Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Comparez la mémoire à long terme avec Retrieval-Augmented Generation
Long-term la mémoire d'Amazon Bedrock AgentCore Memory sert de stockage permanent pour le contexte spécifique à la session, permettant aux agents de maintenir la continuité et la personnalisation des interactions. Utilisez la mémoire à long terme pour stocker les préférences des utilisateurs, les décisions passées, l'historique des conversations et les modèles comportementaux qui aident les agents à s'adapter et à se sentir personnels sans demander à plusieurs reprises les mêmes informations. Ce type de mémoire est idéal pour suivre l'identité de l'utilisateur, ce qui s'est passé lors des sessions précédentes et pour maintenir l'état des flux de travail en plusieurs étapes.
Retrieval-Augmented Generation (RAG) complète la mémoire à long terme en fournissant un accès à des informations fiables et actuelles provenant de référentiels à grande échelle. Utilisez ces systèmes pour récupérer la documentation à jour, les spécifications techniques, les politiques et l'expertise dans le domaine qui peuvent être trop volumineuses ou trop volatiles pour un stockage à long terme. RAG garantit l'exactitude des faits en s'appuyant directement sur des sources sélectionnées au moment de la requête, ce qui en fait un outil idéal pour accéder à ce que disent actuellement des sources faisant autorité. L'une des options pour intégrer RAG à votre agent consiste à utiliser une base de connaissances Amazon Bedrock. Pour plus d'informations, consultez la section Récupérer des données et générer des réponses IA à l'aide des bases de connaissances Amazon Bedrock dans le guide de l'utilisateur d'Amazon Bedrock.
La principale distinction réside dans leurs rôles complémentaires : la mémoire à long terme gère le contexte personnel et la continuité des sessions, tandis que RAG fournit les connaissances factuelles actuelles et l'expertise du domaine. Long-term memory répond à « qui est l'utilisateur et ce qui s'est passé auparavant », tandis que RAG répond à « que disent actuellement des sources fiables ». Cette séparation permet aux agents de maintenir des relations personnelles avec les utilisateurs tout en garantissant l'accès à des informations précises et fiables.
En utilisant conjointement la mémoire longue et le RAG, votre agent peut proposer à la fois des expériences personnalisées grâce à un contexte mémorisé et des informations fiables grâce à la récupération de connaissances en temps réel. Pour vos clients, vos agents sont à la fois familiers et factuels.
