sample-memory-lifecycle-policies-for-bedrock-agentcore
该 GitHub 示例提供一套可部署的 AWS CDK 架构，用于系统化地评分、整合和修剪 Amazon Bedrock AgentCore 代理记忆。方案将记忆分为情景、语义和程序三类，分别应用 TTL 过期（默认 90 天）、基于 CloudTrail 访问数据的三因子衰减评分，以及 Amazon Bedrock LLM 驱动的低分记忆整合。工作流由 EventBridge 定时触发 Step Functions 执行，包含 TTL 清理、评分、整合、指标发布和结果落盘，并提供 GDPR 删除处理器、CloudTrail 审计和基于 AgentCore Evaluations 的回归测试套件。所有阈值和权重均可通过 CDK context 调整。
访问官方网站使用场景
该 GitHub 示例提供一套可部署的 AWS CDK 架构，用于系统化地评分、整合和修剪 Amazon Bedrock AgentCore 代理记忆。方案将记忆分为情景、语义和程序三类，分别应用 TTL 过期（默认 90 天）、基于 CloudTrail 访问数据的三因子衰减评分，以及 Amazon Bedrock LLM 驱动的低分记忆整合。工作流由 EventBridge 定时触发 Step Functions 执行，包含 TTL 清理、评分、整合、指标发布和结果落盘，并提供 GDPR 删除处理器、CloudTrail 审计和基于 AgentCore Evaluations 的回归测试套件。所有阈值和权重均可通过 CDK context 调整。
优势
提供完整的开源示例和可部署 CDK 代码，降低实施门槛 三种策略互补，兼顾硬性保留期限、智能优先级和知识压缩 基于 CloudTrail 的真实访问数据，而非仅依赖创建时间 所有核心参数可通过 CDK context 调整，适应不同代理场景 内置 GDPR 删除处理器和 CloudTrail 审计日志，满足合规要求 使用 AgentCore Evaluations 的自动化回归测试，帮助避免过度修剪
缺点与限制
LLM 整合是损失性操作，可能丢失细微信息，需要置信度审查或冷存储归档 依赖 AWS Step Functions、Lambda、CloudTrail、Bedrock 等多个服务，实施复杂度较高 默认参数（如 pruneDays=45、memoryTtlDays=90）不一定适合所有代理，需按场景调优 CloudTrail 访问追踪存在 25 小时的日志回溯窗口，可能无法完全实时反映访问情况 当记忆量很大时，Bedrock 整合调用成本会上升（10 万条记忆时每月约 $50–$100） 未提供真实客户生产部署后的质量提升数据，仅有示例性观察