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
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。