Amazon Bedrock AgentCore Runtime now supports interactive shells through a new InvokeAgentRuntimeCommandShell API, opening a persistent, PTY-backed terminal directly into a running agent session over WebSocket. This complements the existing InvokeAgentRuntimeCommand API for one-shot execution, giving developers a full terminal experience inside an isolated microVM with colors, tab completion, Ctrl+C, terminal resize, and automatic reconnect on network drop.
This is particularly important for developers hosting coding agents such as Claude Code, OpenAI Codex, Amazon Kiro on AgentCore Runtime. In addition to the asynchronous command execution they already had, they can now authenticate, drop into the microVM hosting their coding agent, and interact with it like a local terminal: interact with the agent, inspect files, run ad-hoc commands, or debug the environment state. The shell carries persistent state across commands within the same session, so environment variables, working directory, and command history all behave as expected.
Each interactive session is identified by a runtime session ID and a shell ID. Passing both back when reconnecting lands you in the exact same shell. Brief network drops reconnect automatically, and longer disconnects can be resumed manually using the same IDs. A single agent runtime supports up to 10 concurrent shells, allowing developers to open multiple terminals against the same or multiple microVMs and watch agents work different branches in parallel.
Amazon Bedrock AgentCore Runtime now supports interactive shells through a new InvokeAgentRuntimeCommandShell API, opening a persistent, PTY-backed terminal directly into a running agent session over WebSocket. This complements the existing InvokeAgentRuntimeCommand API for one-shot execution, giving developers a full terminal experience inside an isolated microVM with colors, tab completion, Ctrl+C, terminal resize, and automatic reconnect on network drop. This is particularly important for developers hosting coding agents such as Claude Code, OpenAI Codex, Amazon Kiro on AgentCore Runtime. In addition to the asynchronous command execution they already had, they can now authenticate, drop into the microVM hosting their coding agent, and interact with it like a local terminal: interact with the agent, inspect files, run ad-hoc commands, or debug the environment state. The shell carries persistent state across commands within the same session, so environment variables, working directory, and command history all behave as expected. Each interactive session is identified by a runtime session ID and a shell ID. Passing both back when reconnecting lands you in the exact same shell. Brief network drops reconnect automatically, and longer disconnects can be resumed manually using the same IDs. A single agent runtime supports up to 10 concurrent shells, allowing developers to open multiple terminals against the same or multiple microVMs and watch agents work different branches in parallel. To get started using the AgentCore CLI: `agentcore exec –it –runtime <runtime-arn>`. To learn more, see Interactive Shells (Terminals) and Shell execution in AgentCore Runtime for a comparison of both shell modes.
Amazon OpenSearch Service expands its modernized operational analytics experience to GovCloud regions, including AWS GovCloud (US-East) and AWS GovCloud (US-West), enabling users to gain insights across data spanning managed domains and serverless collections from a single endpoint. The expansion includes Workspaces to enhance collaboration and productivity, allowing teams to create dedicated spaces. Discover is revamped to provide a unified log exploration experience supporting languages such as Piped-Processing-Language (PPL) and SQL, in addition to DQL and Lucene. Discover now features a data selector to support multiple sources, new visual design and query autocomplete for improved usability. This experience ensures users can access the latest UI enhancements, regardless of version of underlying managed cluster or collection.
The expanded OpenSearch analytics helps users gain insights from their operational data by providing purpose-built features for observability, security analytics, and search use cases. With the enhanced Discover interface, users can now analyze data from multiple sources without switching tools, improving efficiency. Workspaces enable better collaboration by creating dedicated environments for teams to work on dashboards, saved queries, and other relevant content. Availability of the latest UI updates across all versions ensures uninterrupted access to the newest features and tools.
