Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Confronta la memoria a lungo termine con Retrieval-Augmented Generation
Long-term la memoria in Amazon Bedrock AgentCore Memory funge da storage persistente per un contesto specifico della sessione, consentendo agli agenti di mantenere la continuità e la personalizzazione tra le interazioni. Usa la memoria a lungo termine per archiviare le preferenze degli utenti, le decisioni passate, la cronologia delle conversazioni e i modelli comportamentali che aiutano gli agenti ad adattarsi e a sentirsi personali senza richiedere ripetutamente le stesse informazioni. Questo tipo di memoria è ideale per tracciare chi è l'utente, cosa è successo nelle sessioni precedenti e mantenere lo stato nei flussi di lavoro in più fasi.
Retrieval-Augmented Generation (RAG) integra la memoria a lungo termine fornendo l'accesso a informazioni autorevoli e attuali da archivi su larga scala. Utilizza questi sistemi per recuperare documentazione, specifiche tecniche, politiche e competenze di dominio aggiornate che potrebbero essere troppo ampie o volatili per l'archiviazione a lungo termine. RAG garantisce l'accuratezza dei fatti attingendo direttamente da fonti selezionate al momento della richiesta, rendendolo ideale per accedere a ciò che dicono fonti autorevoli in questo momento. Un'opzione per integrare RAG nel tuo agente è utilizzare una Knowledge Base di Amazon Bedrock. Per ulteriori informazioni, consulta Recupera dati e genera risposte AI con Amazon Bedrock Knowledge Bases nella guida per l'utente di Amazon Bedrock.
La differenza principale risiede nei loro ruoli complementari: la memoria a lungo termine gestisce il contesto personale e la continuità delle sessioni, mentre RAG fornisce conoscenze fattuali e competenze di dominio attuali. Long-term la memoria risponde «chi è l'utente e cosa è successo prima», mentre RAG risponde «cosa dicono attualmente le fonti attendibili». Questa separazione consente agli agenti di mantenere relazioni personali con gli utenti garantendo al contempo l'accesso a informazioni accurate e autorevoli.
Utilizzando la memoria lunga e il RAG insieme, l'agente può offrire sia esperienze personalizzate grazie alla memorizzazione del contesto, sia informazioni affidabili grazie al recupero delle conoscenze in tempo reale. Per i tuoi clienti, i tuoi agenti sono al tempo stesso familiari e fondati sui fatti.
