Amazon Bedrock AgentCore Memory: Construindo agentes contextualmente conscientes

TL;DR

• O Amazon Bedrock AgentCore Memory é um serviço de memória totalmente gerenciado para agentes de IA, permitindo contexto de curto prazo e de longo prazo.
• Elimina a necessidade de construir e operar infraestrutura de memória, oferecendo criptografia e estratégias de memória flexíveis.
• O serviço usa recursos de memória, namespaces e estratégias de memória para organizar dados e automatizar a extração de memórias persistentes.
• Recursos avançados incluem branching e checkpoints para suportar conversas complexas e com várias trajetórias.
• Integra-se às ferramentas do Bedrock AgentCore e suporta estratégias de memória personalizadas para domínios específicos.

Contexto e antecedentes

Os assistentes de IA de hoje costumam ser excelentes em gerar respostas, mas são essencialmente sem estado: não retêm informações entre interações. Isso obriga os desenvolvedores a implementar seus próprios sistemas de memória para acompanhar o histórico de conversas, preferências do usuário e manter o contexto em várias sessões. O resultado pode incluir perguntas repetidas, preferências esquecidas e uma experiência de usuário subótima, além de custos e latência adicionais. No AWS Summit de Nova York 2025, a AWS apresentou o Amazon Bedrock AgentCore Memory, um serviço totalmente gerenciado para gestão de memória de agentes. Seu objetivo é ajudar desenvolvedores a criar agentes contextualmente conscientes ao eliminar o peso de gerenciar a infraestrutura de memória, mantendo controle explícito sobre o que o IA lembra. O AgentCore Memory oferece memória de curto prazo (contexto imediato dentro de uma sessão) e memória inteligente de longo prazo ( insights persistentes entre sessões), permitindo que os agentes retenham contexto, aprendam com as interações e ofereçam experiências personalizadas. Ao manter o contexto entre conversas, os agentes podem evitar perguntas repetidas e esquecer preferências críticas. O AgentCore Memory foi projetado para se integrar com outras ferramentas do Bedrock AgentCore, permitindo que desenvolvedores melhorem agentes existentes com capacidades de memória persistente sem gerenciar infraestrutura complexa. Essa abordagem difere de pilhas de memória “faça você mesmo”, que exigem orquestrar armazenamento de conversas, bancos de vetores, caches de sessão e lógica de recuperação personalizada. A documentação reforça que a memória é a base para relações humanas significativas: lembramos de conversas passadas, aprendemos preferências com o tempo e construímos contexto compartilhado. Para desenvolvedores de agentes de IA, implementar memória sempre foi um desafio técnico que afeta a experiência do usuário. O AgentCore Memory se posiciona como uma solução que unifica a gestão de memória com as ferramentas principais do agente sob um serviço totalmente gerenciado. Com esse serviço, a memória não se resume a armazenar dados — trata-se de transformar interações brutas em conhecimento relevante e utilizável ao longo de sessões. Assim, os agentes podem manter conversas mais longas e coerentes, com foco em personalização e proatividade.

O que há de novo

O AgentCore Memory traz uma nova camada totalmente gerenciada para memória de agentes dentro do ecossistema Bedrock AgentCore. Ele fornece uma camada de memória hospedada com mecanismos integrados para coletar dados de interação brutos (memória de curto prazo) e extrair percepções persistentes (memória de longo prazo). O serviço inclui tratamento seguro de dados, opções de retenção e um modelo de operação que favorece adoção rápida com escalabilidade para casos avançados. Ele é projetado para trabalhar junto com outros componentes do Bedrock AgentCore, como o AgentCore Runtime e o AgentCore Observability, oferecendo uma experiência de desenvolvedor coesa ao longo de todo o ciclo do agente. A abordagem enfatiza um design orientado por API com defaults já verificados, para que desenvolvedores possam habilitar memória básica rapidamente e escalar para necessidades mais sofisticadas com o tempo. A documentação também aponta padrões práticos para implementar recursos de memória, incluindo ingestão orientada por eventos, extração assíncrona de memória de longo prazo e organização estruturada por meio de namespaces. Mantendo a gestão de memória abstrata, o AgentCore Memory reduz o tempo para entregar soluções de atendimento ao cliente, assistentes virtuais e outras experiências interativas.

Por que isso importa (impacto para desenvolvedores/empresas)

• Acelera o desenvolvimento e a implantação ao eliminar a necessidade de montar e operar infraestrutura de memória distribuída.
• Habilita interações verdadeiramente contextuais e personalizadas, mantendo contexto de sessão e percepções entre sessões.
• Melhora a experiência do usuário ao reduzir perguntas repetitivas e manter preferências, o que também diminui latência e custos operacionais.
• Suporta cenários multi-tenant e multi-agente via um modelo hierárquico de namespaces, permitindo separação clara entre memórias de usuários e agentes.
• Oferece segurança robusta: dados criptografados em repouso e em trânsito; chaves gerenciadas pela AWS são usadas por padrão, com opção de usar chaves KMS gerenciadas pelo cliente para maior controle.