Amazon OpenSearch Service expands its modernized operational analytics experience to GovCloud regions, including AWS GovCloud (US-East) and AWS GovCloud (US-West), enabling users to gain insights across data spanning managed domains and serverless collections from a single endpoint. The expansion includes Workspaces to enhance collaboration and productivity, allowing teams to create dedicated spaces. Discover is revamped to provide a unified log exploration experience supporting languages such as Piped-Processing-Language (PPL) and SQL, in addition to DQL and Lucene. Discover now features a data selector to support multiple sources, new visual design and query autocomplete for improved usability. This experience ensures users can access the latest UI enhancements, regardless of version of underlying managed cluster or collection. The expanded OpenSearch analytics helps users gain insights from their operational data by providing purpose-built features for observability, security analytics, and search use cases. With the enhanced Discover interface, users can now analyze data from multiple sources without switching tools, improving efficiency. Workspaces enable better collaboration by creating dedicated environments for teams to work on dashboards, saved queries, and other relevant content. Availability of the latest UI updates across all versions ensures uninterrupted access to the newest features and tools. OpenSearch UI can connect to OpenSearch domains (above version 1.3) and OpenSearch serverless collections. To get started, create an OpenSearch application in AWS Management Console. Learn more at Amazon OpenSearch Service Developer Guide.
AWS Glue Data Catalog now supports AWS IAM-based authorization for Amazon S3 Tables and Apache Iceberg materialized views. With IAM-based authorization, you can define all necessary permissions across storage, catalog, and query engines in a single IAM policy.
This capability simplifies the integration of S3 Tables or materialized views with any AWS Analytics service, including Amazon Athena, Amazon EMR, Amazon Redshift, and AWS Glue. You can also opt in to AWS Lake Formation at any time to manage fine-grained access controls using the AWS Management Console, AWS CLI, API, and AWS CloudFormation.
AWS Glue Data Catalog now supports AWS IAM-based authorization for Amazon S3 Tables and Apache Iceberg materialized views. With IAM-based authorization, you can define all necessary permissions across storage, catalog, and query engines in a single IAM policy. This capability simplifies the integration of S3 Tables or materialized views with any AWS Analytics service, including Amazon Athena, Amazon EMR, Amazon Redshift, and AWS Glue. You can also opt in to AWS Lake Formation at any time to manage fine-grained access controls using the AWS Management Console, AWS CLI, API, and AWS CloudFormation. This feature is now available in AWS GovCloud (US-East) and AWS GovCloud (US-West) Regions. To learn more, visit the S3 Tables documentation and the AWS Glue Data Catalog documentation.
Amazon Elastic Container Service (Amazon ECS) with AWS Fargate now supports 32vCPU compute configurations, enabling customers to run more demanding applications with greater flexibility and performance. AWS Fargate offers 32vCPU tasks with the following memory configurations: 60 GiB, 120 GiB, or 244 GiB, for both x86-based and ARM-based workloads on Linux. These new task sizes extend Amazon ECS’s capability to support high-performance computing use-cases, large-scale data processing, AI inference, and other compute-intensive workloads. With 32vCPUs and up to 244 GiB of memory, Amazon ECS customers can now deploy larger containers and scale applications beyond previous limits, all while leveraging the reliability, security, and scalability of AWS Fargate.
To use the new 32vCPU task sizes, simply configure your task definitions to specify 32 as the vCPU value and select one of the new memory options (60, 120, or 244 GiB), then deploy your Amazon ECS services or tasks as usual via the AWS Management Console, CLI, or your infrastructure-as-code of choice. The new vCPU and memory configurations are available on both Fargate and Fargate Spot capacity providers, and existing Compute Savings Plans apply automatically. For pricing details, refer to AWS Fargate pricing page.
The 32vCPU tasks are available with Amazon ECS and AWS Fargate in all AWS commercial and AWS GovCloud (US) Regions. To learn more, refer to the Amazon ECS documentation.
Amazon Elastic Container Service (Amazon ECS) with AWS Fargate now supports 32vCPU compute configurations, enabling customers to run more demanding applications with greater flexibility and performance. AWS Fargate offers 32vCPU tasks with the following memory configurations: 60 GiB, 120 GiB, or 244 GiB, for both x86-based and ARM-based workloads on Linux. These new task sizes extend Amazon ECS’s capability to support high-performance computing use-cases, large-scale data processing, AI inference, and other compute-intensive workloads. With 32vCPUs and up to 244 GiB of memory, Amazon ECS customers can now deploy larger containers and scale applications beyond previous limits, all while leveraging the reliability, security, and scalability of AWS Fargate. To use the new 32vCPU task sizes, simply configure your task definitions to specify 32 as the vCPU value and select one of the new memory options (60, 120, or 244 GiB), then deploy your Amazon ECS services or tasks as usual via the AWS Management Console, CLI, or your infrastructure-as-code of choice. The new vCPU and memory configurations are available on both Fargate and Fargate Spot capacity providers, and existing Compute Savings Plans apply automatically. For pricing details, refer to AWS Fargate pricing page. The 32vCPU tasks are available with Amazon ECS and AWS Fargate in all AWS commercial and AWS GovCloud (US) Regions. To learn more, refer to the Amazon ECS documentation.
