長期メモリと検索拡張生成を比較する

Amazon Bedrock AgentCore Memory の長期メモリは、セッション固有のコンテキストの永続的ストレージとして機能し、エージェントがインタラクション全体で継続性とパーソナライゼーションを維持できるようにします。長期メモリを使用して、ユーザーの好み、過去の決定、会話履歴、行動パターンを保存し、エージェントが同じ情報を繰り返し要求せずに適応し、個人的に感じられるようにします。このメモリタイプは、ユーザーが誰であるか、以前のセッションで何が起こったかを追跡し、複数ステップのワークフロー全体で状態を維持するのに最適です。

Retrieval-Augmented Generation (RAG) は、大規模なリポジトリからの信頼できる現在の情報へのアクセスを提供することで、長期メモリを補完します。これらのシステムを使用して、長期ストレージには大きすぎる、または変動する可能性のあるup-to-dateドキュメント、技術仕様、ポリシー、ドメインの専門知識を取得します。RAG は、クエリ時に厳選されたソースから直接プルすることで事実の正確性を確保し、信頼できるソースの発言に今すぐアクセスするのに最適です。RAG をエージェントに統合する 1 つのオプションは、Amazon Bedrock ナレッジベースを使用することです。詳細については、「Amazon Bedrock ユーザーガイド」の「Amazon Bedrock ナレッジベースを使用してデータを取得し、AI レスポンスを生成する」を参照してください。

主な違いは補完的な役割にあります。長期的なメモリは個人のコンテキストとセッションの継続性を処理し、RAG は現在の事実に関する知識とドメインの専門知識を提供します。長期メモリは「誰がユーザーで、何が以前に起こったか」と答え、RAG は「信頼できるソースが現在何を言っているか」と答えます。この分離により、エージェントは正確で信頼できる情報へのアクセスを確保しながら、ユーザーとの個人関係を維持できます。

ロングメモリと RAG を一緒に使用することで、エージェントはリアルタイムのナレッジ取得を通じて、記憶されたコンテキストと信頼できる情報の両方を通じてパーソナライズされたエクスペリエンスを提供できます。顧客にとって、エージェントは使い慣れており、事実に基づいています。