Bandingkan memori jangka panjang dengan Retrieval-Augmented Generasi
Long-term memori di Amazon Bedrock AgentCore Memory berfungsi sebagai penyimpanan persisten untuk konteks khusus sesi, memungkinkan agen untuk mempertahankan kontinuitas dan personalisasi di seluruh interaksi. Gunakan memori jangka panjang untuk menyimpan preferensi pengguna, keputusan masa lalu, riwayat percakapan, dan pola perilaku yang membantu agen beradaptasi dan merasa pribadi tanpa berulang kali meminta informasi yang sama. Jenis memori ini sangat ideal untuk melacak siapa pengguna, apa yang telah terjadi di sesi sebelumnya, dan mempertahankan status di seluruh alur kerja multi-langkah.
Retrieval-Augmented Generasi (RAG) melengkapi memori jangka panjang dengan menyediakan akses ke informasi terkini yang otoritatif dari repositori skala besar. Gunakan sistem ini untuk mengambil dokumentasi terkini, spesifikasi teknis, kebijakan, dan keahlian domain yang mungkin terlalu besar atau tidak stabil untuk penyimpanan jangka panjang. RAG memastikan akurasi faktual dengan menarik langsung dari sumber yang dikuratori pada waktu kueri, menjadikannya ideal untuk mengakses apa yang dikatakan sumber otoritatif saat ini. Salah satu opsi untuk mengintegrasikan RAG ke agen Anda adalah dengan menggunakan Basis Pengetahuan Amazon Bedrock. Untuk informasi selengkapnya, lihat Mengambil data dan menghasilkan respons AI dengan Pangkalan Pengetahuan Amazon Bedrock di panduan pengguna Amazon Bedrock.
Perbedaan utama terletak pada peran pelengkap mereka: memori jangka panjang menangani konteks pribadi dan kontinuitas sesi, sementara RAG memberikan pengetahuan faktual dan keahlian domain saat ini. Long-term memori menjawab “siapa pengguna dan apa yang terjadi sebelumnya,” sementara RAG menjawab “apa yang dikatakan sumber tepercaya saat ini.” Pemisahan ini memungkinkan agen untuk menjaga hubungan pribadi dengan pengguna sambil memastikan akses ke informasi yang akurat dan otoritatif.
Dengan menggunakan memori panjang dan RAG bersama-sama, agen Anda dapat memberikan pengalaman yang dipersonalisasi melalui konteks yang diingat dan informasi yang dapat diandalkan melalui pengambilan pengetahuan waktu nyata. Bagi pelanggan Anda, agen Anda akrab dan membumi secara faktual.
