Amazon Bedrock ajoute une récupération sensible à la mémoire pour les agents IA multi-locataires
AWS intègre la mémoire d'AgentCore aux bases de connaissances gérées pour permettre un RAG personnalisé et conscient du contexte, tout en appliquant des contrôles stricts d'accès aux documents.
Traduit automatiquement depuis l'original anglais.
Amazon Web Services a introduit une nouvelle intégration entre Amazon Bedrock Managed Knowledge Base et la mémoire d'Amazon Bedrock AgentCore. Cette mise à jour permet aux développeurs de créer des agents IA qui se souviennent du contexte spécifique à l'utilisateur entre les sessions, tout en respectant strictement les contrôles d'accès aux documents. La fonctionnalité a été annoncée le 16 novembre 2026, ciblant les ingénieurs qui construisent des assistants d'entreprise multi-locataires.
Ce qui s'est passé
Auparavant, la création d'une application fondée sur des connaissances obligeait les développeurs à gérer manuellement l'historique des conversations, à extraire des faits durables des interactions passées et à injecter ces faits dans les requêtes de recherche. Ce processus était complexe, surtout lorsqu'il fallait garantir que chaque utilisateur dans un environnement multi-locataire n'avait accès qu'aux documents autorisés. Les développeurs devaient construire une infrastructure personnalisée pour stocker les conversations, isoler les données par utilisateur et maintenir la synchronisation entre le contexte utilisateur et la récupération de documents.
La nouvelle intégration automatise ces étapes en permettant à la mémoire d'AgentCore d'agir comme source de récupération parallèlement à la base de connaissances. En ajoutant une memoryConfiguration à la requête AgenticRetrieveStream, le service restaure automatiquement l'historique des conversations, extrait les faits pertinents à long terme et les utilise pour affiner les requêtes de recherche. Le système gère la restauration de session, la recherche en mémoire et la persistance, tandis que la base de connaissances continue de gérer l'ingestion, l'indexation et le classement.
Cette approche garantit que chaque réponse est ancrée à la fois dans le contexte historique de l'utilisateur et dans les documents auxquels il est autorisé à accéder. L'intégration est optionnelle et compatible avec les versions antérieures, ce qui signifie que les applications existantes peuvent l'adopter sans modifications cassantes. L'application reste uniquement responsable de l'authentification de l'utilisateur et de la transmission de son identité, tandis qu'AWS gère l'orchestration complexe de la mémoire et de la récupération.
Comment cela fonctionne
Le mécanisme repose sur la correspondance de l'identité de l'utilisateur avec deux revendications distinctes issues d'un jeton d'authentification, tel que celui émis par Amazon Cognito. L'adresse e-mail de l'utilisateur est utilisée pour filtrer les documents via les listes de contrôle d'accès (ACL) dans la base de connaissances, garantissant qu'il ne voit que le contenu autorisé. Parallèlement, un identifiant utilisateur stable, tel que le sub de Cognito, sert d'actorId pour l'isolation de la mémoire. Cette séparation évite les problèmes où le changement d'une adresse e-mail pourrait accidentellement accorder à un nouvel utilisateur l'accès à l'historique de conversation d'une autre personne.
Lorsqu'un utilisateur envoie une requête, l'application transmet le userContext et la memoryConfiguration à l'API AgenticRetrieveStream. Le service restaure d'abord la mémoire à court terme pour la session actuelle, puis recherche éventuellement dans la mémoire à long terme des faits pertinents, tels que les préférences de l'utilisateur ou des détails mentionnés précédemment. Un composant planificateur décide si ces mémoires sont utiles pour la question actuelle et les incorpore dans les sous-requêtes envoyées à la base de connaissances. Après avoir généré une réponse, le système sauvegarde l'interaction dans la mémoire de manière asynchrone.
