架构师做出正确的技术选型。

2026 年 6 月，AWS 同时拥有了两个能”安全运行 AI 生成代码”的 Serverless 产品——Lambda MicroVMs 和 Bedrock AgentCore Runtime。它们底层都基于 Firecracker microVM，却处在完全不同的抽象层。本文从定位、架构、计费、适用场景等维度做深度对比，帮助 AI Agent 开发者和架构师做出正确选择。

本文系统对比了 AWS NAT 网关的两种可用性模式：传统的 AZ（可用区）NAT 网关与 2025 年新发布的 Regional（区域）NAT 网关。从架构原理、高可用性、运维复杂度、规格上限、计费模型等维度逐一分析，帮助读者根据实际场景选择最合适的 NAT 网关模式。

摘要：Amazon Quick 是 AWS 推出的 AI 工作助手，能够将问题转化为答案、将答案转化为行动。它 […]

当 AI 从”写一段代码”走向”参与完整研发流程”时，真正的瓶颈不再只是模型能力，而是团队有没有一套能让 AI 稳定工作的工程体系。紫讯围绕 AI-DLC（AI-Driven Development Life Cycle）方法，在与 亚马逊云科技团队的持续交流、Workshop 共创和工具实践中，逐步建立了从知识沉淀、需求塑形、方案收敛、开发协同、测试验证到经验回流的端到端研发闭环，让 AI 的产出可追溯、可复用、可验证、可纠偏，并持续沉淀为组织级研发资产（zixun-github-ai-dlc）。

本文通过一个FinOps云财务管理案例，展示如何利用 AI Agent 协作实现端到端的 AWS 云成本优化闭环：从费用异常发现、根因分析、运行时验证到安全清理，两个 Agent 各司其职、无缝衔接，最终为节省每月 约$4,100 的不必要支出。

通过生成式 AI 帮助营销人员优化邮件模版，并通过该方案全方位跟踪邮件生命周期，实现邮件营销的完美闭环。