借助 AgentCore Memory 为智能体应用添加记忆功能

在构建智能体（Agentic）应用时，上下文是决定模型响应质量的关键因素。各类智能体框架（如 LangGraph、CrewAI 等）的核心作用，本质上是构建包含充足上下文的增强型提示词（Prompt），帮助模型生成贴合需求的结果。而记忆系统作为上下文的重要来源，能让智能体记住交互历史、用户偏好等关键信息，大幅提升应用的个性化与连续性。AWS 推出的 AgentCore Memory 服务，正是为智能体应用提供短长期记忆管理的核心工具，本文将详细介绍如何借助它为智能体赋予“记忆能力”。

智能体记忆的核心分类：短期与长期

在智能体应用的语境中，记忆系统普遍分为短期记忆与长期记忆两类，二者各司其职，共同为增强型提示词提供上下文支撑：

• 短期记忆

  ：聚焦当前会话或任务周期内的信息，比如用户当前的提问内容、智能体的即时响应、多步骤任务的中间状态等。它的核心作用是保证单次交互的连贯性，例如在客服对话中，记住用户刚提到的“产品型号”或“问题症状”。

• 长期记忆

  ：则负责跨会话、跨周期的信息存储，其分类可参考 LangMem 指南的定义，具体包括三类关键记忆：

  1. 语义记忆（Semantic Memory）

     ：存储支撑智能体响应的事实与知识，比如用户的长期偏好（如“偏好中文界面”“对折扣敏感”）、领域特定信息（如某产品的保修政策）、交互历史摘要（如“用户上月曾咨询过账户登录问题”）。

  2. 情景记忆（Episodic Memory）

     ：记录成功的交互案例作为学习样本，不仅包含“发生了什么”（如用户投诉物流延迟），还包括“如何解决”（如智能体触发物流查询工具并承诺补偿）以及“为何有效”（如及时反馈安抚了用户情绪），帮助智能体复用有效策略。

  3. 过程记忆（Procedural Memory）

     ：定义智能体的行为规则与响应模式，例如“当用户提及退款时，需先验证订单状态”，这类记忆会动态补充到系统提示词中，约束智能体的行为边界。

AgentCore Memory：AWS 智能体记忆服务的核心逻辑

AgentCore Memory 是 AWS 专为智能体应用设计的记忆管理服务，完美契合上述“短长期记忆”框架，同时提供灵活的策略配置与 API 交互能力，让记忆集成更高效。

1. 核心层级：短期记忆与长期记忆的协同

AgentCore Memory 的运作围绕“记忆资源（Memory Resource）”展开，每个记忆资源相当于一个“记忆容器”，可同时存储多个用户、多个会话的短长期记忆。其两层记忆系统的分工与流转逻辑如下：

• 短期记忆

  ：用于存储即时会话数据，每一次用户提问、智能体响应都会以“事件（E