Today, AWS announced cross-account and cross-role access for the AWS Model Context Protocol (MCP) Server, part of the Agent Toolkit for AWS. This feature allows developers using AI coding agents like Kiro, Claude Code, or Codex to work across multiple AWS accounts and AWS Identity and Access Management (IAM) roles within a single session, with no restarts required. Previously, switching profiles required stopping the AI coding session, updating local AWS credentials, and restarting the MCP server for every account change. Now, AI agents using the AWS MCP Server can specify a profile on each command, allowing users to switch between accounts and roles seamlessly.
Cross-account access helps developers move faster across multi-account environments. For example, a DevOps engineer can query CloudWatch logs across production and staging accounts to diagnose a performance issue, or an application developer can update a Lambda configuration in one account and adjust an S3 bucket policy in another, all within the same conversation. Each request specifies which profile to use, so there is no risk of commands reaching the wrong account.
To get started, see Multi-profile support in the Agent Toolkit for AWS user guide. The AWS MCP Server is available in the US East (N. Virginia) and Europe (Frankfurt) Regions.
Today, AWS announced cross-account and cross-role access for the AWS Model Context Protocol (MCP) Server, part of the Agent Toolkit for AWS. This feature allows developers using AI coding agents like Kiro, Claude Code, or Codex to work across multiple AWS accounts and AWS Identity and Access Management (IAM) roles within a single session, with no restarts required. Previously, switching profiles required stopping the AI coding session, updating local AWS credentials, and restarting the MCP server for every account change. Now, AI agents using the AWS MCP Server can specify a profile on each command, allowing users to switch between accounts and roles seamlessly.
Cross-account access helps developers move faster across multi-account environments. For example, a DevOps engineer can query CloudWatch logs across production and staging accounts to diagnose a performance issue, or an application developer can update a Lambda configuration in one account and adjust an S3 bucket policy in another, all within the same conversation. Each request specifies which profile to use, so there is no risk of commands reaching the wrong account.
To get started, see Multi-profile support in the Agent Toolkit for AWS user guide. The AWS MCP Server is available in the US East (N. Virginia) and Europe (Frankfurt) Regions.
CIO de Regis comparte sus consejos para acompañar a las personas en el camino de la IA
Por: Lim Ai Leen, escritora de Microsoft.
En septiembre de 2025, Regis Aged Care, uno de los mayores proveedores de cuidado de ancianos de Australia, implementó un asistente de IA para sus gestores de atención clínica. Construido junto con Microsoft Copilot Studio y Microsoft Foundry, RegiCare Assist es ahora utilizado por unos 150 empleados a diario, permitiéndoles dedicar menos tiempo al papeleo y más tiempo con los residentes bajo su cuidado.
El director de información de Regis, Imtiaz Bhayat, comparte consejos sobre cómo motivó a sus colegas en este camino hacia la IA.
1. Empezar con un problema clave que los trabajadores ya sienten
Antes, nuestros responsables de atención clínica pasaban el inicio del día en leer hasta 80 páginas de notas de progreso sobre el bienestar de los residentes en nuestros hogares. Estas notas les informan quién necesita atención urgente y urgente, y les ayudan a decidir qué hacer.
Pensamos: Con este gran volumen de texto no estructurado, es en verdad un caso de uso oportuno para la IA. Si pulsas el botón de «preocupaciones clínicas inmediatas» en RegiCare Assist, la IA revisa todas las notas y muestra los problemas urgentes en los primeros minutos en lugar de en horas.
Los profesionales sanitarios quieren estar involucrados de manera práctica. Se trataba de asegurarse de que su vida fuera más fácil y que pudieran dedicar más tiempo a lo que les apasiona, que es cuidar de los residentes. Así que, cualquier cosa que pudiéramos haber hecho para que volvieran a lo que les apasiona, ellos se involucraron de inmediato.
RegiCare Assist resume las notas de traspaso, señala preocupaciones y las ordena por problema clínico. (Foto de Graham Denholm para Microsoft.)