Detalhes técnicos ou Implementação

O AgentCore Memory é construído em torno de vários componentes que trabalham juntos para oferecer contexto de curto prazo e inteligência de longo prazo para os agentes de IA.

• Recurso de memória: um contêiner lógico que abriga eventos brutos e memórias de longo prazo processadas. Define retenção, segurança e como as interações brutas viram insights. Ao criar um recurso de memória, é possível especificar a duração de expiração de eventos (até 365 dias) para controlar a retenção de dados de curto prazo. Todos os dados são criptografados em repouso e em trânsito. Por padrão, chaves gerenciadas pela AWS são utilizadas, com opção de usar chaves KMS gerenciadas pelo cliente.
• Memória de curto prazo: armazena dados de interação brutos como eventos imutáveis, organizados por ator (actor) e sessão. Esses eventos podem ser “Conversations” (USER/ASSISTANT/TOOL ou outros tipos de mensagem) ou “blob” (contêm conteúdo binário que pode ser usado para checkpoints ou estado do agente). Dos dois tipos, apenas os eventos Conversational são usados para extração de memória de longo prazo. A criação de um evento normalmente requer três identificadores; essa estrutura hierárquica permite recuperação precisa do contexto sem carregar dados desnecessários.
• Memória de longo prazo: armazena percepções, preferências e conhecimento derivados de eventos brutos. Diferentemente da memória de curto prazo, a memória de longo prazo captura informações significativas que persistem entre sessões. A extração acontece de forma assíncrona após a criação dos eventos, seguindo as estratégias de memória definidas no recurso de memória.
• Namespaces: estrutura hierárquica dentro da memória de longo prazo, funcionando como caminhos de arquivo. APIs de namespace ajudam a organizar memórias por agente, usuário ou tipo de memória, facilitando operações em ambientes multi-tenant. O uso de placeholders dinâmicos permite criar namespaces sem codificação rígida de identificadores.
• Estratégias de memória: definem a camada de “inteligência” que transforma eventos brutos em memórias úteis. Cada estratégia é associada a um namespace onde as memórias extraídas são armazenadas. Todas as estratégias padrão ignoram informações de identificação pessoal (PII) por padrão. O Bedrock AgentCore também oferece estratégias de memória personalizadas, que permitem escolher um modelo de linguagem específico e reescrever prompts de extração e consolidação para atender a domínios ou casos de uso.
• Arquitetura e integração: os componentes funcionam juntos para oferecer uma memória ampla, com integração fluida aos demais componentes do Bedrock AgentCore, contribuindo para uma experiência de desenvolvimento coesa sem exigências de integração de múltiplos serviços de forma manual.
• Funcionalidades avançadas: branching permite criar caminhos alternativos a partir de um ponto na história, utilizando o mesmo actor_id e session_id; checkpoints salvam estados específicos da conversa, que podem ser retornados a posteriori; o payload blob pode ingerir dados em formatos variados e não precisa ser estritamente conversational, embora esses dados não sejam usados na extração de memória de longo prazo.
• Exemplo de uso: o material de documentação inclui um exemplo de criação de um recurso de memória para um agente de suporte ao cliente usando um cliente Boto3, ilustrando como programaticamente estabelecer recursos de memória e iniciar a captação de eventos.

Para referência prática, veja a postagem no blog da AWS vinculada nas Referências.

Tabela: visão geral de componentes-chave

| Componente | Propósito | Observações |---|---|---| | Recurso de memória | Base para dados de memória e políticas de retenção | Define expiração de eventos (até 365 dias) e configurações de segurança |Memória de curto prazo | Armazena eventos brutos por sessão | Inclui eventos Conversational e blob; alimenta a memória de longo prazo |Memória de longo prazo | Armazena percepções e preferências extraídas | Persiste contexto entre sessões |Namespaces | Organização hierárquica de memórias | Suporta multi-tenant e separação entre agentes/usuários |Estratégias de memória | Controla extração e consolidação | 3 estratégias embutidas; suportam personalização |Branching | Permite caminhos de conversa alternativos | Usa rootEventId e nome de branch |Checkpoints | Salva pontos de conversa | Recuperáveis via GetEvent API; blob pode armazenar dados não conversacionais |

Principais conclusões

• O AgentCore Memory oferece uma camada de memória completamente gerenciada que cobre necessidades de contexto de curto prazo e memória persistente de longo prazo para agentes de IA.
• O serviço reduz o tempo de entrega ao eliminar a montagem e operação de infraestrutura de memória distribuída.
• Namespaces e estratégias de memória permitem organização escalável entre vários agentes e usuários.
• Recurso avançados, como branching e checkpoints, apoiam gerenciamento de diálogos complexo e preservação de estado.
• Controles de segurança, criptografia em repouso e em trânsito e a opção de chaves KMS personalizadas ajudam a atender requisitos empresariais.

Referências

• https://aws.amazon.com/blogs/machine-learning/amazon-bedrock-agentcore-memory-building-context-aware-agents