← Financial Cloud Cloud 云端社群 · Amarathon 2025 回顾

极点宏观|Financial Cloud Cloud · AWS Amarathon 2025

极点宏观|Amarathon 2025 回顾 06:从「匹配」到「理解」:由 AgentCore Memory 驱动的个性化 AI 搜索实践

演讲者: Liu Cao

场次: 06

场次
Summit Dev Lounge2026 Re:cap
01 把架构写成 Steering,引导 AI Agent
02 Agent Harness 才是真正的工程护城河
03 用白话询问可观测性数据
04 以 Bedrock AgentCore 打造 Serverless AR 游戏
05 AgentCore 上的多 Agent 量化回测
06 三分钟用 Kiro 把博客变成幻灯片
AWS Community Day Hong Kong 2025 Re:cap
02 使用 Terraform 实现 AWS 合规
03 从初学者到构建者:一段精彩的 AWS 云之旅
04 以团队为先:使用 Laravel 与 Bref 开展无服务器工程
05 活动开幕式
06 智能体到智能体:在 AWS 上构建可互操作的 AI
07 利用另一类遥测数据,借助 AI 智能体更快改进
08 告别氛围编程:使用 Kiro 进行规格驱动开发
09 使用 MCP 与 AI 智能体进行自动化测试
10 使用机器学习方法实现电信安全现代化
11 重新思考生成式 AI 智能体:RAG 与 MCP
12 使用 TAK 和 AWS 开展灾难与应急响应
13 从测试视角重新思考无服务器应用程序工作流
14 Practical AWS FinOps for Cloud Success
15 基于 AWS 的 AI 驱动全球纯 Alpha 宏观交易:重塑风险调整后资产收益
FSI Recap
01 现代交易生命周期:从交易到结算
02 Goldman Sachs:通过 Fast Track 加速应用程序上云 - AWS Re:cap Q1/2023
03 Zurich Insurance Group:在 AWS 上构建高效的日志管理解决方案
04 FSI Meetup 2025 年第四季度 - Brex 数据库灾难恢复
05 FSI Meetup 2025 Q4 - Graviton 迁移成功案例
06 FSI Meetup 2025 Q4 - Stifel 现代数据平台
07 FSI Meetup 2025 Q4 - PayPal 金融交易数据对账系统
08 FSI Meetup 2025 Q4 - 规模化提升韧性
09 最大限度提高 AI 推理成本效益:战略性采用 AWS GPU 实例
10 高级智能体 AI 设计模式
11 在 AWS 上构建全新的现代化应用
AWS re:Invent 2025
01 Coinbase re:Invent 回顾 (IND3312)
02 利用 AI 和 AWS 构建未来交易平台
03 交易创新:Jefferies 基于 Amazon Bedrock 构建的 AI 助手 (IND3315)
04 FSI 如何通过 Agentic AI (GBL302) 彻底改变 HFT 分析
05 使用 Amazon Time Sync 改进分布式系统(采用 Nasdaq)
06 Amazon Aurora HA 和 DR 全球弹性设计模式 (DAT442)
07 构建智能体式 AI:Amazon Nova Act 与 Strands Agents 实践 (DEV327)
08 深入探讨 Amazon Aurora 及其创新 (DAT441)
09 深入探讨 Amazon S3(STG407)
10 Nasdaq:为全球金融服务构建弹性基础设施 (HMC327)
11 AWS Lambda 新功能 (CNS376)
12 使用 Kiro 进行规范驱动开发 (DEV314)
13 Amazon 的 FinOps:全球电商巨头的云成本管理经验 (AMZ308)
14 AWS 上交易平台的 Tick-to-Trade 延迟
政务数据
01 The AI Era: The Boundary Between Development and Design Is Disappearing
02 端侧多模态 AI 与智慧城市实践
03 大模型能力评测与 AI 项目落地方法论
04 基于云代理的政府开发全链路受控自动化
05 从多智能体看 Agent 时代软件新生态
06 AI 驱动的宏观量化研究与智慧治理
07 公共数据授权运营与智慧政务实践
08 数据资产化落地实践:确权合规、工程治理与数字政府案例
09 AI技术赋能心理健康公益:可信平台的治理、架构与实践
Amarathon 2025 回顾
01 开发者的智能体架构设计路线图
02 Amazon Bedrock 数据自动化
03 AgentCore 上的多智能体
04 实践中构建智能体式 AI:Nova Act 与 Strands Agents
04 使用规格驱动开发,通过 Kiro 加速迁移项目
06 从「匹配」到「理解」:由 AgentCore Memory 驱动的个性化 AI 搜索实践
07 从观察到优化:从 LLM 可观测性迈向 AIOps,将实时洞察转化为智慧自动化
08 部署 TEAM 并打造最佳工程团队
09 五年来所谓无服务器数据库带来的五个惨痛教训
14 如果 AI 替我工作会怎样:Q Developer CLI 与 Kiro 如何改变我的日常工作
16 兼顾速度与警觉:Amazon Bedrock Agent 开发的安全要点
26 在单张 H100 上运行 OSS LLM:更智能、更便宜、更快速
28 现代统一元数据架构:打破数据孤岛的新方法
29 无服务器 MediaOps:使用 Amazon Web Services 上的 AI 自动化视频工作流
30 通过大规模性能测试构建兼具效率与可靠性的架构
31 通过开源连接世界:技术、社区与全球开发者关系的实践历程
33 构建流式 Iceberg 表以进行实时物流分析
34 加速大规模机器人策略训练:基于 Kiro、Trainium 和 EKS 的自动化闭环架构
35 通过规格驱动开发,从 Vibe 走向可行方案
36 让云成本分析更智能:使用 Strands 和 AgentCore 构建 FinOps 智能体
37 使用 CNCF Kagent、K8sGPT 和 Nova Sonic 转型 K8s 对话式智能体 AIOps