2. Ser honestos sobre lo que la IA puede – y no puede – hacer
Sabíamos que la IA era muy buena en absorber grandes bloques de texto, captar sentimientos, captar temas clave. Y con suficiente oportunidad para afinar la herramienta de IA, sabíamos que podíamos asegurar un buen nivel de precisión.
Sin embargo, nos preocupaban las alucinaciones y el sesgo, y nos preocupaba que en una casa con entre 150 y 200 residentes, todos los problemas se detectaran.
Así que nos aseguramos de obtener toda la capacidad y aprendizaje posible sobre IA. Hablamos con los clínicos; comparamos nuestro modelo con lo que diferentes personas decían sobre los problemas clínicos. Adoptamos un enfoque basado en la investigación: aquí es donde el modelo brilla y aquí es donde se puede mejorar.
Todas estas cosas ayudaron a construir una buena experiencia de usuario y un alto nivel de confianza. Porque vieron que hemos hecho todo el trabajo previo para evaluar la solidez del modelo.
3. Hacer que la IA sea fácil de usar – y difícil de usar mal
Lo facilitamos para los usuarios porque dedicamos mucho tiempo a diseñar los prompts. La pantalla de RegiCare Assist tiene nueve iconos distintos en la parte superior, categorizados por problemas comunes como tendencias clínicas, agitación y signos de dolor o infección. Así que haces clic en uno de esos iconos, y la herramienta de IA proporciona una visión clara de ese problema específico según la información de las notas de progreso. Esos nueve iconos tienen páginas de prompts detrás de cada uno. En lugar de hacer preguntas abiertas, los usuarios pueden tan solo hacer clic en los prompts ya preparados.
Cuando creas prompts, tienes un enfoque estructurado; piensas a detalle, piensas de manera integral, piensas en limitar el riesgo. Las sutilezas en cómo desarrollamos cada prompt aseguraron que no nos perdimos ningún detalle clave sobre nuestros residentes.
Todo esto resultó en una buena experiencia de usuario. Había un alto nivel de confianza con la información que emanaba de la IA.
Lean más sobre cómo Regis utilizó la IA para ayudar a su personal a centrarse en los residentes, no en el papeleo.
IA en el trabajo: Una función escribió el manual de la IA. Las demás seguirán.
Cuatro patrones probados muestran cómo la responsabilidad humana cambia a medida que los agentes asumen más trabajo.
Por: Jared Spataro, CMO de IA en el Trabajo de Microsoft.
El cambio en marcha ya no es una mejora de productividad. Es un reordenamiento de cómo se realiza el trabajo. Y el lugar más claro para ver eso es la ingeniería de software, donde humanos y agentes han pasado por cuatro patrones distintos de colaboración en alrededor de cuatro años. La misma progresión ahora se comprime en meses a través del trabajo de conocimiento.
El desarrollo de software llegó primero porque sus bucles de retroalimentación son lo suficientemente estrechos como para hacer visible cada transición. Y lo que esas transiciones revelaron se aplica mucho más allá de cualquier disciplina individual. Eso lo convierte en un mapa para que cada función la siga.
Mapear los cuatro patrones de colaboración humano-agente
La programación no saltó de autocompletado a agentes autónomos. Cada patrón solo fue posible porque existía el anterior, y en cada etapa, dos cosas cambiaban juntas: de lo que el agente era capaz de hacer y de lo que el humano era en verdad responsable.
1. Autor. Con GitHub Copilot, la IA sugiere la siguiente línea de código mientras el desarrollador lo escribe todo. La unidad de trabajo es una sola línea de código o función. La IA sugiere y el trabajo del humano no cambia: crear.
2. Editor. Herramientas como Cursor Composer introdujeron un nuevo patrón, donde los desarrolladores pueden usar lenguaje natural para describir la intención y el agente produce un borrador completo. La unidad de trabajo pasa de una sola línea de código a una característica completa. Y el trabajo del humano avanza con ella—desde producir código hasta evaluarlo: revisar, editar, decidir qué se entrega.
3. Director. Claude Code muestra cómo es este patrón a gran escala. El humano escribe una estrategia y entrega toda una tarea. El agente trabaja de manera autónoma para planificar en toda la base de código, ejecutar, ejecutar pruebas, iterar y solucionar problemas cuando algo no sale como se esperaba. La unidad de trabajo es una tarea o pull request. El papel del humano ha cambiado de nuevo, y ya no revisan cada paso del proceso. En su lugar, establecen intención, barreras de seguridad y políticas, y luego evalúan un producto final. Anthropic lo ilustra en sus propias operaciones: casi todo su código interno está escrito por agentes autónomos.
