Prerequisiti Fase 1: Creare una memoria AgentCore Fase 2: scrivere gli eventi in memoria Fase 3: Recuperare i record dalla memoria a lungo termine Aggiungere memoria a un agente esistente Pulizia Fasi successive

Inizia a usare AgentCore Memory

Amazon Bedrock Amazon Bedrock AgentCore Memory ti consente di creare e gestire risorse di AgentCore memoria che memorizzano il contesto delle conversazioni per i tuoi agenti AI. Questa guida introduttiva ti guida nell'installazione delle dipendenze e nell'implementazione delle funzionalità di memoria a breve e lungo termine. Le istruzioni utilizzano la AgentCore CLI.

I passaggi sono i seguenti:

Crea una AgentCore memoria contenente una strategia semantica
Scrivi eventi (cronologia delle conversazioni) nella risorsa di memoria
Recupera i record di memoria dalla memoria a lungo termine

Per altri esempi, consulta gli esempi di Amazon Bedrock AgentCore Memory.

Prerequisiti

Prima di iniziare, assicurati di avere:

AWS Account con credenziali configurate () aws configure
Python 3.10+ installato
Node.js 18+ installati (per la AgentCore CLI)

Per iniziare a usare Amazon Bedrock Amazon Bedrock AgentCore Memory, installa le dipendenze, crea un progetto AgentCore CLI e configura un ambiente virtuale. I comandi seguenti possono essere eseguiti direttamente nel terminale.


pip install bedrock-agentcore
npm install -g @aws/agentcore
agentcore create --name agentcore-memory-quickstart --no-agent
cd agentcore-memory-quickstart
python -m venv .venv
source .venv/bin/activate

La AgentCore CLI fornisce comandi per la creazione e la gestione delle risorse di memoria. Viene utilizzato agentcore add memory per creare una memoria e agentcore deploy per inserirla. AWS Per le operazioni sugli eventi e la gestione delle sessioni, usa AWS Python SDK (Boto3) (). bedrock-agentcore

Nota

La AgentCore CLI consente di creare e distribuire risorse di memoria. Per il set completo di operazioni di Amazon Bedrock AgentCore Memory, consulta la documentazione di Boto3: bedrock-agentcore-control e bedrock-agentcore.

Esempio completo: consulta gli AgentCore esempi di Amazon Bedrock che illustrano i passaggi 1-3.

Fase 1: Creare una memoria AgentCore

Hai bisogno di una AgentCore memoria per iniziare a memorizzare le informazioni per il tuo agente. Per impostazione predefinita, gli eventi di memoria (che chiamiamo memoria a breve termine) possono essere scritti su una AgentCore memoria. Affinché le informazioni vengano estratte e inserite in record di memoria a lungo termine, la risorsa richiede una strategia di memoria che è una configurazione che definisce come devono essere elaborati i dati conversazionali e quali informazioni estrarre (come fatti, preferenze o riepiloghi).

In questo passaggio, si crea una AgentCore memoria con una strategia semantica in modo da poter utilizzare sia la memoria a breve che a lungo termine. Questa operazione richiederà 2-3 minuti. È inoltre possibile creare risorse di AgentCore memoria nella AWS console.

Crea memoria con una strategia semantica:

Esempio

Dopo la distribuzione, verifica che la memoria sia stata creata:


agentcore status

Fase 2: scrivere gli eventi in memoria

È possibile scrivere eventi su una AgentCore memoria come memoria a breve termine ed estrarre informazioni per la memoria a lungo termine.

La scrittura di eventi in memoria ha molteplici scopi. Innanzitutto, i contenuti degli eventi (più comunemente la cronologia delle conversazioni) vengono archiviati come memoria a breve termine. In secondo luogo, le informazioni pertinenti vengono estratte dagli eventi e scritte nei registri di memoria come parte della memoria a lungo termine.

L'id della risorsa di memoria, l'id dell'attore e l'id della sessione sono necessari per creare un evento. In questo passaggio, crei tre eventi, simulando i messaggi tra un utente finale e un chat bot.


import boto3
from bedrock_agentcore.memory import MemorySessionManager
from bedrock_agentcore.memory.constants import ConversationalMessage, MessageRole

control_client = boto3.client('bedrock-agentcore-control', region_name='us-west-2')

# Retrieve the memory created in Step 1
response = control_client.list_memories()
memory = response['memories'][0]
memory_id = memory['id']

# Create a session to store memory events
session_manager = MemorySessionManager(
    memory_id=memory_id,
    region_name="us-west-2")

session = session_manager.create_memory_session(
    actor_id="User1",
    session_id="OrderSupportSession1"
)

# Write memory events (conversation turns)
session.add_turns(
    messages=[
        ConversationalMessage(
            "Hi, how can I help you today?",
            MessageRole.ASSISTANT)],
)

session.add_turns(
    messages=[
        ConversationalMessage(
            "Hi, I am a new customer. I just made an order, but it hasn't arrived. The Order number is #35476",
            MessageRole.USER)],
)

session.add_turns(
    messages=[
        ConversationalMessage(
            "I'm sorry to hear that. Let me look up your order.",
            MessageRole.ASSISTANT)],
)

Puoi ottenere eventi (turni) per un attore specifico dopo che sono stati scritti.