搜索

● 搜索引擎架构流程

输入

● 查询

检索方法(来自 Query)

● 以倒排索引为基础的词汇匹配

● 以项目为基础的协同过滤

● 以 Embedding 为基础的检索

合并阶段:将三种检索方法的输出合并为

● 不重复的无序产品集合

排序阶段

● 预排序

● 相关性排序

● 排序

混合排序(Mix-Ranking)的其他输入

● 广告

● 内容媒体

最终排序阶段

● 混合排序


使用语义匹配强化产品匹配的系统架构

输入

● 查

询匹配组件

● 行为数据

● 关键字匹配

● 语义匹配

数据流程

● Query 会输入至关键字匹配与语义匹配

● 行为数据会向排序提供行为信号

● 关键字匹配与行为数据会形成无序的匹配集合

● 语义匹配会向排序处理阶段提供语义相似

度分数

● 排序输

出

● 有序产品清单 LLM


Agent

工作流程

● Query -->LLM -->计划

● 计划 -->LLM -->动作

● 动作 -->「计划是否完成?」(决策点)

● 若为「是」-->LLM -->完成答案

● 若为「否」-->返回「动作」(经由一个 LLM 步骤)

决策逻辑

● 使用 LLM 判断计划是否完成。 差异

● 01

传统搜索

● 依赖关键字匹配

● 网页连结权重排序

● 目标是快速检索大量信息 02 AI

搜索

● 语义理解

● 将相关信息注入向量 + 关键字

● 大型模型汇整信息

● 目标是准确回答用户问题


记忆

● 具备上下文存储空间的 LLM 架构

主要组件

● 用户

● 聊天 APP

● LLM(无状态)

● 上下文存储工

作流程

● 传送消息(从用户至聊天 APP)

● 携带完整上下文(从聊天 APP 至 LLM)

● 返回响应(从 LLM 至聊天 APP)

● 存储历史记录(从聊天 APP 至上下文存储空间)

● 返回结果(从聊天 APP 至用户)

