Как наделить ИИ-агента семантической памятью без векторной базы данных

В этой статье рассматривается реализация долговременной семантической памяти для serverless ИИ-агентов с использованием встроенного векторного поиска Amazon DynamoDB и эмбеддингов Amazon Bedrock. Хранение векторов непосредственно вместе с операционными данными в DynamoDB позволяет отказаться от специализированных векторных баз данных и сложных конвейеров синхронизации. Автор доказывает, что этот подход значительно быстрее решений на базе S3, обеспечивая примерно 2.5-кратное ускорение записи и 1.4-кратное ускорение поиска в тестах p50. В руководстве подробно описаны три уровня памяти агента: состояние, сессия и долговременная память, а также приведена практическая реализация с использованием Strands Harness. Этот метод особенно эффективен для операционных данных в высоконагруженных процессах, тогда как хранилища на базе S3 лучше подходят для больших статических наборов данных, таких как архивы документов. Демонстрация включает скрипты настройки, вспомогательные функции для эмбеддингов и метрики производительности для интеграции семантической памяти в архитектуры на базе AWS Lambda.