AgentCore Memory的记忆哲学：让Agent学会“忘记”

大多数关于AI记忆的讨论都在谈“如何记住更多”。但问题不是记住而是记住什么、忘记什么、以及当新旧信息冲突时该相信谁。假设用户第1天说“预算500美元”第30天说“预算改成800了”第60天用三种不同措辞说了“我喜欢Python”。没有整合能力的记忆系统会记录所有信息Agent面对的就是信息的矛盾和冗余。Amazon Bedrock AgentCore Memory不是去“存更多”而是“更聪明地整合”。它是Amazon Bedrock AgentCore仅海外业务使用的全托管记忆服务核心在于实现“有效记忆保持精简”而非“记忆无限膨胀”。双层架构素材与知识的分离AgentCore Memory是把“原始对话”和“提炼后的知识”分开存储。短期记忆短期记忆是原始交互的不可变存储。每个事件Event带时间戳按actorId用户sessionId会话归类。它解决的是会话内的上下文连续性比如问“西雅图天气怎么样”再问“明天呢”短期记忆让Agent知道“明天”指的是西雅图。长期记忆长期记忆是raw agent interactions中异步提取的结构化洞察。关键词是“异步”——对话存入短期记忆后后台自动触发提取与整合20-40秒内完成。需要使用长期记忆时检索时通过语义搜索约200ms返回结果。两层之间的关系短期记忆是素材长期记忆是知识。从“素材”提炼有价值的信息变成“知识”。从长期记忆中语义检索相关知识实现记忆的连续性。长期记忆内置策略体系长期记忆策略体系分三个层次Built-in内置全自动处理Built-in with Overrides在内置基础上自定义prompt和模型Self-managed完全自主控制处理管道可集成外部系统可以混合使用。长期记忆的生成分为几个阶段Extraction从对话中提取信息Consolidation与已有记忆整合去重Reflection跨episode反思仅Episodic策略Built-in策略有四种不同策略使用不同的阶段组合。Semantic Memory语义提取事实性信息——人名、地点、数字、关键决定等每条记忆代表一个独立事实。经过ExtractionConsolidation处理。User Preference Memory用户偏好识别用户的偏好和风格。输出包含context、preference、categories字段构建持续演化的用户画像。同样经过ExtractionConsolidation。Summary Memory摘要生成单会话的实时摘要。只有Consolidation步骤——直接对长对话进行压缩整合无需先提取再整合让Agent不用重新处理整个对话历史就能回顾要点。Episodic Memory情节最有深度的策略从经验中学习。它不存储每条原始对话而是识别有意义的完整交互片段episode——比如一次工具调用从出错到换方案成功解决的全过程或一次客服预约改期的决策与结果。独特之处在于三阶段处理Extraction判断一个episode是否结束Consolidation将其压缩为一条结构化记录Reflection则跨多个episode分析规律——比如哪些方法对特定任务持续有效、失败尝试中有哪些共性。Namespace配置上episode和reflection可以设置不同粒度比如episode按会话级别存储reflection按用户级别存储这样反思结论就能覆盖该用户的所有会话经验。Episode namespace: /strategy/{memoryStrategyId}/actor/{actorId}/session/{sessionId}/ Reflection namespace: /strategy/{memoryStrategyId}/actor/{actorId}/左右滑动查看完整示意多条策略可以混合使用而当内置策略不能完全满足需求时Built-in with Overrides允许通过appendToPrompt追加领域特定指令、选择不同的Amazon Bedrock模型在内置流程基础上微调Self-managed则把整个处理管道交给开发者可以用任意模型、自定义prompt、集成外部系统代价是需要自己搭建和维护基础设施。实战三个场景验证记忆智能以下Demo基于已部署的AgentCore环境使用Strands Agents框架集成Memory。准备创建带“记忆”的Agentfrom bedrock_agentcore.memory.integrations.strands.config import AgentCoreMemoryConfig, RetrievalConfigfrom bedrock_agentcore.memory.integrations.strands.session_manager import AgentCoreMemorySessionManagerfrom strands import AgentMEMORY_ID memory_agentcore_demo_202602-NQQx1d71IZAWS_REGION us-east-1左右滑动查看完整示意# Memory 配置 memory_config AgentCoreMemoryConfig( memory_idMEMORY_ID, session_idsession_id, actor_idactor_id )session_manager AgentCoreMemorySessionManager( agentcore_memory_configmemory_config, region_nameAWS_REGION )左右滑动查看完整示意集成流程很简洁配置AgentCoreMemoryConfig指定memory_id、session_id、actor_id和检索配置创建AgentCoreMemorySessionManager传入Agent()构造函数。Agent会自动在每次用户发消息时检索长期记忆用当前query做语义搜索并在对话过程中将每条消息写入短期记忆。RetrievalConfig控制的是“跨会话时Agent从长期记忆里捞什么、捞多少、捞多精准”。top_k每次检索最多返回几条记忆。比如facts设10就是最多拿10条最相关的事实。设太大会引入噪音设太小可能漏掉重要信息。relevance_score相关性门槛。只有语义相似度达到这个分数的记忆才会返回。比如设0.3是比较宽松的大部分相关内容都能捞到设0.7就很严格只有高度相关的才返回。namespace的key如/facts/{actorId}决定从哪个“记忆分区”检索。不同策略存在不同namespace下您可以选择性地只检索某些策略的记忆。