Amazon Bedrock внедряет память в агентов для персонализации ответов
AWS Machine Learning · оригинал
Материал подготовлен автоматизированной редакционной системой. Факты можно сверить по указанному первоисточнику.

AWS представила интеграцию Amazon Bedrock Managed Knowledge Base с AgentCore Memory, позволяющую ИИ-агентам сохранять контекст диалогов и учитывать индивидуальные предпочтения пользователей. Новая функция обеспечивает автоматическое извлечение фактов из истории общения и их использование для формирования более точных ответов на основе защищенных документов.
Решение устраняет необходимость в ручном управлении историей сессий и выделении памяти для каждого пользователя, снижая сложность разработки многопользовательских ИИ-приложений. Это позволяет корпорациям создавать ассистентов, которые не только ищут информацию, но и помнят контекст взаимодействия с конкретным сотрудником.
Пользователи корпоративных приложений на базе искусственного интеллекта ожидают от систем не просто поиска информации, но и способности помнить контекст предыдущих взаимодействий. Однако реализация такой функциональности традиционно требует сложной логики: хранения диалогов, извлечения устойчивых фактов, определения их релевантности для текущего запроса и изоляции данных каждого пользователя. Amazon Web Services (AWS) представила решение этой задачи, интегрировав Amazon Bedrock Managed Knowledge Base с AgentCore Memory. Эта связка позволяет сервису самостоятельно восстанавливать историю беседы, извлекать ключевые факты о пользователе и использовать их для уточнения поисковых запросов к базе знаний.
Механизм работы основан на добавлении параметра memoryConfiguration в запрос AgenticRetrieveStream. В рамках одного вызова служба восстанавливает контекст из краткосрочной памяти, а планировщик (planner) решает, какие долгосрочные факты о пользователе помогут сформулировать подзапросы к базе знаний. После генерации ответа система автоматически сохраняет текущий ход диалога обратно в память. Такой подход снимает с разработчиков необходимость создания отдельных таблиц для хранения истории чатов и управления сессиями, так как вся логика переносится на сторону сервиса AWS.
Критически важным аспектом является безопасность и изоляция данных. Интеграция использует механизм ACL (Access Control Lists) для фильтрации документов в зависимости от прав доступа пользователя. Например, в демонстрационном сценарии для вымышленной компании AnyCompany инженеры имеют доступ к техническим руководствам, а сотрудники отдела продаж — к планам комиссий. Система гарантирует, что пользователь видит только те документы, которые ему разрешено читать, а его личная память остается приватной даже при использовании общего ресурса памяти.
Для идентификации пользователей применяется Amazon Cognito. Токен ID из Cognito содержит два ключевых поля: sub (уникальный идентификатор) используется как actorId для адресации памяти, а email служит для фильтрации документов по ACL. Разработчики подчеркивают важность использования неизменяемого идентификатора (actorId), так как смена email-адреса могла бы привести к утечке или смешению данных разных пользователей. В отличие от email, который может быть передан новому сотруднику, sub остается уникальным для конкретного аккаунта.
AgentCore Memory предлагает две стратегии извлечения данных: summary и user-preference. Первая суммирует содержание диалогов, фиксируя контекст (например, местоположение или используемое оборудование), что помогает персонализировать ответы на общие вопросы. Вторая стратегия выстраивает структурированные записи о предпочтениях пользователя, таких как формат вывода информации или приоритетные регионы развертывания. Использование обеих стратегий позволяет системе понимать не только «что обсуждалось», но и «как пользователь хочет получать ответы».
Процесс настройки включает создание базы знаний с поддержкой ACL, конфигурирование ресурса памяти и настройку ролей IAM для обеспечения изоляции на уровне инфраструктуры. Даже если код приложения допустит ошибку в передаче идентификатора, политики IAM могут блокировать доступ к чужим данным памяти благодаря тегированию сессий. Это создает многоуровневую защиту данных.
Внедрение этой технологии упрощает архитектуру приложений: вместо ручного управления историей сообщений и контекстом, разработчики передают в запрос только текущий вопрос и идентификатор сессии. Сервис AWS берет на себя инжестинг, фильтрацию по правам доступа, ранжирование, планирование, извлечение из памяти и генерацию ответа. Это позволяет создавать масштабируемые многопользовательские ассистенты, которые сочетают точность поиска в корпоративных документах с персонализацией, основанной на долгосрочном взаимодействии с пользователем.