La sécurité est renforcée par des politiques IAM conditionnées par des étiquettes de session. L'application assume un rôle IAM étiqueté avec l'ID de l'utilisateur, et les politiques IAM restreignent l'accès à la mémoire aux espaces de noms contenant cet ID spécifique. Cela garantit que, même si le code de l'application contient des erreurs, l'infrastructure sous-jacente empêche un utilisateur d'accéder aux enregistrements de mémoire ou aux documents d'un autre.
Détails clés
- L'intégration utilise
AgenticRetrieveStreamavec un paramètrememoryConfigurationpour activer la récupération sensible à la mémoire. - L'identité de l'utilisateur est divisée : les adresses e-mail filtrent les ACL des documents, tandis que les IDs stables comme
subisolent les espaces de noms de la mémoire. - Deux stratégies de mémoire sont prises en charge : la stratégie de résumé pour capturer des faits occasionnels et la stratégie de préférence utilisateur pour les paramètres structurés.
- Les politiques IAM utilisent des étiquettes de session pour appliquer une isolation par utilisateur tant pour les enregistrements de mémoire que pour l'accès aux documents.
- Le système prend en charge l'extraction asynchrone des enregistrements à long terme, maintenant une latence de réponse faible pendant les chats actifs.
- Les bases de connaissances existantes avec des sources de données activant les ACL, telles qu'Amazon S3 ou SharePoint, fonctionnent sans modification.
Pourquoi c'est important
Pour les ingénieurs logiciels qui construisent des assistants IA d'entreprise, cette mise à jour réduit considérablement la charge opérationnelle liée au maintien d'agents avec état. Au lieu de concevoir des bases de données personnalisées pour l'historique des conversations et d'écrire une logique complexe pour injecter le contexte dans les invites, les développeurs peuvent compter sur un service géré. Ce changement permet aux équipes de se concentrer sur la logique de l'application et l'expérience utilisateur plutôt que sur les subtilités de la gestion de l'état et de l'isolation des données.
La séparation stricte entre l'accès aux documents et le contexte de mémoire répond également à une préoccupation de sécurité critique dans les environnements multi-locataires. En exploitant les conditions IAM et les ACL au niveau de l'infrastructure, les organisations peuvent assurer la conformité aux politiques de gouvernance des données. Cela réduit le risque de fuite accidentelle de données, une vulnérabilité courante lorsque les développeurs gèrent manuellement le contexte utilisateur et la récupération de documents dans du code personnalisé.
De plus, la capacité de personnaliser les réponses en se basant sur la mémoire à long terme améliore l'utilité des agents IA. Les utilisateurs s'attendent à ce que les assistants se souviennent de leurs préférences et de leurs discussions précédentes, tout comme un collègue humain. Cette intégration rend possible la fourniture de telles expériences à grande échelle sans compromettre la sécurité ou les performances, permettant des interactions plus naturelles et efficaces dans le support client, les helpdesks informatiques internes et autres cas d'utilisation d'entreprise.
Ce que vous pouvez faire
- Mettez à jour votre SDK AWS vers Boto3 1.43.72 ou version ultérieure pour accéder aux nouveaux paramètres
memoryConfiguration. - Examinez votre flux d'authentification pour vous assurer que vous pouvez extraire à la fois un ID utilisateur stable et une adresse e-mail vérifiée depuis votre fournisseur d'identité.
- Concevez vos espaces de noms de mémoire en utilisant le placeholder
{actorId}pour garantir une isolation automatique pour chaque utilisateur. - Configurez les rôles IAM avec l'étiquetage de session pour appliquer des contrôles d'accès stricts sur les ressources de mémoire et les requêtes de base de connaissances.
- Testez l'intégration avec un petit groupe d'utilisateurs pour vérifier que les ACL des documents et la récupération de mémoire fonctionnent comme prévu.
- Envisagez d'activer à la fois les stratégies de mémoire de résumé et de préférence utilisateur pour capturer une gamme plus large d'informations contextuelles.



