bedrock-agentcore-memory

用途

Amazon Bedrock AgentCore Memory 为智能体提供持久化记忆与学习能力，使其能够在不同会话之间保留知识，从用户交互中学习，从而提供越来越个性化的体验。其目标是为智能体赋予跨会话的记忆与学习能力。

该能力采用基于能力的模式，包含两种记忆类型，并据资料所述经 AWS 于 2025 年 12 月验证。

主要能力与关键原则

• 情节记忆（Episodic Memory）：从对话中抽取的长期事实。
• 短期记忆（Short-term Memory）：原始的逐轮会话上下文。
• 自动抽取（Automatic Extraction）：通过后台反思过程创建情节。
• 语义检索（Semantic Retrieval）：上下文感知的记忆查找。
• 按用户隔离（User-Scoped）：记忆按用户/参与者隔离。
• 隐私控制（Privacy Controls）：细粒度的记忆管理。

资料列出的质量目标为：记忆检索延迟小于 100 毫秒；抽取准确率不低于 85%；存储效率方面对事实进行去重。

架构说明

资料给出的架构示意显示，智能体运行时中存在多个会话（Session 1、Session 2 直至 Session N），每个会话各有一份短期记忆；这些短期记忆向上汇聚到“反思引擎（Reflection Engine，后台进程）”，再产出情节记忆（长期存储），其中保存诸如“User prefers X”“Learned fact Y”“Historical event Z”等内容。

适用场景

资料建议在以下情况使用 bedrock-agentcore-memory：

• 构建能够记住用户偏好的智能体；
• 跨会话创建个性化体验；
• 实现从过往交互中学习；
• 为长时间运行的工作流维持上下文；
• 构建随时间改进的智能体。

不建议在以下情况使用：

• 简单的无状态问答（无需持久化）；
• 短暂的单一会话交互；
• 无法存储用户数据（合规）的场景。

前提条件

必需：

• 已部署 AgentCore 智能体；
• 已创建记忆资源；
• 具备记忆操作的 IAM 权限。

建议：

• 制定用户/参与者标识策略；
• 定义数据保留政策；
• 记录隐私要求。

使用方式与操作

资料提供了五类操作及对应代码示例：

1. 创建记忆资源：通过 boto3 的 bedrock-agentcore-control 客户端调用 create_memory，可配置情节记忆（enabled、reflectionConfig 中的 reflectionInterval 如 SESSION_END 或 PERIODIC、extractionModel、extractionInstructions、periodicIntervalMinutes）与短期记忆（enabled、maxTurns、contextWindowStrategy 如 SLIDING），并通过 retentionConfig 设置 episodicRetentionDays 与 shortTermRetentionDays；随后可使用 MemoryCreated waiter 等待资源就绪。资料还给出旅行智能体（长期记住偏好）与支持智能体（聚焦问题历史）两种配置示例。

2. 存储记忆事件：通过 bedrock-agentcore 客户端调用 create_event，传入 memoryId、actorId、sessionId 以及包含 eventTime、traceId、userMessage/assistantMessage/toolCall 的事件体；资料也说明了批量事件存储的做法，并注明批量 API 可能可用，需查阅最新文档。

3. 检索记忆：调用 retrieve_memory_records，使用 retrievalQuery 的 semanticQuery 与 maxRecords 进行语义查询；或用 paginator 调用 list_memory_records 列出某用户的全部情节记忆；资料还给出根据当前上下文提取主题、逐主题检索、去重并按 relevanceScore 排序的上下文感知检索示例函数。

4. 手动记忆管理：调用 batch_create_memory_records 手动创建记忆记录（含 content 与 metadata，如 source、confidence、category、priority）；调用 batch_update_memory_records 更新记录；调用 delete_memory_record 或 batch_delete_memory_records 删除记录，资料提及可用于 GDPR 被遗忘权场景。

5. 记忆抽取作业：调用 start_memory_extraction_job 手动触发反思/抽取（可指定 actorIds 与 sessionFilter 的时间范围），随后通过 list_memory_extraction_jobs 轮询作业状态，直到 COMPLETED 或 FAILED，并可在完成后查看 recordsCreated；此外可用 control.update_memory 更新记忆配置中的 extractionInstructions，自定义从对话中抽取或禁止抽取的内容。

与智能体集成

资料给出“具备记忆意识的智能体”模式：在入口函数中先按 user_id 和用户消息检索相关记忆并格式化为上下文，将其拼入增强提示词，再运行 Agent（示例模型为 anthropic.claude-sonnet-4-20250514-v1:0），最后回存交互以供未来学习，并返回响应。

限制与未提供信息

资料未提供收费、价格、具体平台可用区域、性能实测数据或使用步骤之外的实施细节；上述质量目标与原则来自资料所述内容。文中标注的行内注释与示例代码保持原样，未作改动。