Speicher zu Ihrem Amazon AgentCore Bedrock-Agenten hinzufügen

AgentCore Memory ist ein vollständig verwalteter Service, der es Ihren KI-Agenten ermöglicht, sich an vergangene Interaktionen zu erinnern, sodass sie intelligentere, kontextsensivere und persönlichere Konversationen führen können. Es bietet eine einfache und leistungsstarke Möglichkeit, sowohl den kurzfristigen Kontext als auch die langfristige Aufbewahrung von Wissen zu verwalten, ohne dass eine komplexe Infrastruktur aufgebaut oder verwaltet werden muss.

AgentCore Memory befasst sich mit einer grundlegenden Herausforderung agentischer KI: Staatenlosigkeit. Ohne Gedächtnisfähigkeiten behandeln KI-Agenten jede Interaktion als eine neue Instanz, ohne Kenntnis von früheren Konversationen. AgentCore Speicher bietet diese wichtige Fähigkeit, sodass Ihr Agent im Laufe der Zeit ein kohärentes Verständnis der Benutzer aufbauen kann.

AgentCore Memory unterstützt eine Vielzahl von SDKs und Agenten-Frameworks. Beispiele finden Sie unter Amazon Bedrock AgentCore Memory-Beispiele.

Themen

• Speichertypen

• Hauptvorteile des Arbeitsspeichers

• Häufige Anwendungsfälle von Arbeitsspeicher

• Funktionsweise

• Erste Schritte mit AgentCore Memory

• Erstellen Sie eine AgentCore Erinnerung

• Kurzzeitgedächtnis verwenden

• Verwenden Sie das Langzeitgedächtnis

• Beispiele für Amazon Bedrock AgentCore Memory

• Amazon Bedrock-Kapazität für integrierte Strategien mit Überschreibungen

• Beobachtbarkeit

• Bewährte Methoden

Speichertypen

AgentCore Memory bietet zwei Speichertypen, die zusammenarbeiten, um intelligente, kontextsensitive KI-Agenten zu entwickeln:

Short-term Speicher

Short-term Der Speicher erfasst aufeinanderfolgende Interaktionen innerhalb einer einzigen Sitzung. Auf diese Weise können Agenten den unmittelbaren Kontext beibehalten, ohne dass Benutzer Informationen wiederholen müssen.

Beispiel: Wenn ein Benutzer fragt: „Wie ist das Wetter in Seattle?“ und folgt mit „Was ist mit morgen?“ , stützt sich der Agent auf die jüngsten Konversationsverläufe, um zu verstehen, dass sich „morgen“ auf das Wetter in Seattle bezieht.

Long-term Erinnerung

Long-term memory extrahiert und speichert automatisch wichtige Erkenntnisse aus Konversationen über mehrere Sitzungen hinweg, darunter Benutzerpräferenzen, wichtige Fakten und Sitzungszusammenfassungen — für eine dauerhafte Aufbewahrung von Wissen über mehrere Sitzungen hinweg.

Beispiel: Wenn ein Kunde bei der Flugbuchung erwähnt, dass er Fensterplätze bevorzugt, speichert der Mitarbeiter diese Präferenz im Langzeitgedächtnis. Bei future Interaktionen kann der Mitarbeiter proaktiv Fensterplätze anbieten und so ein personalisiertes Erlebnis schaffen.

Hauptvorteile des Arbeitsspeichers

• Sorgen Sie für natürlichere Konversationen: Indem sie sich an frühere Gesprächsrunden erinnern, können Agenten den Kontext verstehen, mehrdeutige Aussagen lösen und auf eine Weise interagieren, die sich menschlicher anfühlt.

• Sorgen Sie für personalisierte Erlebnisse: Behalten Sie Benutzerpräferenzen, historische Daten und wichtige Fakten über alle Sitzungen hinweg bei, um Antworten und Aktionen auf einzelne Benutzer zuzuschneiden.

• Reduzieren Sie die Komplexität der Entwicklung: Entlasten Sie sich von der undifferenzierten Schwerstarbeit der Verwaltung von Konversationsstatus und Speicher, sodass Sie sich auf den Aufbau der Kerngeschäftslogik Ihres Agenten konzentrieren können.

Häufige Anwendungsfälle von Arbeitsspeicher

• Gesprächsagenten: Ein Chatbot für den Kundensupport erinnert sich an frühere Probleme und Präferenzen eines Benutzers, sodass er bei future Interaktionen relevantere Unterstützung bieten kann.

• Task-oriented /Workflow-Agenten: Ein KI-Agent, der einen mehrstufigen Geschäftsprozess wie die Rechnungsgenehmigung orchestriert, verwendet Speicher, um den Status jedes Schritts zu verfolgen und den Fortschritt des Workflows aufrechtzuerhalten.

• Multi-agent Systeme: Ein Team von KI-Agenten, die eine Lieferkette verwalten, nutzt Speicher gemeinsam, um die Lagerbestände zu synchronisieren, die Nachfrage zu antizipieren und die Logistik zu optimieren.

• Autonome oder planende Agenten: Ein autonomes Fahrzeug nutzt Speicher, um Routen zu planen, sich an die Verkehrsbedingungen anzupassen und aus vergangenen Erfahrungen zu lernen, um future Fahrentscheidungen zu verbessern.