AWS 副总裁 Shawn Bice 提出 Trust in Depth 框架，主张在动作可被验证时让智能体自主执行，把人工判断留给真正需要决策的环节。框架按智能体生命周期分为四层：Scope 在运行前界定职责与权限边界，Know 为每个智能体分配独立身份并追踪授权来源，Bound 在运行时于智能体推理之外强制执行策略，Observe 在每次运行后重建其行为并用于改进。
推荐理由：AWS 高管把 Defense in Depth 的思路搬到智能体治理上，给出可验证的四层框架与配套产品入口。
亚马逊云科技发布基于 Amazon Bedrock AgentCore 的智能体文档处理（IDP）方案，用 8 个专用智能体组成识别与训练两条图工作流，自动分类、提取、校验并从新文档格式中学习。
Tamnoon 基于 Amazon Bedrock 构建了智能体式云修复编排器 Tami，可自主调查 CNAPP 等来源的安全发现并评估修复安全性，再生成带护栏和回滚指引的修复方案。该方案在 90 天内将关键云暴露减少超 90%，且未引发任何生产问题。Tami 通过单一 API 为调查、安全评分、修复、代码生成四类智能体分别调用最合适的模型。
Anchor Browser 与 Amazon Bedrock AgentCore payments 集成，让 AI 智能体在浏览器会话内自动应对 HTTP 402 付费挑战，为 x402 保护的网页和 API 完成支付并重试请求。
ShipStation Global 工程团队基于 Amazon Bedrock AgentCore 打造了 Slack 内的 AI IT 服务台 Deckhand，可回答常规 IT 问题、识别报错截图并创建和更新 Jira Service Management 工单，上线后解决了 97.5% 的频道查询，员工正面反馈率达 96%。
GitHub Copilot 提供四种方式让 Copilot 理解项目上下文：自定义指令（.github/copilot-instructions.md 及 .github/instructions 下的路径级指令）。
Postman 披露其 Agent Mode 在 Amazon Bedrock 上支撑 4000 万开发者的生产架构，用向量数据库把 170 多个工具按任务动态收窄到约 15 个，并隔离执行线程。团队发现可见工具集超过约 40 个后工具选择错误上升，因此把上下文而非能力视为主要瓶颈，同时用 Amazon Bedrock Guardrails 在进入 LLM 前脱敏个人信息。
Incarna 借助 Amazon Bedrock AgentCore payments，让智能体通过 x402 按次向 BlockRun 支付模型推理费用，将接入 x402 支付支持的工作量从数月缩短到数天，并已把端到端按次付费推理流程投入生产。
GitHub Security Lab 发布 Fuzzing Taskflow，一个面向 C/C++ 项目的自主模糊测试流水线，只需指向一个 GitHub 仓库，它就会识别入口点、分析构建系统、编写 harness、运行 AFL++、读取覆盖率报告并改进 harness，最后对每个崩溃做分诊并生成漏洞报告。
推荐理由：GitHub Security Lab 把模糊测试的 harness 编写、覆盖率追踪与崩溃分诊交给 LLM 智能体，读者可了解其任务流设计与安全边界。