장기 메모리와 검색 증강 생성 비교

Amazon Bedrock AgentCore 메모리의 장기 메모리는 세션별 컨텍스트를 위한 영구 스토리지 역할을 하므로 에이전트는 상호 작용 전반에 걸쳐 연속성과 개인화를 유지할 수 있습니다. 장기 메모리를 사용하여 동일한 정보를 반복적으로 요청하지 않고도 에이전트가 적응하고 개인적으로 느끼는 데 도움이 되는 사용자 기본 설정, 과거 결정, 대화 기록 및 행동 패턴을 저장할 수 있습니다. 이 메모리 유형은 사용자가 누구인지, 이전 세션에서 발생한 일을 추적하고 다단계 워크플로에서 상태를 유지하는 데 적합합니다.

검색 증강 생성(RAG)은 대규모 리포지토리의 신뢰할 수 있는 최신 정보에 대한 액세스를 제공하여 장기 메모리를 보완합니다. 이러한 시스템을 사용하여 장기 스토리지에 비해 너무 크거나 휘발성일 수 있는 up-to-date 설명서, 기술 사양, 정책 및 도메인 전문 지식을 검색할 수 있습니다. RAG는 쿼리 시 큐레이션된 소스에서 직접 가져와 사실적 정확도를 보장하므로 현재 신뢰할 수 있는 소스에 액세스하는 데 이상적입니다. RAG를 에이전트에 통합하는 한 가지 옵션은 Amazon Bedrock 지식 기반을 사용하는 것입니다. 자세한 내용은 Amazon Bedrock 사용 설명서의 Amazon Bedrock 지식 기반을 사용하여 데이터 검색 및 AI 응답 생성을 참조하세요.

주요 차이점은 상호 보완적인 역할에 있습니다. 장기 메모리는 개인 컨텍스트 및 세션 연속성을 처리하는 반면 RAG는 현재 사실적 지식과 도메인 전문 지식을 제공합니다. 장기 메모리는 "사용자가 누구이고 이전에는 어떤 일이 발생했는가"라고 답하는 반면, RAG는 "신뢰할 수 있는 소스는 현재 무엇을 말합니까"라고 답합니다. 이렇게 분리하면 에이전트가 사용자와 개인 관계를 유지하면서 정확하고 신뢰할 수 있는 정보에 액세스할 수 있습니다.

긴 메모리와 RAG를 함께 사용하면 에이전트는 기억된 컨텍스트를 통해 개인화된 경험을 제공하고 실시간 지식 검색을 통해 신뢰할 수 있는 정보를 제공할 수 있습니다. 고객에게 에이전트는 익숙하고 사실적으로 근거가 있습니다.