AI SRE 是什么、如何改变 on-call，以及它到底有没有用
文章介绍 AI SRE 即 AI 增强的 on-call 与事故处理工具，主要加速告警后的事故调查阶段，通常在 Slack 中与工程师交互。Rootly、incident.io、ResolveAI 三家均采用触发、定位、并行分发、验证、汇报、人工引导、交接等步骤，并各自构建由知识图谱、记忆和工具组成的上下文层。
推荐理由：文章梳理了AI SRE的调查流程、上下文层与准确率权衡，可迁移之处在于多智能体分工与验证机制的设计思路。
#教程/实践
AIHOT 精选精选AI 评分7676 AWS Machine Learning Blog精选AI 评分6262 Exowatt 用 SageMaker 无服务器微调让小模型在特定任务上超越前沿模型
Exowatt 用 Amazon SageMaker AI 无服务器模型定制构建可复用微调流水线，在边缘告警分诊和云端能源市场分析两个任务上分别微调 Qwen3-1.7B 与 Qwen3-14B，取得高于前沿模型的准确度且成本最多低 49 倍。
推荐理由：通过两个具体任务的完整数据，展示了小模型微调在特定场景下超越前沿模型的可复用路径与成本对比。
AWS Machine Learning Blog精选AI 评分6262 Property Finder 修复 Amazon Bedrock 模型评测偏差并降低成本
Property Finder 发现其评测集中 96.8% 的标签直接继承自单一模型预测而非人工核验，导致任何替代模型在对比中处于结构性劣势。
推荐理由：文章展示了评估标签被单一模型预测污染后如何系统性重建无偏评测，对做模型选型的团队有直接可迁移的方法参考。
AWS Machine Learning Blog精选AI 评分6262 用 AWS CDK 在托管 Amazon Bedrock 知识库上构建 agentic 检索
AWS 官方教程用一个 Python AWS CDK 应用，在 Managed Amazon Bedrock Knowledge Base 上构建企业 agentic 检索。
推荐理由：教程对比了托管与自建知识库的差异，并给出可一键部署的七层可观测方案，便于评估 agentic 检索的落地成本。
AWS Machine Learning Blog精选AI 评分6262 Amazon Bedrock 上 OpenAI 模型的 Agent 提示缓存实践指南
AWS 官方博客介绍如何在 Amazon Bedrock 上为 OpenAI 模型（如 GPT-6 Astra）配置提示缓存以降低 Agent 多轮调用的输入成本。
推荐理由：文章把提示缓存的隐式与显式两种模式拆到具体代码与成本数字，可直接对照自己的 Agent 工作流判断如何复用。
AWS Machine Learning Blog精选AI 评分7373 Amazon SageMaker AI 多轮强化学习实战教程：gpt-oss-20b 解题率从61%升至84%
AWS 官方教程演示在 Amazon SageMaker AI 上用多轮强化学习（MTRL）训练模型完成多步任务，以 Wordle 为例，将 gpt-oss-20b 在默认推理档位的解题率从 61% 提升到 84%，低档位从 15% 提升到 69%，训练 token 花费约 339 美元。
推荐理由：教程给出完整的多轮强化学习流水线与踩坑记录，可迁移价值在于奖励设计和按服务设置评估的具体做法。
AWS Machine Learning Blog精选AI 评分6262 Bayer Crop Science 如何在 Amazon Bedrock AgentCore 上构建智能体决策引擎
Bayer Crop Science 在 Amazon Bedrock AgentCore 上构建了 Agentic Decision Engine（ADE），作为其 Connected Decision Engine（CDE）之上的多智能体自然语言层，首阶段约 80% 的用户问题无需工程师介入即可解答，已有 100 多名用户使用。
推荐理由：文章拆解了多智能体系统从设计到上线的五项关键决策与可观测性、成本归因做法，可迁移给正在落地Agent的团队。
AWS Machine Learning Blog精选AI 评分6262 Amazon SageMaker AI 推出 training session APIs：自写训练循环、免管GPU
Amazon SageMaker AI 的 serverless model customization 新增 training session APIs，把抽象边界下移到训练操作层。
推荐理由：文章用可运行的GRPO和Code RL示例说明了自定义训练循环如何与托管GPU配合，适合需要自定义损失或RL奖励的团队评估迁移成本。
Latent Space精选AI 评分8888 DeepSeek开源推理引擎DeepInfer，vLLM复现其吞吐并引发推理盈利讨论
DeepSeek开源了支撑V4.1 Flash的生产推理框架DeepInfer及配套库deepseek-recipe，官方报告单集群155万亿token/日、96%输入缓存命中、每加速卡时38美元离峰收入。
推荐理由：文章梳理了DeepSeek开源推理栈引发的多方反应，并区分了首方生产数据、社区测算与独立复现的证据强度差异。
GitHub Blog · AI & ML精选AI 评分6060 GitHub Copilot 官方博客：三位 Java Champions 分享提升生产力的实践
GitHub Blog 采访了三位拥有十多年 Java 经验的 Java Champions，介绍他们如何在生产与开源项目中使用 GitHub Copilot。
推荐理由：三位资深开发者给出从验证门到技能沉淀的具体做法，可迁移性强。
AIHOT 论文解读精选AI 评分7878 Anthropic 用 Claude 分析 25 个开源项目发现 493 个攻击面问题
Anthropic 用 Claude 对 25 个开源项目（超五百万行代码，含 C、C++、Java、PHP、Python）做攻击面分析与缩减，发现 493 个问题。
推荐理由：文章用 OpenSSH 案例说明缩减攻击面如何在不逐个修漏洞的前提下降低风险，可迁移方法清晰。
Microsoft Research精选AI 评分7474 微软研究院开源 Agent Lightning v1.0：约3500行的轻量级智能体强化学习框架
微软研究院亚洲院发布并开源 Agent Lightning v1.0，提出 Harnessed Agentic RL 训练范式，让部署所用的 agent harness 直接参与强化学习，无需在训练框架内重新实现 agent。
推荐理由：文章说明了用真实部署 harness 直接做强化学习的思路及其四个技术难点，可迁移理解训练与部署不一致问题的解法。
已经到底了