4. Orquestador. Con herramientas como GitHub Mission Control y Anthropic Agent Teams, una persona ejecuta varios agentes de manera simultánea contra un backlog compartido. Los agentes ejecutan tareas especializadas en paralelo, colaboran entre sí y presentan excepciones para revisión humana. La unidad de trabajo es el propio retraso. El humano ya no dirige tareas individuales. Diseñan el sistema, establecen políticas y deciden dónde intervenir. La palanca ya no está en la producción propiamente dicha; es un juicio—saber qué trabajo merece la pena hacer, en qué orden y con qué estándar.
Cómo identificar el patrón de trabajo humano+agente en el que se encuentran
Mapear qué debe hacer el humano, qué puede hacer el agente y cuál es la unidad mínima de trabajo que el humano necesita aprobar.
La misma transición está en marcha ahora en todas las funciones
El desarrollo de software ya era un trabajo gestionado de manera rigurosa. El código o se compila o no. Los exámenes o se aprueban o se reprueban. Eso significaba que los agentes podían revisar su propio trabajo y aprender de la señal sin que hubiera un humano en el bucle, y esa es la capacidad que desbloqueó los patrones de Director y Orquestador. Sin ella, la delegación se estanca.
Todas las demás funciones del trabajo del conocimiento deben construir su equivalente. Ya sea en legal, finanzas o marketing, alguien debe definir qué significa “bien hecho”, hacerlo medible y crear el mecanismo que permita a los agentes evaluar su propio resultado frente a ese estándar.
Nuestro Informe Anual del Índice de Tendencias Laborales 2026 hace que las apuestas sean concretas. Entre los usuarios de IA, el 58% dice que producen trabajos que no podrían haber hecho hace un año, para subir al 80% entre los Frontier Professionals, los usuarios de IA más avanzados en nuestra investigación. La limitación no es lo que las personas pueden hacer, sino si el trabajo a su alrededor está estructurado para permitirles hacerlo.
El objetivo es saber qué patrón encaja con cada tipo de trabajo
Los cuatro patrones son un diagnóstico, no una progresión. La decisión sobre dónde debe vivir el trabajo depende menos de su importancia y más de qué tan claramente esté definido. ¿Cuál es la unidad más pequeña que el humano necesita aprobar? ¿Y qué es lo que un humano nunca necesitaría revisar? El trabajo listo para Director u Orquestador tiene una especificación clara, una definición medible de “bien hecho” y un ciclo de retroalimentación que no requiere a un humano en cada paso. El trabajo que pertenece a Autor o Editor aún no cumple esas condiciones. Moverlo antes de tiempo es donde los problemas de calidad se acumulan de manera silenciosa.
La respuesta a qué patrón encaja tampoco está fija. A medida que la tecnología madure y las organizaciones construyan mejores mecanismos para evaluar el trabajo de los agentes, la línea avanzará. Lo que hoy corresponde a Editor puede pertenecer a Director dentro de un año. A medida que más trabajo se delega, lo que queda para los humanos cambia con él. La ejecución táctica retrocede; establecer dirección, definir estándares y decidir qué delegar se amplía. Las organizaciones tendrán que evolucionar la manera en que miden y capacitan a sus empleados. El ingeniero valorado por enviar código rápido no es necesariamente el que se quiere para dirigir una flota de agentes.
Nuestra investigación encontró que el 65% de los usuarios de IA temen quedarse atrás si no se adaptan con rapidez, pero solo el 13% dice que es recompensado por reinventarse cuando no produce resultados inmediatos. Las mismas fuerzas que aceleran la adopción también lo frenan.
Lo que todo esto significa para los líderes
Cada función que pasa por esta transición se encuentra con las mismas dos realidades.
Primero, los humanos necesitamos enseñar a los agentes cómo es el bien. En código, los exámenes son el profesor. En todas partes, los humanos lo estarán. Los primeros agentes que despliegue su equipo deberían ser aquellos en los que sus correcciones y comentarios sean claros y frecuentes. Así es como el sistema aprende su estándar.
