回顧系列
- 場次 01:開發人員的代理架構設計路線圖
- 場次 02:Amazon Bedrock 數據自動化
- 場次 03:AgentCore 上的多代理
- 場次 04:實務建置代理式 AI:Nova Act 與 Strands Agents
- 場次 04:運用規格驅動開發,以 Kiro 加速移轉專案
- 場次 06:從「比對」到「理解」:由 AgentCore Memory 驅動的個人化 AI 搜尋實踐
- 場次 07:從觀察到最佳化:從 LLM 可觀測性邁向 AIOps,將即時洞察轉化為智慧自動化
- 場次 08:部署 TEAM 並打造最佳工程團隊
- 場次 09:五年來所謂無伺服器資料庫帶來的五個慘痛教訓
- 場次 14:如果 AI 替我工作會怎樣:Q Developer CLI 與 Kiro 如何改變我的日常工作
- 場次 16:兼顧速度與警覺:Amazon Bedrock Agent 開發的安全要點
- 場次 26:在單張 H100 上執行 OSS LLM:更聰明、更便宜、更快速
- 場次 28:現代化統一中繼資料架構:打破資料孤島的新方法
- 場次 29:無伺服器 MediaOps:運用 Amazon Web Services 上的 AI 自動化影片工作流程
- 場次 30:透過大規模效能測試建構兼具效率與可靠性的架構
- 場次 31:透過開放原始碼連結世界:技術、社群與全球開發者關係的實踐歷程
- 場次 33:建置串流 Iceberg 資料表以進行即時物流分析
- 場次 34:加速大規模機器人策略訓練:以 Kiro、Trainium 與 EKS 為基礎的自動化閉環架構
- 場次 35:透過規格驅動開發,從 Vibe 走向可行方案
- 場次 36:讓雲端成本分析更智慧:使用 Strands 與 AgentCore 建置 FinOps 智慧 Agent
- 場次 37:使用 CNCF Kagent、K8sGPT 與 Nova Sonic,轉型 K8s 對話式 Agentic AIOps
場次筆記
我的工作
- 講者專業活動與職責概覽。
- 詳細說明講者工作的各個面向:
- Amazon 參考資料
- 技術參考資料
- 新專案
- 問題專案
- 核心專案
- 商業倡議
- 需要協助的領域 Q Developer CLI 與 Kiro 救了我,我原本不喜歡 GenAI,Q Developer CLI
- 探討 Q Developer CLI 與 Kiro 的實用性。
- 個人不喜歡 GenAI。
- 對 Q Developer CLI 的具體讚賞。它們如何運作
- 說明上述工具的運作方式與機制。
- Amazon MCP 伺服器
- 超能力
- CLI 指令
- 知識
- 定價
- Git 研究
- Terraform 代理式迴圈(Q Developer CLI)
- 說明 Q Developer CLI 中的代理式迴圈:
- 感知
- 規劃
- 行動
- 學習
- 評估:規格驅動(Kiro)
- 著重於使用 Kiro 進行規格驅動開發。
- 需求
- 設計
- 任務
- 一切運作正常。它們對我有幫助嗎?
- 評估這些工具對講者的實用性。這些工具的各種使用案例:
- 程式碼
- 評估
- 最佳化
- 問題解決
- 成本計算
- 部署
- 文件
- 測試
Q Developer CLI 與 Kiro 的比較,
- 比較 Q Developer CLI 與 Kiro:
- 立即使用:amazon Q
- 端到端解決方案:Kiro 實際使用工具的範例:
- 建立 landing zone
- 根據過往專案建立基準
- 改善部落格網站並建立部署架構
- 將專案從另一個 CDN 遷移至 CloudFront
- 建立遷移計畫
- 設計具韌性的架構
- 評估 Terraform 專案
- 檢視眾多問題 一切都好嗎?
- 批判性評估所有事情是否都有益。使用這些工具所學到的教訓:
- 仔細檢視需求
- 需要監督
- 選擇容易的路徑
- 可能陷入迴圈
- 很驚豔但有時不切實際的點子
- 謹慎避免刪除程式碼 使用這些工具的正面面向:
- 減少投入的時間
- 發展很酷的點子
- 更出色的程式碼解說
- 能在會議期間執行任務 結語:
- 賦能開發人員與工程師,而不是取代他們
- 對科技使用負起責任