参考https://strandsagents.com/latest/documentation/docs/community/session-managers/agentcore-memory/准备Memory配置Memory策略配置namespace配置如下Summarization:/summaries/{actorId}/{sessionId}Episodic:/strategy/{memoryStrategyId}/actor/{actorId}/session/{sessionId}Semantic: /facts/{actorId}User-preference: /preferences/{actorId}注意Semantic和User-preference是actorId粒度的跨会话共享Summarization和Episodic是sessionId粒度的会话级别。通过前端带入namespace信息场景一跨会话记忆最基础也是最直观的能力不同会话之间Agent记得你是谁。验证点短期→长期的异步提取跨会话记忆持续性。给Agent喂信息观察不同策略的记忆情况Semantic (Facts)UserPreferenceSummarization注Summarization和Episodic策略的提取/总结是由LLM处理的system prompt默认是英文的所以输出也是英文。Episodic信息非常多这里只取部分输出自动生成的两种类型1条Episode情节记录第2条以“situation”开头→对话的完整复盘。3条Reflection经验总结说明系统从对话中总结出了3个有价值的交互模式。第1、3、4条以“title”开头验证新建会话这里Session ID变成session2。新会话中查询之前的会话内容。场景二语义去重三个不同会话用不同措辞表达同一个意思。验证点语义相同不重复存储。新建会话这里Session ID变成session3。新建会话这里Session ID变成session4。新建会话这里Session ID变成session5。验证新建会话这里Session ID变成session6。可以看到语义相同信息不做重复存储。检查memory未出现重复的“喜欢python”信息记录。场景三Episodic Reflection——跨情景反思目标验证Episodic策略的Reflection能力系统能从多个episode中提炼出跨会话的洞察和模式模拟3个多轮会话。用户userb在Session IDsessiona的会话中输入信息用户userb在Session IDsessionb的会话中输入信息。用户userb在Session IDsessionc的会话中输入信息。等待数分钟Reflection是异步的需要多个episode积累后才触发观察到3个会话的memory已经生成用户userb在Session IDsessiond的会话中进行验证以上通过3个多轮会话旅行规划、送礼建议、健身计划每个都有完整的“提问→讨论→决策→确认”过程Episodic策略自动识别出完整的交互片段生成episode并从多个episode中提炼出reflection。新会话里问相关问题时Agent能直接调用这些经验回答不需要用户重复背景信息。进阶能力从开箱即用到深度定制AgentCore Memory的设计哲学是简单的事情简单做复杂的事情做得到。记忆组织与访问控制Namespace是长期记忆的组织单元采用分层路径格式支持{actorId}、{memoryStrategyId}、{sessionId}三个预定义变量粒度从最细strategyactorsession到全局/共四级。配合IAM策略可按namespace限制访问实现多租户隔离。策略定制三层渐进体系Built-in全自动零配置Built-in with Overrides可自定义prompt和模型Self-managed完全自控。语义检索配置通过RetrieveMemoryRecords按namespace前缀做语义搜索返回按相关度排序的结果。API的topK控制返回条数最大100RetrievalConfig可按namespace分别配置检索参数。事件元数据每个事件可附加最多15个key-value元数据通过ListEvents的metadata filters过滤查询适用于按地理位置、交互类型等维度组织事件。失败重试与数据管理长期记忆提取失败后自动重试持续失败的任务进入专用队列通过ListMemoryExtractionJobs查看原因StartMemoryExtractionJob手动重试BatchDeleteMemoryRecords支持每次最多100条的批量删除对合规清理如GDPR场景很关键。结语AgentCore Memory通过智能整合策略保持记忆精简、Namespace分层实现多租户隔离、双层架构让原始交互与提炼洞察异步演化。对于正在构建AI Agent的团队AgentCore Memory提供了一条从“无状态工具”到“有记忆伙伴”的路径——记忆自我维护、持续精简开发者专注业务逻辑即可。参考资料Amazon Bedrock AgentCore Memory官方文档https://docs.aws.amazon.com/bedrock/latest/userguide/agentcore-memory.htmlBuilding smarter AI agents: AgentCore long-term memory deep divehttps://aws.amazon.com/blogs/machine-learning/building-smarter-ai-agents-agentcore-long-term-memory-deep-dive/Strands Agents—Bedrock AgentCore Memory Integrationhttps://strandsagents.com/latest/user-guide/concepts/memory/bedrock-agentcore/Amazon Bedrock AgentCore SDKPythonhttps://github.com/aws/bedrock-agentcore-sdk-pythonAmazon Bedrock AgentCore Starter Toolkithttps://github.com/aws/bedrock-agentcore-starter-toolkit本篇作者丁有冬亚马逊云科技合作伙伴解决方案架构师在企业架构设计、咨询服务以及项目管理方面具有丰富的实践经验。目前主要负责亚马逊云科技中国合作伙伴的方案架构咨询和设计工作致力于亚马逊云科技服务在国内的应用推广以及帮助合作伙伴构建更高效的亚马逊云科技服务解决方案。新用户注册海外区域账户可获得最高200美元服务抵扣金覆盖Amazon Bedrock生成式AI相关服务。“免费计划”账户类型确保零花费安心试用。星标不迷路开发更极速关注后记得星标「亚马逊云开发者」听说点完下面4个按钮就不会碰到bug了点击阅读原文查看博客获得更详细内容