Segundo, la rendición de cuentas no escala con la delegación, así que la infraestructura debe revisarse. A medida que los agentes producen más, lo más valioso que puede construir un equipo es un gran sistema de evaluación: las comprobaciones, paneles de control y señales de retroalimentación que permiten a una persona mantenerse segura en muchos trabajos paralelos.
Si asocian el trabajo con el patrón equivocado, no hay un bucle de retroalimentación sobre el que construir ni un proceso de revisión que pueda sostenerse. Si los ajustan de manera correcta, ambos escalan de manera natural a medida que el sistema madura.
Los líderes han pasado años en pensar en la adopción de la IA como una evolución: hasta qué punto avanza la organización, qué tan rápido puede avanzar. El marco más útil es un mapa: ¿a qué patrón pertenece este tipo específico de trabajo ahora mismo, dado lo que sabemos, lo que hemos construido, dado lo que en verdad podemos evaluar? Esa pregunta, planteada de manera constante entre funciones, es qué diferencia a las organizaciones que avanzan más rápido de las que mejoran.
Lo que el desarrollo de software ha dado a todas las demás funciones es una ventaja, no una respuesta terminada. Los patrones son visibles, pero cómo se ven dentro del trabajo legal, dentro del marketing, dentro de las finanzas — ese trabajo sigue en curso. Los líderes que lo definan no solo dirigirán mejores organizaciones. Ellos marcarán el estándar de cómo funciona todo su campo con IA.
Para más información sobre la IA y el futuro del trabajo, suscríbanse a este boletín.
Amazon SageMaker Data Agent now integrates with SageMaker Catalog business context and metadata, enabling data practitioners to discover datasets and generate more accurate SQL and Python code using business terminology instead of cryptic technical table names. This integration allows the Data Agent to leverage the business context that companies have invested months curating in their SageMaker Catalog, including those synced from Collibra, Atlan, and Alation, to deliver more accurate data discovery and code generation.
With this capability, data practitioners can ask questions like «Calculate customer retention rate» or «What data do I have on customer churn?» and the Data Agent will search glossary terms, custom metadata forms, asset summaries, and README content to identify the correct tables and columns. The agent generates more accurate code on first attempt by understanding business context, plans multi-step workflows with the correct sequence of tables and transformations, and respects data governance by checking subscription status and providing access request links when needed. Organizations maximize their existing catalog investment without changing the current data workflows, reducing time-to-insight, and enabling data teams to work in business language rather than deciphering technical table names.
Amazon SageMaker Data Agent now integrates with SageMaker Catalog business context and metadata, enabling data practitioners to discover datasets and generate more accurate SQL and Python code using business terminology instead of cryptic technical table names. This integration allows the Data Agent to leverage the business context that companies have invested months curating in their SageMaker Catalog, including those synced from Collibra, Atlan, and Alation, to deliver more accurate data discovery and code generation.
With this capability, data practitioners can ask questions like «Calculate customer retention rate» or «What data do I have on customer churn?» and the Data Agent will search glossary terms, custom metadata forms, asset summaries, and README content to identify the correct tables and columns. The agent generates more accurate code on first attempt by understanding business context, plans multi-step workflows with the correct sequence of tables and transformations, and respects data governance by checking subscription status and providing access request links when needed. Organizations maximize their existing catalog investment without changing the current data workflows, reducing time-to-insight, and enabling data teams to work in business language rather than deciphering technical table names.
This integration is available in SageMaker Unified Studio notebooks and Query Editor in all AWS Regions where Amazon SageMaker Unified Studio is available. To learn more, visit the Amazon SageMaker Unified Studio page and Amazon SageMaker Data Agent documentation.
Amazon Elastic Kubernetes Service (Amazon EKS) Capabilities can now be configured as log delivery sources using Amazon CloudWatch Vended Logs. This enables customers to monitor and troubleshoot their EKS Capabilities for Argo CD, AWS Controllers for Kubernetes (ACK), and kro (Kubernetes Resource Orchestrator) by monitoring logs collected from the managed controllers that run in AWS-managed infrastructure.
Customers can enable log delivery for each capability using CloudWatch APIs or the AWS Console. Logs are configured as a CloudWatch Vended Logs delivery source, enabling reliable, secure log delivery to CloudWatch Logs, Amazon S3, or Amazon Kinesis Data Firehose destinations.
This feature is available in all AWS Regions where the EKS Capabilities feature is supported. Standard CloudWatch Vended Logs pricing applies based on the chosen destination. There is no additional EKS charge.
