你的 AI Agent 只有鱼的记忆？聊聊 Agent 记忆管理的正确姿势

做 Agent 的人多少都遇到过这个问题：用户上周说"预算 500"，这周说"改 800 了"，Agent 两条都存着，回答的时候一会 500 一会 800，像个记忆错乱的金鱼。

理想的 Agent 记忆不是"存更多"，而是"知道什么该忘、什么该更新、冲突怎么解决"。今天聊聊 Amazon Bedrock AgentCore Memory 的方案。

双层架构

短期记忆（原始对话）+ 长期记忆（提炼知识）。每条对话先存短期，后台异步提取和整合为长期知识。

短期解决"当前对话的上下文"，长期解决"跨会话的用户认知"。

四种记忆策略

Semantic Memory：提取事实（"预算=800""公司在上海"），自动更新和去重
User Preference：跟踪用户偏好变化，"喜欢简洁回复"→"技术部分要详细"会更新而不是堆叠
Summary：实时压缩长对话，不用重新处理全部历史
Episodic：记住"完整交互片段"，比如一次调试从出错到解决的过程，还能跨 episode 反思规律

实战代码

python 复制代码

from bedrock_agentcore.memory import MemoryClient

memory = MemoryClient(
    memory_id="my-agent-memory",
    region_name="cn-northwest-1"
)

# 混合策略
memory.create_memory(
    memory_strategies=[
        {"strategy_type": "SEMANTIC", "name": "facts"},
        {"strategy_type": "USER_PREFERENCE", "name": "prefs"},
        {"strategy_type": "EPISODIC", "name": "exp"}
    ]
)

# 写入
memory.add_event(
    actor_id="user-123",
    session_id="s-456",
    event={"role": "user", "content": "预算从 500 改 800"}
)

# 检索------旧的 500 已被自动更新
results = memory.search_memory(
    actor_id="user-123",
    query="预算",
    strategy_name="facts"
)

这套方案解决什么问题

场景	传统方案	AgentCore Memory
用户改预算	两条都存，回答矛盾	自动更新为最新值
重复说偏好	冗余 N 条	语义去重
调试经验	不记录	Episodic 自动学习
长对话 context	窗口溢出	Summary 压缩

适用场景

客服、编程助手、运维 Agent------任何需要"跨会话记忆"的场景
全托管，不用自建向量库
检索约 200ms

几行代码就能让 Agent 从"金鱼记忆"升级到"持续学习"，值得试。

🔗 Amazon Bedrock AgentCore：aws.amazon.com/cn/bedrock/... 🔗 AgentCore Memory 文档：docs.aws.amazon.com/bedrock/lat...