先决条件第 1 步：创建 AgentCore 内存第 2 步：将事件写入内存第 3 步：从长期内存中检索记录向现有代理添加内存资源清理后续步骤

开始使用 AgentCore Memory

Amazon Bedrock M AgentCore emory 允许您创建和管理用于存储人工智能代理对话上下文的 AgentCore 内存资源。本入门指南将指导您安装依赖项并实现短期和长期内存功能。这些说明使用 AgentCore CLI。

步骤如下所示：

创建包含语义策略的 AgentCore 内存
将事件（对话历史记录）写入内存资源
从长期存储器中检索内存记录

有关其他示例，请参阅亚马逊基岩 AgentCore 内存示例。

先决条件

在开始之前，请确保你有：

AWS 配置了凭据的账户 (aws configure)
已安装 Python 3.10+
Node.js 已安装 20 个以上（用于 AgentCore CLI）

要开始使用亚马逊 Bedrock AgentCore Memory，请安装依赖项、创建 AgentCore CLI 项目并设置虚拟环境。以下命令可以直接在终端中运行。


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

C AgentCore LI 提供用于创建和管理内存资源的命令。agentcore add memory用于创建内存，并在agentcore deploy其中进行配置 AWS。要进行事件操作和会话管理，请使用 AgentCore Python 软件开发工具包 (bedrock-agentcore)。

注意

C AgentCore LI 可帮助您创建和部署内存资源。有关直接服务 API 操作，请参阅 Boto3 文档：bedrock-agentcore-control 和 b edrock -agentcore。https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/bedrock-agentcore.html

完整示例：查看演示步骤 1-3 的亚马逊 Bedrock 示 AgentCore 例。

第 1 步：创建 AgentCore 内存

你需要一个 AgentCore 内存来开始存储代理的信息。默认情况下，记忆事件（我们称之为短期记忆）可以写入 AgentCore 内存。为了提取见解并将其存入长期记忆记录，该资源需要一种存储策略，该配置定义了应如何处理对话数据以及要提取哪些信息（例如事实、偏好或摘要）。

在此步骤中，您将使用语义策略创建 AgentCore 内存，以便可以同时使用短期和长期内存。这将需要 2-3 分钟。您也可以在 AWS 控制台中创建 AgentCore 内存资源。

使用语义策略创建内存：

例

部署后，验证内存是否已创建：


agentcore status

第 2 步：将事件写入内存

您可以将事件作为短期 AgentCore 记忆写入记忆，并提取长期记忆的见解。

将事件写入内存有多种用途。首先，事件内容（最常见的对话历史）存储为短期记忆。其次，从事件中提取相关见解，并作为长期记忆的一部分写入记忆记录。

创建事件需要内存资源 ID、参与者 ID 和会话 ID。在此步骤中，您将创建三个事件，模拟最终用户和聊天机器人之间的消息。


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)],
)

撰写完特定演员的事件（回合）后，你可以获得这些事件（回合）。


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

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

在这种情况下，你可以看到演员和会话的最后三个事件。

第 3 步：从长期内存中检索记录

将事件写入内存资源后，对其进行分析，并将有用的信息发送到长期存储器中。由于存储器包含语义长期记忆策略，因此系统提取并存储事实信息。

你可以使用以下命令列出所有内存记录：


# 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("--------------------------------------------------------------------")

或者在语义搜索中询问最相关的信息：


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

有关用户的重要信息很可能存储在长期内存中。代理可以使用长期记忆而不是完整的对话历史记录来确保 LLM 的上下文不会过载。

向现有代理添加内存

如果您创建了一个没有内存的 Strands 代理并想稍后添加，请按照以下步骤操作：

为您的项目添加内存资源：


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

在您的代理中创建memory/目录：
```
mkdir -p app/MyAgent/memory
```

创建app/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
    )

更新您的main.py以使用会话管理器：


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(str(payload.get("prompt", "")))
    return response

部署更新后的项目：
```
agentcore deploy
```

注意

每个内存资源都有一个环境变量MEMORY_<NAME>_ID（大写，带下划线），该变量将在部署后在代理的运行时环境中自动可用。

资源清理

当你使用完内存资源后，你可以将其删除：


agentcore remove memory --name CustomerSupportSemantic
agentcore deploy

后续步骤

请考虑以下事项：

向现有 AgentCore 内存添加长期策略向您的内存资源添加另一种策略。
启用可观察性，以便更清楚地了解内存的工作原理
看看更多的例子。

Javascript 在您的浏览器中被禁用或不可用。

要使用 Amazon Web Services 文档，必须启用 Javascript。请参阅浏览器的帮助页面以了解相关说明。

文档惯例

将长期内存与 Generat Retrieval-Augmented ion 进行比较

创建内 AgentCore 存