Amazon Elastic Kubernetes Service (Amazon EKS) Capabilities can now be configured as log delivery sources using Amazon CloudWatch Vended Logs. This enables customers to monitor and troubleshoot their EKS Capabilities for Argo CD, AWS Controllers for Kubernetes (ACK), and kro (Kubernetes Resource Orchestrator) by monitoring logs collected from the managed controllers that run in AWS-managed infrastructure. Customers can enable log delivery for each capability using CloudWatch APIs or the AWS Console. Logs are configured as a CloudWatch Vended Logs delivery source, enabling reliable, secure log delivery to CloudWatch Logs, Amazon S3, or Amazon Kinesis Data Firehose destinations. This feature is available in all AWS Regions where the EKS Capabilities feature is supported. Standard CloudWatch Vended Logs pricing applies based on the chosen destination. There is no additional EKS charge. To learn more about EKS Capabilities, visit the Amazon EKS documentation.
Amazon Aurora PostgreSQL, Amazon Aurora DSQL, and Amazon DynamoDB serverless databases are now available on Vercel Marketplace and v0 by Vercel in additional AWS Regions, offering you more flexibility to build applications with Vercel and AWS databases from the Regions of your choice.
To get started, you can describe your idea in v0 using natural language. The tool automatically generates a spec-driven design, deploys code and infrastructure, and stores your application data in the AWS database that best fits your needs with no hands-on coding or provisioning required. Vercel provides an end-to-end setup experience where you can create database resources in seconds under a new AWS account or link to an existing one, all without leaving Vercel. New AWS accounts created from Vercel include access to all three databases and $100 USD in credits, usable across any of these database options for up to six months. You can manage your plan, add payment information, and view usage details anytime from the AWS settings portal in the Vercel dashboard. To learn more, visit v0 or the AWS landing page on the Vercel Marketplace.
You can now create an Aurora PostgreSQL database or Amazon DynamoDB table through Vercel from 17 AWS Regions enabled by default, and Aurora DSQL from 16 AWS Regions including: US East (N. Virginia), US East (Ohio), US West (Oregon), Asia Pacific (Mumbai), Asia Pacific (Osaka), Asia Pacific (Seoul), Asia Pacific (Singapore), Asia Pacific (Sydney), Asia Pacific (Tokyo), Canada (Central), Europe (Frankfurt), Europe (Ireland), Europe (London), Europe (Paris), Europe (Stockholm), and South America (São Paulo).
AWS Databases deliver security, reliability, and price performance without the operational overhead, whether you’re prototyping your next big idea or running production AI and data driven applications. For more information, visit the AWS Databases webpage.
Amazon Aurora PostgreSQL, Amazon Aurora DSQL, and Amazon DynamoDB serverless databases are now available on Vercel Marketplace and v0 by Vercel in additional AWS Regions, offering you more flexibility to build applications with Vercel and AWS databases from the Regions of your choice. To get started, you can describe your idea in v0 using natural language. The tool automatically generates a spec-driven design, deploys code and infrastructure, and stores your application data in the AWS database that best fits your needs with no hands-on coding or provisioning required. Vercel provides an end-to-end setup experience where you can create database resources in seconds under a new AWS account or link to an existing one, all without leaving Vercel. New AWS accounts created from Vercel include access to all three databases and $100 USD in credits, usable across any of these database options for up to six months. You can manage your plan, add payment information, and view usage details anytime from the AWS settings portal in the Vercel dashboard. To learn more, visit v0 or the AWS landing page on the Vercel Marketplace. You can now create an Aurora PostgreSQL database or Amazon DynamoDB table through Vercel from 17 AWS Regions enabled by default, and Aurora DSQL from 16 AWS Regions including: US East (N. Virginia), US East (Ohio), US West (Oregon), Asia Pacific (Mumbai), Asia Pacific (Osaka), Asia Pacific (Seoul), Asia Pacific (Singapore), Asia Pacific (Sydney), Asia Pacific (Tokyo), Canada (Central), Europe (Frankfurt), Europe (Ireland), Europe (London), Europe (Paris), Europe (Stockholm), and South America (São Paulo). AWS Databases deliver security, reliability, and price performance without the operational overhead, whether you’re prototyping your next big idea or running production AI and data driven applications. For more information, visit the AWS Databases webpage.
