AWS 官方博客给出管理 Amazon Bedrock 成本的五步操作模型，依次是归因、观测、限额、优化和复盘。归因环节利用 IAM 主体标签和 CUR 2.0 把每笔推理费用落到具体用户、团队和应用，并针对共享网关角色给出按用户会话标签的解法。观测环节通过模型调用日志和请求元数据回答哪个工作负载消耗了 token，限额环节则按风险选择仅告警、IAM 拒绝或网关同步拦截三档。
推荐理由：文章把 Amazon Bedrock 的成本治理拆成归因、观测、限额、优化、复盘五步，并给出可直接照做的配置与查询示例。
ChatGPT 桌面应用现已在 AWS GovCloud (US) 的 Amazon Bedrock 上可用，通过 Work 和 Codex 两个组件访问 OpenAI 前沿模型。
Epsilon 的智能体平台团队用 Amazon Nova Act 和 Amazon Bedrock AgentCore Browser Tool，把意图驱动的 UI 测试做成多租户平台服务，供各产品团队通过统一 应用程序编程接口（API，Application Programming Interface） 使用。
AWS 博客介绍如何用 人工智能（AI，Artificial Intelligence） 集成开发环境（集成开发环境（IDE，Integrated Development Environment））Kiro 搭建可重复的 PHP 到 Java 迁移引擎，把迁移拆成共享技能文件、发现扫描器和八阶段流程。
推荐理由：文章把 PHP 到 Java 的迁移拆成可复用的技能文件与八阶段流程，其中先建对照测试再写代码的顺序可以迁移到其他系统重写。
GitHub 博客采访三位有十余年 Java 经验的 Java Champion，介绍他们在生产项目和开源项目中使用 GitHub Copilot 的具体做法。
GitHub 官方教程介绍如何把 GitHub Copilot 应用中的会话直接打开到 VS Code 继续处理，会话的任务、计划和对话记录、代码差异以及独立工作树都会一并保留。读者可以在 VS Code 中逐行审阅智能体的改动、手动编辑、在集成终端运行测试，再把改动推送到该会话关联的拉取请求。前提是已安装并登录 GitHub Copilot 应用和 VS Code，且对会话所在仓库有推送权限。
GitHub 发布 Copilot 入门教程，介绍四种让 Copilot 了解代码库的方式：自定义指令、智能体技能、自定义智能体和模型上下文协议（MCP，Model Context Protocol）服务器。
GitHub 博客提出开发者应对 人工智能（AI，Artificial Intelligence） 工作方式变化的三项技能：学会指挥 AI 智能体（Agent）而非只使用它，用第二个模型审查 AI 输出，并借 AI 节省的时间处理更大问题。文中以 GitHub Copilot 内置的 Rubber Duck 智能体为例，说明第二个模型可审查计划、代码和测试，补上首个模型遗漏的问题。
GitHub Copilot 应用介绍用 canvases（画布扩展）搭建自定义工作流的方法：在智能体会话中输入 /create-canvas 技能，用自然语言描述工作流、界面操作和智能体可执行的动作，智能体就会生成界面并在右侧面板打开，无需手写代码或调整布局。
伯克利 人工智能（AI，Artificial Intelligence） 研究团队综述了并行推理领域进展，重点分析自适应并行推理——让模型自行决定何时分解任务、开多少并行线程以及如何协调。现有方法多由外部固定并行结构，而不同问题需要不同并行程度，自适应控制被视为高效推理扩展的下一步。