2026. augusztus 25., kedd · Eszközök

Az AWS előzetes verzióban indít központi katalógust AI-ügynökök és MCP-szerverek felfedezésére

Az AWS hivatalos bejelentése szerint közzétette az Agentic Resource Discovery (ARD) nyílt specifikációt, amely az AI-ügynökök, eszközök és Model Context Protocol (MCP) szerverek felfedezését hivatott egységesíteni. Ehhez kapcsolódóan előzetes (preview) változatban bemutatták az AWS Agent Registry szolgáltatást, egy központi, kereshető katalógust ügynökök, MCP-szerverek és eszközök számára. A rendszer regisztrációkra és rekordokra épül: adminisztrátorok hozzák létre a katalógust, közzétevők írják le erőforrásaikat, kurátorok hagyják jóvá vagy utasítják el a bejegyzéseket, a felhasználók és AI-ügynökök pedig hibrid (szemantikus és kulcsszavas) kereséssel találják meg a jóváhagyott erőforrásokat. Az AWS állítása szerint ez orvosolja azt a problémát, hogy az egyik AI-kliensre beállított ügynök a többi kliens számára nem válik elérhetővé.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

A vállalati AI-ügynökök elterjedésével kritikussá válik az eszközök és MCP-szerverek egységes, biztonságos katalogizálása, amit az AWS saját szolgáltatásként kínál fel.

Források

AWS Machine Learning Hivatalos

Említve a tudásbázisban

fogalom Model Context Protocol (MCP)

Kapcsolódó témák

Napi összefoglalók AI eszközök #AWS#MCP

Napi összefoglaló

Ez a hír a 2026. augusztus 25., kedd napi AI összefoglaló része.

Helyesbítés · 2026. október 2., péntek

Helyesbítés (2026-10-01): a cím korábban azt állította, hogy az AWS „központi katalógust hozott létre”, és az összefoglaló sem jelezte, hogy az AWS Agent Registry a forrás szerint előzetes (preview) változat. Ezt pótoltuk. Helyesbítés (2026-10-02): az összefoglaló szerint a rendszer azt oldja meg, hogy az eszközök „ne skálázódjanak egyetlen kliensen túl” — ez a forrás megfordítása: a probléma az, hogy az egyik AI-kliensre beállított ügynök a többi kliens számára nem érhető el.

Kapcsolódó hírek

Az Amazon Polly: nagy frissítés a generatív hangmotorhoz

Az Amazon bejelentette, hogy frissítette Polly nevű szolgáltatásának generatív hangmotorját, amely a vállalat szerint természetesebb, kifejezőbb és pontosabb beszédet produkál alacsony késleltetéssel. A frissítés 14 új hangot hoz 9 nyelvi régióban, köztük először érhető el általánosan hindi és finn nyelvű generatív hang. Az AWS közlése szerint a frissítés zökkenőmentesen, API-váltás nélkül illeszthető be a meglévő alkalmazásokba, mivel a hangnevek és hívások változatlanok maradnak. A szolgáltatás mostantól éles környezetben, általánosan elérhető. A cég mintaszövegekkel demonstrálja, hogy a rendszer pontosan visszaadja a számokat, pénznemeket és címeket, például egy rendelési visszaigazolásban.

AWS: öt gyártási kihívás a multi-ügynökös rendszereknél

Az AWS Machine Learning hivatalos blogja szerint az AWS Solutions Architecture csapata felépítette a Deep Insight nevű, éles üzemre szánt multi-ügynökös rendszert, amely összetett adatelemzési feladatokat automatizál. A vállalat bejelentése szerint a most induló, három részes cikksorozat első darabja azt az öt alapvető problémát azonosítja, amely minden ilyen rendszert próbára tesz működés közben, például amikor az ügynök megkerüli a validációs lépéseket vagy figyelmen kívül hagyja az üzleti logikát. Az AWS szerint a megoldás nem a promptok finomhangolása, hanem az ügynökök teljes gondolkodási és végrehajtási folyamatának megtervezése, amihez a Strands Agents SDK-t, az Amazon Bedrock-ot, a Bedrock AgentCore-t, az Application Load Balancert és az AWS Fargate-et használták. A cikk az Anthropic által javasolt Context Engineering technikákat (strukturált jegyzetelés, emberi felügyelet) is bemutatja gyakorlati példákkal.

Az AWS két nyílt forráskódú eszközt vezetett be AI-ágensek fejlesztéséhez

Az AWS bejelentése szerint két nyílt forráskódú projektet indított: a Strands Decider 2B egy kétmilliárd paraméteres modell, amely nem hosszú szöveget generál, hanem előre megadott opciók közül választ bizalmi pontszámmal, így modellirányításra, eszközválasztásra, osztályozásra és korlátozó szabályok betartatására használható. A Qwen3.5-2B alapú modellt egy rank-16 LoRA adapterrel finomhangolták, a nyelvi modell fejét egy pontozó fejjel helyettesítve; az AWS szerint a döntési késleltetés mediánja körülbelül 115 ezredmásodperc egy NVIDIA RTX 3090-en, 153 ezredmásodperc kisebb feladatoknál egy Apple M3 gépen, a JevBench teszten pedig 72,3 százalékos pontosságot ért el 231 nyilvános feladaton a v19 jelű változat. A másik, fejlesztői előnézetben elérhető Strands Box egy izolált futtatási környezet ágensekhez, amely operációsrendszer-szintű elkülönítést kombinál a Dogwood nevű nyílt szabálynyelvvel, így meghatározható, milyen parancsokat, Python-kódokat vagy hálózati hívásokat hajthat végre egy ágens, és ez a kontroll a nyelvi modellen kívül, kernel szinten érvényesül.

Az AWS Ray LLM konténer: multi-node LLM-kiszolgálás EKS-en

Az AWS hivatalos blogbejegyzése szerint a vállalat bemutatta a Ray LLM Deep Learning Containers (DLC) multi-node változatát, amellyel egyetlen nagy nyelvi modell két GPU-csomóponton, Amazon EKS-en futtatható egy közös, OpenAI-kompatibilis végponton keresztül. A megoldás külön csomópontra választja szét az előfeltöltési (prefill) és a dekódolási (decode) fázist, így a hosszú, számításigényes promptok nem akasztják meg a már folyamatban lévő kérések token-generálását. Az AWS azt írja, hogy korábban az ügyfeleknek maguknak kellett összeállítaniuk és karbantartaniuk a kompatibilis GPU-függőségi láncot (CUDA-könyvtárak, keretrendszerek), ami jelentős, a modellfejlesztéstől elvonó mérnöki munkát igényelt. A most bemutatott, előre tesztelt és patchelt konténer ezt a réteget automatikusan biztosítja, kiterjesztve a korábbi, egycsomópontos Ray Serve DLC-nél alkalmazott megközelítést a többcsomópontos, szétválasztott (disaggregated) inferenciára.