Amazon Bedrock AgentCore 记忆管理：打分-整合-裁剪的夜间清理机制

记忆管理是保障 AgentCore 长期稳定性的关键。在生产环境中，未经清理的记忆会导致对话质量下降，甚至引发合规风险。例如，某客户四个月前的账单纠纷处理记录仍被 Agent 不断提及，不仅影响用户体验，在严格监管场景下可能触发数据保留违规。这种问题的根源在于对话记忆累积后未及时分类与清理，使得 Agent 在海量过时信息中难以准确判断上下文相关性。

解决方案需要超越简单的 TTL 机制，而是构建一套 "打分-整合-裁剪" 的夜间自动化流程。下文将介绍基于 AgentCore memory、AWS Step Functions 和 Bedrock 模型的实现路径，并参考官方提供的设计文档。

记忆分类与生命周期策略

记忆管理首先需明确三类记忆的定义及其保留策略：

1. 情节记忆 (Episodic memory)：

记录具体对话事件或操作步骤，如客户咨询记录或操作日志。这类记忆信息量大且快速失效，应作为优先清理对象。根据官方示例，其 "score, consolidate, prune" 流程明确指出，情节记忆应在 "14–30 天" 后自动评估相关性，低分记录将被删除。"This solution scores, consolidates, prunes, and deletes agent memories..."

1. 语义记忆 (Semantic memory)：

从对话中提炼的核心事实或用户偏好（如部署区域偏好）。这类记忆价值高且稳定，应保留 90 天以上，除非被新事实覆盖。清理流程会在删除情节记忆前，先检查其中是否包含可提取的语义事实，并将其合并到语义存储区。

1. 程序记忆 (Procedural memory)：

记录工作流模式（如成本分析流程）。这类记忆数量稀少且价值最高，通常 不设自动过期，仅在手动更新运行手册时进行更新。

异步清理架构实现

夜间清理流程不能与实时对话链路竞争资源，必须独立于主流程执行。具体步骤如下：

1. 定时触发与扫描：

使用 AWS Step Functions 部署定时触发器，每日凌晨扫描 AgentCore memory 中所有 标记为 Episodic 的条目。"This solution uses AWS Step Functions to orchestrate the nightly memory lifecycle management..."

1. 相关性打分：

调用 Bedrock 模型对记忆条目进行 相关性评分，结合时间戳过滤低分记录。"The solution scores memories based on relevance and recency..."

1. 语义合并与裁剪：

对即将过期的情节记忆进行语义提取，将提炼出的事实写入 Semantic memory 存储，然后删除原始情节记录。"If the system detects semantic facts in expiring episodic memories, it consolidates them into semantic storage..."

1. 资源管理：

通过 AWS CDK 部署的资源栈统一执行删除操作，确保存储空间不被垃圾信息占用。"The CDK stack includes resources for pruning and deletion, ensuring storage efficiency."

部署与参考配置

若需要复现此方案，可参考官方提供的 GitHub 仓库，其中包含完整的 CDK 堆栈模板和生命周期策略配置。"This is sample code for non-production usage. You should work with your security and legal teams to meet your organizational security, regulatory, and compliance requirements before deployment."

建议的保留阈值：

• Episodic Memory：14–30 天（低相关性记录优先清理）
• Semantic Memory：90 天以上（除非被新事实覆盖）
• Procedural Memory：无自动过期（手动更新为主）

此架构适用于 高频交互场景（如客服机器人或 IT 助手），而对于个人助理或数据量较小的场景，仅配合 GDPR 删除要求的 简单 TTL 机制 即可满足需求。未经治理的记忆累积会导致上下文窗口膨胀，进而增加推理成本并降低准确率。