Mistral 发布 Mistral Large 4（Le Chonk），主打编码、防御性网络安全和复杂文档推理，同时扩展企业平台 Mistral Studio，新增托管 agent、应用、workflow 事件触发与可视化图、企业上下文、agent 可观测性和评测。
可借鉴其托管 agent 的 skills、沙箱、子 agent 与 hooks 分层，以及 workflow 断点续跑和可视化图；前提是已有企业数据连接器和 MCP server，代价是绑定 Studio 运行时。
AWS 与 EDB 联合发布教程，演示如何在 EDB Postgres AI 内用 AIDB 扩展构建语义知识库，让运行在 Amazon Bedrock AgentCore 上的 Strands Agents 智能体回答客户 360 问题。
把业务语义写进 Postgres 的 COMMENT ON 和视图注释，再用 create_semantic_kb 建向量索引，可替换独立的语义层或指标目录；代价是前期要逐列补注释，且多 KB 并存时每次检索都得显式传 kb_name。
AWS 发布教程，演示在 Amazon Bedrock AgentCore Gateway 上配置 on-behalf-of（OBO）令牌交换，让 AI Agent 调用 ServiceNow REST API 时保留发起用户的身份。
能拿走一套 OBO 令牌交换配置，把 Agent 调企业 API 的身份从应用本身换成发起用户；前提是 Entra 双应用注册、ServiceNow 入站 OAuth 和 MCP 2025-11-25 网关，漏掉 requested_token_use 参数就会认证失败。
AWS 在 SageMaker AI 上用序列级知识蒸馏（SeqKD）把 GLM-5.3 教师生成的购物 Agent 轨迹蒸馏进 Qwen3.5-4B，在 ShoppingBench 324 道留出题上平均绝对成功率从基座的 0.297 升到 0.541，追平教师和中等规模前沿模型。
能拿走一套完整做法，用前沿模型采样轨迹加程序化打分筛出解出的样本，按步编码成 chat 格式做 SFT，再把 LoRA adapter 挂到同一端点。落到软件工厂和本地模型部署两条线，前提是任务本身在 4B 容量内，且要接受 IFEval 掉 6 到 8 分。
MoEngage 用 Amazon Bedrock AgentCore Gateway 把约 400 个 VPC 私有 REST API 注册为权限受限的智能体工具，估算省下约六个月平台工程工作量，新 API 接入从数天缩短到数小时。
把 OpenAPI spec 当工具定义、用 Cedar 策略在序列化前按主体裁剪 tools/list、身份走 header 不进模型参数，这套做法能直接换掉每团队自建 MCP server 的方案，前提是接受平台组统一托管协议层。
AWS 发布教程，用单个 Python CDK 应用在 Managed Amazon Bedrock Knowledge Base 和 AgentCore 上搭建企业级智能体检索，一个 cdk deploy --all 部署四个栈。
能拿走一套 CDK 四栈模板，把两个 Managed KB 经 AgentCore Gateway 暴露成 MCP 工具做语义路由，并带七层 CloudWatch 遥测和在线评估；代价是区域支持有限、在线评估按采样率烧 LLM 调用。
Bayer Crop Science 在 Amazon Bedrock AgentCore 上构建了 Agentic Decision Engine（ADE），用 supervisor 智能体把自然语言问题路由给 22 个领域专家智能体，第一阶段约 80% 的用户问题无需工程师介入即可解决。
可拿走五条落地做法：LangGraph 检查点写 DynamoDB、按 agent 收窄工具目录、OpenAPI 注册成 MCP 工具、稳定前缀做 prompt 缓存省 20–30% 输入 token、按任务而非 HTTP 状态做告警；前提是已有 AgentCore 与 IAM 体系。
Microsoft Research 发布 Flint-interactive，一种构建在 Flint 之上的交互式数据可视化语言，让智能体生成可点击、筛选、缩放、高亮和跨图表联动的图表。
把交互逻辑写成语义事件加更新算子交给编译器处理，agent 不用再生成底层渲染代码；接入方式是 Flint-MCP 和 MCP Apps，代价是要先按 MCP 指南配置环境。
AWS 发布教程，用 Strands Agents 搭建自适应智能体智能框架 AAIF，把请求分三层处理：llama3.2:1b 做编排路由，Ollama 上的本地 SLM 处理设备遥测和图像分析，复杂分析经 boto3 调 Amazon Bedrock。
能拿走一套三层路由骨架，1B 模型做编排、Ollama 跑本地工具、Bedrock 兜复杂请求，直接换掉全部请求打大模型的做法；代价是要维护两套模型和路由判断，本地还需约 2GB 磁盘。
AWS 与 Keyfactor 工程团队联合发布参考架构，用 X.509 PKI 为多智能体系统补上 MCP 缺失的身份认证。方案分用户认证、智能体间、MCP 工具服务三层，靠签名信封、用户签名的委托断言、RFC 8693 降权 token 和实时 OCSP 吊销四项机制串联，私钥在客户端本地生成、EJBCA 只签发证书。
能拿走三层认证加签名信封、委托断言、RFC 8693 降权 token、OCSP 吊销四件套的完整代码，落到多智能体工具调用的身份链路上，代价是要自建 EJBCA 和 Keycloak 并处理 OCSP 可用性。
AWS 发布教程，演示编排器如何通过 AWS Agent Registry 在运行时按语义搜索发现 MCP 服务器和 A2A 智能体，再按请求临时组装内层 agent 执行。
能拿走 Discover→Instantiate→Execute 循环和按请求临时组装内层 agent 的写法，替换把工具硬编码进编排器的做法，代价是每轮多一次 Registry 检索，且凭证仍需另走 Cognito 和 Secrets Manager。
Amazon Bedrock 在 bedrock-runtime 和 bedrock-mantle 两个端点上为所有 Anthropic Claude 模型提供结构化输出，用约束解码在生成 token 时强制符合 JSON Schema，返回结果无需再解析或重试。
能直接拿走 output_config.format 传 JSON Schema 和 strict tool use 两套写法，换掉现在靠重试和正则兜底的解析层；代价是 schema 必须 additionalProperties:false，新 schema 首次请求要编译语法，缓存 24 小时且改结构即失效。