Lebenszyklus-Richtlinien für AgentCore Memory

AWS hat ein Framework für das Lebenszyklusmanagement von Agenten-Speicher in Amazon Bedrock AgentCore veröffentlicht. Das Ziel ist die Aufrechterhaltung der Antwortqualität bei langlaufenden KI-Agenten und die Reduzierung von Compliance-Risiken.

Kernproblem

Langlaufende Agenten sammeln im Zeitverlauf große Mengen an Konversationsdaten („Erinnerungen“). Ohne aktives Management können sie veraltete oder irrelevante Informationen referenzieren, was die Qualität der Interaktionen mindert und regulatorische Risiken, insbesondere im Kontext der DSGVO, erhöht.

Das dreigliedrige Framework

Das vorgestellte Framework basiert auf drei komplementären Richtlinien:

• Systematisches Scoring: Bewertung der Relevanz einzelner Erinnerungen.
• Konsolidierung: Zusammenführung verwandter Erinnerungen zu prägnanten semantischen Einträgen.
• Bereinigung (Pruning): Entfernung irrelevanter oder veralteter Einträge.

Kategorisierung der Erinnerungen

AWS unterscheidet drei Speichertypen mit unterschiedlicher Lebensdauer und Wertigkeit:

• Episodische Erinnerungen: Zeitgestempelte Protokolle einzelner Konversationen. Hochvolumig, sitzungsgebunden und sollten zuerst ablaufen.
• Semantische Erinnerungen: Destillierte Fakten und Präferenzen, entkoppelt von einzelnen Sitzungen. Kompakt, wertvoll und langlebig.
• Prozedurale Erinnerungen: Gelernte Arbeitsabläufe und Tool-Nutzungsmuster. Geringvolumig, aber für viele Anwendungsfälle besonders wertvoll und mit der längsten Aufbewahrungsdauer.

Drei zentrale Lebenszyklus-Richtlinien

1. TTL-basierte Ablauffrist (Time-to-Live): Automatische Löschung nach konfigurierter Zeitspanne. AgentCore Memory bietet keine native Auto-Delete-Funktion; die Umsetzung erfolgt über systemgenerierte Zeitstempel (x-amz-agentcore-memory-createdAt) und BEFORE-Filter in der ListMemoryRecords-Operation.

2. Relevanz-Abkling-Scoring: Gewichtete Bewertung auf Basis von Erstellungszeit (W_RECENCY 0.4), letztem Zugriff (W_ACCESS 0.35) und Zugriffshäufigkeit (W_FREQUENCY 0.25). Der Parameter pruneDays (Standard 45 Tage) steuert den Abklingverlauf. Da die Memory-API kein lastAccessedAt-Feld bereitstellt, wird AWS CloudTrail zur Erfassung von GetMemoryRecord-Ereignissen genutzt.

3. LLM-basierte Konsolidierung: Erinnerungen mit niedrigem Score werden vor der Löschung mit einem Large Language Model (Beispiel: Claude Sonnet 4.5 via Amazon Bedrock) zu einem kompakten semantischen Eintrag zusammengefasst. In Produktionsumgebungen kommen Amazon Bedrock Guardrails und Grounding-Checks zum Einsatz.

Technische Umsetzung

Der gesamte Lebenszyklus wird als nächtlicher Workflow mittels AWS Step Functions State Machine orchestriert, die über Amazon EventBridge getriggert wird. Die Schritte umfassen Memory Pruner, Memory Scorer, Memory Consolidator, Metrics Emitter und Run Output Writer. Fehler führen zu Benachrichtigungen über Amazon SNS.

Die Lösung wird als AWS CDK Stack bereitgestellt. Sämtliche Speicheränderungen werden in CloudWatch Logs und via CloudTrail protokolliert.

Quelle: AWS AI Blog

FAQ

Welche Erinnerungstypen haben die längste Aufbewahrungsdauer?
Prozedurale Erinnerungen, die gelernte Arbeitsabläufe und Tool-Nutzungsmuster kodieren.

Wie wird das letzte Zugriffsdatum ermittelt, wenn die Memory-API dieses nicht speichert?
Über AWS CloudTrail durch Erfassung von GetMemoryRecord-Datenereignissen.

Welche Compliance-Funktion unterstützt das „Recht auf Vergessenwerden“ nach DSGVO?
Ein dedizierter GDPR Deletion Handler, der alle Erinnerungen eines bestimmten Benutzers löschen kann.

Welches LLM wird im Blog-Beispiel für die Konsolidierung verwendet?
Claude Sonnet 4.5 über Amazon Bedrock.