Amazon beskriver i en teknisk bloggpost hvordan AgentCore Memory bygger strukturert, vedvarende langtidsminne for agenter i Bedrock.
Bloggposten (15. oktober 2025) av Akarsha Sehwag, Dani Mitchell, Jay Lopez-Braus, Jiarong Jiang og Peng Shi forklarer en flertrinns pipeline der korte samtalehendelser ekstraheres asynkront av LLM-er til strukturerte minneposter etter tre innebygde strategier: semantisk minne, brukerpreferanser og sammendragsminne. Systemet bruker tidsstempler, tillater flere minner per hendelse og lar utviklere konfigurere strategier; dette gir både korttidsarbeidsminne og langtidsminne i en fullt administrert tjeneste. Dette er relevant i AI nyheter fordi det viser praktiske mekanismer for å gjøre interaksjoner vedvarende og handlingsorienterte.
Konsolideringsfasen henter semantisk like minner fra samme namespace og strategi, og sender nytt og eksisterende innhold til en LLM med en konsolideringsprompt. Modellen foreslår handlinger (ADD, UPDATE, NO-OP) for å slå sammen, oppdatere eller ignorere informasjon. Oppdateringer håndteres ved at utdaterte poster merkes som INVALID istedenfor å slettes, slik at det opprettholdes en audit trail, samtidig som nyere informasjon prioriteres. Systemet adresserer utfordringer som å skille meningsfull informasjon fra rutinemessig prat, slå sammen relaterte fakta over tid og sikre korrekt temporal kontekst og effektiv gjenfinning ved store minnelagre.
Relevans for Norge: Funksjoner for strukturert langtidsminne kan være nyttige for norske utviklere og virksomheter som bygger kontekstbevisste kunstlig intelligens (KI)-agenter som må huske preferanser og historikk over tid.
Kilde: https://aws.amazon.com/blogs/machine-learning/building-smarter-ai-agents-agentcore-long-term-memory-deep-dive | Sammendraget er KI-generert med OpenAI API av Ainy.no
