精选 · 看变化，也看用途
从工具新能力、经营管理场景和实际用法中，找一件值得进一步了解的事。
AWS Machine Learning Blog 发布语义层系列第三篇文章，介绍如何用 Strategy Mosaic 在 Amazon Redshift 和 Amazon Aurora 上构建 Customer 360 语义层，并通过 Mosaic MCP server 将其提供给 Amazon Bedrock AgentCore 上的 Strands agent 使用，同时端到端实施按用户的行级和列级安全控制。
为什么值得看：该方案展示了企业智能体访问跨数据源统一语义层并落实细粒度权限控制的架构路径，对企业数据治理、智能体落地和权限安全有参考价值；但属于厂商披露的方案介绍，实际效果、成本和运维复杂度需企业自行评估。
AWS Machine Learning Blog 介绍了一种架构方案：使用 Denodo 平台与 Amazon Bedrock AgentCore 构建受治理的语义层，将 Amazon Aurora、Amazon Redshift 和本地 PostgreSQL 联邦为统一的客户 360 视图，智能体通过 VQL 查询该视图，身份传递和行列级访问控制在语义层执行。
为什么值得看：对企业负责人而言，该方案展示了智能体访问多源企业数据时如何集中管理权限与数据视图，可作为评估智能体数据安全、跨系统集成和治理架构的参考；但文中未披露性能、成本和实际落地效果，需结合自身环境验证。
AWS Machine Learning Blog 发布语义层系列第三篇文章，介绍在 Amazon Redshift 上用 AtScale 构建受治理的客户 360 模型，并通过 AtScale MCP 服务器将其暴露给 Amazon Bedrock AgentCore 上的 Strands 智能体。文章称身份传递、RBAC、行级安全和完整查询审计在语义层执行，而非依赖提示词。
为什么值得看：对企业负责人而言，该方案说明智能体访问企业数据时可将权限与审计放在语义层统一管控，而不是依赖提示词约束，涉及数据安全、权限治理和智能体部署架构，值得评估。但效果、成本和实施细节来自厂商技术博客，需结合自身环境核实。