用 Amazon Bedrock AgentCore、Managed Knowledge Base 和 Nova Sonic 构建语音旅行礼宾
AWS Machine Learning Blog 展示如何在航空应用中用 Amazon Bedrock AgentCore、Amazon Nova 2.5 Sonic 和 Amazon Bedrock Knowledge Bases 构建语音旅行礼宾。方案通过 MCP 连接后端工具，支持查询行程、改座位、更新餐食偏好、回答政策问题，并可转接真人客服。
#RAG
AWS Machine Learning BlogAI 评分4343 AWS Machine Learning BlogAI 评分4444 Amazon Quick 与 Amazon Bedrock 如何重构 RAG 访问控制
Amazon Quick 和 Amazon Bedrock Knowledge Bases 通过查询时实时 ACL 校验，让 RAG 生成回答遵守企业知识源权限。
AWS Machine Learning BlogAI 评分4141 Qlik 如何用 Amazon Bedrock 构建可溯源的企业级 AI
Qlik 基于 Amazon Bedrock 构建 Qlik Answers，为员工提供带来源的自然语言问答，并支持企业级部署。
AWS Machine Learning BlogAI 评分5252 Cornerstone OnDemand 如何用 Amazon Bedrock 将数据库诊断时间缩短 78%
Cornerstone OnDemand 构建了 Orion AI 多智能体系统，用 Amazon Bedrock 和 AWS 开源的 Strands Agents 将数据库诊断从 45 分钟降至 10 分钟，缩短 78%。
Google DeepMind精选AI 评分7575 Google DeepMind 发布 EmbeddingGemma 2 开放轻量多模态嵌入模型
Google DeepMind 发布 EmbeddingGemma 2，将文本、代码、图像、视频和音频映射到统一嵌入空间。该模型基于 Gemma 4 架构，采用 Apache 2.0 许可，拥有 740 million 参数，支持 8K token 上下文窗口，并可通过 MRL 将输出向量从 768 维截断到 512、256 或 128 维。
推荐理由：原文给出参数规模、上下文窗口和端侧内存数据，可用于评估多模态嵌入在本地检索场景中的适配性。
Hugging Face Blog精选AI 评分6060 Asta 开源科学报告生成模型 AstaBrief 8B
Asta 开源了 AstaBrief 8B，这是一个将研究问题和检索到的文献摘录转成带引用报告的开放权重模型。它已作为 Asta Generate a report 功能中的 Fast mode 提供，并与 Claude 驱动的 Thinking mode 并列；Asta 还开源训练数据，并发布可用自有 PDFs 生成报告的示例 workflow。
推荐理由：文章披露了训练数据筛选、DPO 构造和速度对比，适合参考科学报告生成模型的工程取舍。
Hugging Face BlogAI 评分5454 ProvenanceGuard 提出面向 MCP Agent 的来源感知事实性验证
Hugging Face Blog 介绍论文 ProvenanceGuard: Source-Aware Factuality Verification for MCP-Based LLM Agents，提出在 MCP Agent 生成后按 claim 检查事实是否由正确来源支持。
GitHub Blog · AI & MLAI 评分3636 GitHub Podcast 讨论 AI 热点争议：读代码、RAG、Skills 与 MCP
GitHub Podcast 讨论多项 AI 开发热点：AI 生成代码仍需审查，RAG 没有消亡，Skills 也没有取代 MCP。文章认为开发者的关键能力是判断风险、解释 AI 使用方式，并把 agents、Skills、MCP 与 RAG 作为可组合的工作流组件。
Mistral AI精选AI 评分7171 Mistral AI 推出 Agentic Search，用于提升企业 AI 系统检索准确性与效率
Mistral AI 推出 Agentic Search，这是一个检索层，可让 AI 系统在复杂文档和数据源中搜索、导航、阅读并验证信息。它通过 Mistral Search Toolkit 和 Libraries 提供，使用 search、open、navigate、read、grep 五个工具，并内置于 Studio 和 Vibe。
推荐理由：原文给出工具接口、适用场景和基准数据，可用于比较 Agentic Search 与传统 RAG 的取舍。
Berkeley AI ResearchAI 评分4242 面向 LLM 的大规模交互识别：SPEX 与 ProxySPEX 方法
Berkeley AI Research 介绍 SPEX 与 ProxySPEX，用于在 LLM 等复杂机器学习系统中大规模识别关键交互。SPEX 将交互发现转化为稀疏恢复问题，利用有选择的 ablation 和解码算法定位影响因素；ProxySPEX 利用层级结构，在保持 SPEX 性能的同时将 ablation 数量减少约 10x。