通过 MCP 将 Web Search Tool 集成到 AgentCore Gateway，为 AI Agents 提供实时网络搜索能力。

本文介绍了如何通过Amazon Bedrock AgentCore Memory实现跨终端的团队记忆共享。利用HOOK和MCP Server，记忆作为独立服务层，支持跨项目和设备的知识管理，包括短期和长期记忆的提取与存储，确保团队经验的自动积累与分享。

本文介绍了一种基于AgentCore harness的多智能体系统，专用于大型旅行社的集体出行任务的行程分配与优化。该系统结合大语言模型（LLM）和运筹学求解器，解决复杂的需求和资源分配问题，实现高效、稳定的自动化处理，显著提升运营效率，降低人力成本。该方案也适用于其他行业的排班和调度场景。

Amazon Bedrock AgentCore 提供托管的联网搜索和网页浏览能力，支持多种 Agent 接入。用户可通过简单配置实现实时搜索和网页抓取，解决自建方案的运维和稳定性问题。该服务在 AWS 内部运行，确保数据安全与合规，适合企业快速部署和使用。

Amazon Bedrock AgentCore 提供了管理的网络搜索和浏览工具，使支持模型上下文协议（MCP）的代理能够实时访问互联网。用户只需提供 URL 和令牌，部署过程简单，确保数据留在 AWS 内部，且调用不消耗额外模型令牌。这项技术使用户能够轻松集成实时搜索和网页浏览功能。

Amazon Bedrock AgentCore 提供三种持久化文件系统：Managed Session Storage、Amazon EFS 和 S3 Files，分别适用于个人私有数据、多方共享和写少读多的场景。用户可根据需求选择合适的存储方案。

本文介绍了如何结合AWS AgentCore和开源数据库OpenViking快速搭建具备高效记忆的AI Agent。AgentCore提供全托管的记忆服务，而OpenViking是自包含的上下文数据库。两者结合可实现短期和长期记忆，提升Agent的任务执行效率和自我进化能力。用户可根据需求选择不同的集成方案以优化Token使用和Agent性能。

本文介绍了如何将LiteLLM的Web搜索后端从自建的SearXNG替换为AWS托管的Amazon Bedrock AgentCore Web Search。该方案无需修改客户端，利用LiteLLM的websearch拦截机制，自动执行搜索并返回结果。通过重写核心方法实现与AgentCore的集成，减轻了自维护搜索引擎的负担，并支持按查询计费。文中提供了详细的部署和验证步骤。

AWS推出了两个Serverless产品：Lambda MicroVMs和Bedrock AgentCore Runtime。Lambda MicroVMs适用于通用计算，提供隔离的虚拟机，适合代码沙箱和多租户环境；AgentCore专为AI Agent设计，内置多种功能，支持高效开发。用户可根据需求选择MicroVMs或AgentCore，二者可组合使用，形成高效的AI Agent架构。

Amazon Bedrock AgentCore Web搜索功能现已上线，提供实时、准确的网络知识支持。该工具允许代理在安全的AWS环境中进行自然语言查询，返回相关文本摘要和信息，基于多源事实匹配和Amazon知识图谱，提升检索的准确性和关联性。用户可在控制台创建网关，轻松集成Web搜索工具，满足企业合规要求。

本文介绍了一套基于Amazon Bedrock AgentCore的多账户智能运维系统，具备闲置资源检测、AI智能巡检和跨账户根因调查功能。该系统通过飞书/钉钉实现自然语言对话式运维，显著提升了运维效率和成本优化，已在生产环境中验证了100%巡检覆盖率。未来计划扩展资源类型和多语言支持。

本文介绍了一种基于Amazon Bedrock AgentCore与x402协议的AI代理支付方案，旨在解决AI代理在执行任务时的支付问题。该方案通过托管钱包、预算控制和审计机制，使代理能够自主完成微支付，同时确保组织对支出有控制。核心能力包括自动化支付执行、支出限额管理和审计追踪，显著提高了支付效率和安全性。

Kollab 是一个团队共享的 AI 工作空间，结合 Amazon Bedrock AgentCore 和 S3 构建持久化工作环境。它通过近千个 Connector 连接团队工具，实现任务的跨时段续跑和数据的持久化存储。Kollab 的架构确保了 Agent 的稳定性和安全性，支持任务的持续积累和复用，并能在用户不在时自动更新工作进展，提升团队协作效率。

本文介绍了如何利用Amazon Quick和Amazon Bedrock AgentCore构建对话式FinOps助手。通过MCP协议封装AWS账单API，用户可以用自然语言查询多账号云成本数据，简化传统查询方式。方案包括部署MCP Server、配置OAuth 2.0认证及跨账号查询能力，最终实现高效的云成本管理与优化。

本文介绍了如何使用Amazon Bedrock AgentCore构建自主支付AI代理。代理通过x402协议自主发现付费服务并完成链上支付，实现了“请求→402挑战→链上支付→内容交付”的闭环。文章详细阐述了项目背景、系统架构及支付流程，强调了AI代理在实时交易中的重要性及其与传统支付系统的区别。

OpenClaw Pool 是基于 Firecracker microVM 的多租户 AI Agent 平台，提供内核级隔离和高效资源管理。每个租户在 AWS EC2 上运行独立实例，支持自动扩缩容和健康监控，适合需要强隔离的 AI 应用场景。完整架构和开源项目已发布在 aws-samples。

本文介绍了如何将飞书功能封装为MCP Server，并通过Amazon Bedrock AgentCore实现统一鉴权与路由，最终接入Amazon Quick Suite。用户可以通过六个步骤完成自建MCP Server的部署与集成，确保数据安全与服务稳定，避免依赖第三方服务。此模式可扩展至其他内部系统，提升企业工具的自主可控性。

上周，AWS推出了Amazon Bedrock AgentCore的托管支付功能，允许AI代理自主访问API并进行支付，简化了计费和合规流程。同时发布了适用于AWS的代理工具套件和MCP服务器，提升了AI代理的安全性和效率。此外，还介绍了Amazon WorkSpaces的预览版，支持AI代理操作桌面应用程序。

本文介绍了如何将 OpenClaw 从单机应用迁移到基于 Amazon Bedrock AgentCore 的多租户 Serverless 架构。总结了迁移过程中的资源清理、架构变化，以及未来的探索方向，如接入更多 IM 渠道和多区域部署。通过 Replatform 和 Refactor 策略，实现了用户隔离和数据持久化，优化了安全性和监控能力。

本文介绍了如何将 OpenClaw 迁移至基于 Amazon Bedrock AgentCore 的多租户 Serverless 架构，重点在于配置消息渠道和验证消息发送。通过 Telegram 和飞书的配置步骤，确保消息通过 API Gateway 接入并实现安全管理，最后验证消息链路的完整性，并通过 Amazon CloudWatch 监控系统运行状态。