上下文存储内容

● System Prompt

● 第 1 轮:用户问题

● 第 1 轮:AI 回答

● 第 2 轮:用户问题

● 第 2 轮


AI 回答 Agentic 系统架构

● 使用 LLM 管理对话中的记忆与知识图谱

数据流程与提取

● 输入:将对话(消息)输入系统。

● 提取 LLM:大型语言模型处理消息以产生结构化数据。

● 输出:「新记忆」与「新实体及关系」。

存储组件

● 向量数据库:存储「既有 + 新记忆」,以供检索与更新。

● 图形数据库:存储「既有 + 新实体及关系」,以供更新。

更新与管理

● 更新 LLM:第二个 LLM 负责管理将数据更新回数据库的作业。

● 功能:管理两个数据库的「存储更新」。

● 作业:包含对存储数据执行明确的「新增」、「删除」与「更新」动作。

整体目标

● 记忆新增:整个系统可持续存储与管理对话上下文及提取出的知识。


强化型上下文

存储系统的组件与定义

● System Prompt:系统指示或设置。

● 对话历史:对话记录。

● 工具定义:AI agent 可用的函数。

● weather_api():需要 location、date

● calculator():需要 expression

● 思考:agent 的推理过程。

记忆互动

● 提取(从思考至记忆)

● 回写(从记忆至思考)

● 记忆:长期或短期知识库。

工作流程示例:「查询天气(华氏)」

● 用户:查询天气(华氏)

● AI:需要调用 weather API

● 工具使用历史:

● 调用:weather_api(location='Beijing', date='today')

● 返回:{'temperature': 25, 'condition': 'sunny'}

● 调用:calculator(expression='25*1.8+32')

● 返回:77

优点

● 长期保留与高效率管理

● 持续更新知识

● 个性化服务

● 支持复杂任务

● 改善互动质量

● 从无状态转为有状态


AgentCore Memory

Amazon Bedrock AgentCore

● 无须管理基础设施即可使用任何框架与模型,安全地大规模构建、部署及运营高性能 Agents。

组件

● Runtime

● Memory

● Identity

● Gateway

● Code Interpreter

● Browser Tool

● Observability

简化的记忆系统管理

● 将记忆基础设施抽象化

● 以 serverless 架构为基础,可自动扩展

● 自动存储及管理 Agents 跨多个会话的上下文信息

企业级服务

● 为每位客户提供专属存储空间,充分保障数据隐私

● 提供加密保护与区域化数据存储,以满足企业级安全需求

深度定制

● 依特定应用场景定制记忆模式

● 设置长期记忆提取规则

● 选择合适的模型并自定义提示词,以优化长期记忆提取效果 Agent 记忆组件


Agent

Core

● Agent 推理

● Agent 状态

● 知识组件

● 工具调用

● 政策定义

短期记忆

● 上下文视窗

● 对话历史

● 工具调用历史

长期记忆

● 事件摘要

● 用户个人文件信息

● 文件信息

连接

● 存储-位于 Agent Core 与 Memory 组件之间

● 检索-位于 Memory 组件与自动记忆检索模块之间

● 自动记忆检索模块


使用 Amazon Bedrock AgentCore Memory 的 Agent 架构与优点

Agent 功能

● 智慧 agent 会自动将复杂的用户需求(例如:「为需要执行设计软件的大学生推荐一台 5000 元人民币以下的笔记本电脑」)拆解成多个并行子任务。

● 子任务示例:「大学生使用场景分析」、「预算筛选」、「软件执行需求匹配」。

AgentCore Memory 的优点

● 使用 AgentCore Memory 长期记忆的技术优势。

● 大幅加快 Agent 开发流程。

● 实现多项实际应用价值:

● 大幅降低依用户个人文件进行智慧搜索所需的 Token 使用量。

● 有效提升搜索结果的准确率。

● 在技术竞争力与成本效益方面带来重大突破。

系统图流程

● User Query 会进入 Agent Runtime Environment(Strands Agents)。

Strands Agents 会与下列项目互动

● 工具(用户偏好检索)

● Amazon Bedrock LLM(处理输出)

● AgentCore Memory

AgentCore Memory 管理

● 短期记忆(互动事件)

● 自动记忆提取

● 长期记忆(用户偏好)

● 此流程会产生 Agent Response 并返回给用户。