# Get the last k turns in the session
turns = session.get_last_k_turns(k=5)

for turn in turns:
    print(f"Turn: {turn}")

In questo caso, puoi vedere gli ultimi tre eventi relativi all'attore e alla sessione.

Fase 3: Recuperare i record dalla memoria a lungo termine

Dopo che gli eventi sono stati scritti nella risorsa di memoria, sono stati analizzati e le informazioni utili sono state inviate alla memoria a lungo termine. Poiché la memoria contiene una strategia semantica di memoria a lungo termine, il sistema estrae e archivia informazioni fattuali.

È possibile elencare tutti i record di memoria con:


# List all memory records
memory_records = session.list_long_term_memory_records(
    namespace_path="/"
)

for record in memory_records:
    print(f"Memory record: {record}")
    print("--------------------------------------------------------------------")

Oppure richiedi le informazioni più pertinenti come parte di una ricerca semantica:


# Perform a semantic search
memory_records = session.search_long_term_memories(
    query="can you summarize the support issue",
    namespace_path="/",
    top_k=3
)

È probabile che le informazioni importanti sull'utente siano memorizzate nella memoria a lungo termine. Gli agenti possono utilizzare la memoria a lungo termine anziché una cronologia completa delle conversazioni per assicurarsi che gli LLM non siano sovraccarichi di contesto.

Aggiungere memoria a un agente esistente

Se hai creato un agente Strands senza memoria e desideri aggiungerlo in un secondo momento, procedi nel seguente modo:

Aggiungi una risorsa di memoria al tuo progetto:


agentcore add memory --name MyMemory --strategies SEMANTIC,SUMMARIZATION
agentcore deploy

Crea la memory/ directory nel tuo agente:
```
mkdir -p app/MyAgent/memory
```

Creaapp/MyAgent/memory/session.py:


import os
from typing import Optional
from bedrock_agentcore.memory.integrations.strands.config import AgentCoreMemoryConfig, RetrievalConfig
from bedrock_agentcore.memory.integrations.strands.session_manager import AgentCoreMemorySessionManager

MEMORY_ID = os.getenv("MEMORY_MYMEMORY_ID")
REGION = os.getenv("AWS_REGION")

def get_memory_session_manager(session_id: str, actor_id: str) -> Optional[AgentCoreMemorySessionManager]:
    if not MEMORY_ID:
        return None

    retrieval_config = {
        f"/users/{actor_id}/facts": RetrievalConfig(top_k=3, relevance_score=0.5),
        f"/summaries/{actor_id}/{session_id}": RetrievalConfig(top_k=3, relevance_score=0.5)
    }

    return AgentCoreMemorySessionManager(
        AgentCoreMemoryConfig(
            memory_id=MEMORY_ID,
            session_id=session_id,
            actor_id=actor_id,
            retrieval_config=retrieval_config,
        ),
        REGION
    )

Aggiorna il tuo main.py per utilizzare il gestore delle sessioni:


from memory.session import get_memory_session_manager

@app.entrypoint
async def invoke(payload, context):
    session_id = getattr(context, 'session_id', 'default-session')
    user_id = getattr(context, 'user_id', 'default-user')

    agent = Agent(
        model=load_model(),
        session_manager=get_memory_session_manager(session_id, user_id),
        system_prompt="You are a helpful assistant.",
    )

    response = agent(payload.get("prompt"))
    return response

Distribuisci il progetto aggiornato:
```
agentcore deploy
```

Nota

Ogni risorsa di memoria riceve una variabile di ambiente MEMORY_<NAME>_ID (in maiuscolo, con caratteri di sottolineatura) che è automaticamente disponibile nell'ambiente di runtime dell'agente dopo la distribuzione.

Pulizia

Quando hai finito con la risorsa di memoria, puoi eliminarla:


agentcore remove memory --name CustomerSupportSemantic
agentcore deploy

Fasi successive

Considera i seguenti aspetti:

Aggiungi un'altra strategia alla tua risorsa di memoria.
Abilita l'osservabilità per una maggiore visibilità sul funzionamento della memoria
Guarda altri esempi.

Avvertimento JavaScript è disabilitato o non è disponibile nel tuo browser.

Per usare la documentazione AWS, JavaScript deve essere abilitato. Consulta le pagine della guida del browser per le istruzioni.

Convenzioni dei documenti

Confronta la memoria a lungo termine con Retrieval-Augmented Generation

Crea un AgentCore ricordo