AWS Bedrock AgentCore Memory：命名空间级别三种长期记忆架构模式与IAM访问控制

AWS于2026年4月29日发布了Bedrock AgentCore Memory服务中智能体长期记忆组织的参考架构模式。由Noor Randhawa、Akarsha Sehwag和Piradeep Kandasamy撰写的文章介绍了针对不同用例的三种模式，并展示了IAM条件键如何在单个命名空间级别确保访问控制。

三种命名空间模式

1. Actor-Scoped（语义与偏好）

用户的事实和偏好通过多个会话积累，并在单一actor标识符下整合。结构：

/actor/{actorId}/facts/
/actor/{actorId}/preferences/

典型用例：应用程序用户设置、历史决策、个人档案记忆。

2. Session-Scoped（摘要）

对话摘要与特定交互绑定。结构：

/actor/{actorId}/session/{sessionId}/summary/

优势：在同一会话的后续轮次中减少词元消耗，同时避免无关对话之间的上下文混淆。

3. Episodic with Reflection Hierarchy

情节捕获单个会话内的推理轨迹，反思在父级命名空间层面跨会话泛化学习。这是最复杂的模式，适用于需要”从经验中学习”跨越用户会话的智能体。

两种关键API方法

AgentCore Memory区分：

• RetrieveMemoryRecords — 在智能体交互期间进行语义搜索，获取上下文相关记忆
• ListMemoryRecords — 枚举特定命名空间内的记忆，用于显示、审计或批量操作

区别很重要：前者进行向量搜索，后者是普通列表——用于审计工具、GDPR式删除或用户记忆管理。

命名空间级别的IAM访问控制

对于企业而言，也许最重要的部分是IAM条件键，用于严格的访问控制：

• bedrock-agentcore:namespace与StringEquals — 精确匹配访问
• bedrock-agentcore:namespacePath与StringLike — 层次化获取

动态作用域使用主体标签（如${aws:PrincipalTag/userId}）实现用户隔离——为一个用户工作的智能体不会意外获取另一个用户的记忆。

为何重要？

记忆目前是生产多智能体系统中最薄弱的环节——要么太小（静态提示上下文），要么太大（整个向量存储在用户之间泄漏）。AgentCore Memory命名空间模式为AWS客户提供了可审计、可IAM管理、可按actor整合的规范结构。

这与AWS同日发布的AgentCore MCP代理文章相互呼应（智能体与工具之间的治理层）——AWS正在逐层构建企业智能体栈：身份、记忆、工具访问、审计。