先決條件步驟 1：建立 AgentCore 記憶體步驟 2：將事件寫入記憶體步驟 3：從長期記憶體擷取記錄將記憶體新增至現有代理程式清除後續步驟

AgentCore 記憶體入門

Amazon Bedrock Amazon Bedrock AgentCore 記憶體可讓您建立和管理 AgentCore 記憶體資源，以存放 AI 代理器的對話內容。此入門會引導您安裝相依性和實作短期和長期記憶體功能。這些指示使用 AgentCore CLI。

步驟如下：

建立包含語意策略的 AgentCore 記憶體
將事件（對話歷史記錄）寫入記憶體資源
從長期記憶體擷取記憶體記錄

如需其他範例，請參閱 Amazon Bedrock AgentCore 記憶體範例。

先決條件

開始之前，請確定您有：

AWS 已設定登入資料的帳戶 aws configure ()
已安裝 Python 3.10+
已安裝 Node.js 18+ （適用於 AgentCore CLI)

若要開始使用 Amazon Bedrock Amazon Bedrock AgentCore 記憶體，請安裝相依性、建立 AgentCore CLI 專案，以及設定虛擬環境。下列命令可以直接在終端機中執行。


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

AgentCore CLI 提供建立和管理記憶體資源的命令。使用 agentcore add memory建立記憶體，並在其中agentcore deploy佈建記憶體 AWS。對於事件操作和工作階段管理，請使用 AWS Python SDK (Boto3) bedrock-agentcore ()。

注意

AgentCore CLI 可協助您建立和部署記憶體資源。如需完整的 Amazon Bedrock AgentCore 記憶體操作集，請參閱 Boto3 文件：bedrock-agentcore-control 和 bedrock-agentcore。

完整範例：請參閱示範步驟 1-3 的 Amazon Bedrock AgentCore 範例。

步驟 1：建立 AgentCore 記憶體

您需要 AgentCore 記憶體才能開始儲存代理程式的資訊。根據預設，記憶體事件（我們稱為短期記憶體）可以寫入 AgentCore 記憶體。若要擷取洞見並放入長期記憶體記錄中，資源需要記憶體策略，這是定義對話式資料的處理方式，以及要擷取哪些資訊（例如事實、偏好設定或摘要）的組態。

在此步驟中，您會使用語意策略建立 AgentCore 記憶體，以便同時使用短期和長期記憶體。這將需要 2-3 分鐘。您也可以在 AWS 主控台中建立 AgentCore 記憶體資源。

使用語意策略建立記憶體：

範例

部署之後，請確認記憶體已建立：


agentcore status

步驟 2：將事件寫入記憶體

您可以將事件寫入 AgentCore 記憶體做為短期記憶體，並擷取長期記憶體的洞見。

將事件寫入記憶體有多個用途。首先，事件內容（最常見的對話歷史記錄）會儲存為短期記憶體。其次，從事件中提取相關洞見，並將其寫入記憶體記錄中，作為長期記憶體的一部分。

建立事件需要記憶體資源 ID、演員 ID 和工作階段 ID。在此步驟中，您會建立三個事件，模擬最終使用者與聊天機器人之間的訊息。


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)],
)

您可以在特定演員撰寫後取得事件（轉彎）。


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

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

在這種情況下，您可以看到演員和工作階段的最後三個事件。

步驟 3：從長期記憶體擷取記錄

將事件寫入記憶體資源後，會對其進行分析，並將有用的資訊傳送至長期記憶體。由於記憶體包含語意長期記憶體策略，因此系統會擷取並儲存事實資訊。

您可以使用下列方式列出所有記憶體記錄：


# 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，在語意搜尋中詢問最相關的資訊：


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

儲存有關使用者的重要資訊可能是長期記憶體。客服人員可以使用長期記憶體，而不是完整的對話歷史記錄，以確保 LLMs不會因內容而超載。

將記憶體新增至現有代理程式

如果您建立沒有記憶體的 Strands 代理程式，並稍後想要新增它，請依照下列步驟執行：

將記憶體資源新增至您的專案：


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

在代理程式中建立 memory/ 目錄：
```
mkdir -p app/MyAgent/memory
```

建立 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以使用工作階段管理員：


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

部署更新的專案：
```
agentcore deploy
```

注意

每個記憶體資源都會取得環境變數 MEMORY_<NAME>_ID（大寫，帶有底線），在部署之後，可在代理程式的執行期環境中自動使用。

清除

記憶體資源完成後，您可以刪除它：


agentcore remove memory --name CustomerSupportSemantic
agentcore deploy

後續步驟

考慮下列各項：

將另一個策略新增至您的記憶體資源。
啟用可觀測性，以更清楚了解記憶體的運作方式
查看進一步的範例。

您的瀏覽器已停用或無法使用 Javascript。

您必須啟用 Javascript，才能使用 AWS 文件。請參閱您的瀏覽器說明頁以取得說明。

文件慣用形式

比較長期記憶體與擷取增強生成

建立 AgentCore 記憶體