OutilsAWS ML Blog · 29 avr. 2026, 22:31· 2 min de lecture

Organiser la mémoire des agents à grande échelle : patterns de conception par namespace dans AgentCore Memory

Amazon a publié un guide technique détaillé sur la conception de namespaces dans AgentCore Memory, le système de mémoire à long terme intégré à Amazon Bedrock. La fonctionnalité, présentée dans un billet de blog officiel d'AWS, permet aux développeurs d'organiser les souvenirs de leurs agents IA sous forme de chemins hiérarchiques, similaires à des arborescences de fichiers. Concrètement, les préférences d'un utilisateur identifié comme customer-123 seront stockées sous /actor/customer-123/preferences/, tandis que les résumés de ses sessions individuelles seront rangés sous /actor/customer-123/session/session-789/summary/. Ces chemins sont générés automatiquement à partir de trois variables prédéfinies : {actorId} pour l'identifiant de l'utilisateur, {sessionId} pour la session en cours, et {memoryStrategyId} pour le type de stratégie mémoire utilisé. Le système prend en charge plusieurs stratégies superposées, notamment la mémoire sémantique pour les faits durables sur un utilisateur, et la mémoire de résumé pour les synthèses de sessions passées.

L'enjeu est concret : sans organisation rigoureuse, les agents IA récupèrent du contexte non pertinent lors de leurs requêtes, ce qui dégrade la qualité des réponses et peut créer des failles de sécurité, notamment en exposant les souvenirs d'un utilisateur à un autre. Le système de namespaces résout ces deux problèmes à la fois. D'un côté, la structure hiérarchique permet une récupération à granularité variable : on peut interroger la mémoire d'une session précise, l'ensemble des préférences d'un utilisateur à travers toutes ses sessions, ou encore des données communes à tous les utilisateurs d'un même agent. De l'autre, AWS intègre des contrôles d'accès IAM natifs qui permettent de délimiter précisément qui peut lire ou écrire dans quelle portion de la mémoire, sans dupliquer le stockage physique. Les namespaces sont des partitions logiques au sein d'une même ressource mémoire, une approche que les équipes habituées aux clés de partition DynamoDB ou aux préfixes S3 reconnaîtront immédiatement.

Ce guide s'inscrit dans une dynamique plus large : l'essor des agents IA en production crée une demande croissante pour des infrastructures mémoire robustes et sécurisées. Amazon Bedrock, qui concurrence directement les offres d'OpenAI, Google et Microsoft Azure dans l'espace des plateformes d'agents d'entreprise, cherche à se différencier par des primitives de bas niveau bien pensées. AgentCore Memory, présenté comme une brique fondamentale pour les agents à longue durée de vie, cible les équipes qui construisent des assistants client, des copilotes métier ou des agents autonomes nécessitant une continuité de contexte entre les sessions. La prochaine étape annoncée par AWS porte sur les patterns de récupération multi-niveaux et les stratégies d'isolation entre agents dans des architectures multi-tenants.

Impact France/UE

Amazon Bedrock étant déployé dans des régions AWS européennes, ces patterns de conception sont directement exploitables par les équipes françaises et européennes qui construisent des agents IA sur cette plateforme.

Dans nos dossiers

AWS Microsoft Agents IA Azure

Cet article vous a été utile ?

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

1AWS ML Blog

Structure des mémoires avec métadonnées dans AgentCore Memory

Je vais traduire et résumer cet article en français en trois paragraphes selon les consignes. Amazon a détaillé dans un billet de blog technique une nouvelle fonctionnalité de filtrage par métadonnées pour Amazon Bedrock AgentCore Memory, son service géré de mémoire pour agents d'intelligence artificielle. Ce service permet aux agents conversationnels de se souvenir d'informations et de les retrouver d'une conversation à l'autre, en organisant les données en espaces de noms isolés, par exemple un espace dédié à chaque client. Jusqu'ici, la recherche par similarité sémantique au sein d'un espace de noms remontait des résultats mélangés dès que l'historique s'accumulait sur plusieurs semaines: un agent de support client demandant des "problèmes de facturation" pouvait ainsi recevoir pêle-mêle des tickets techniques, des conversations commerciales et de véritables litiges de facturation. Amazon a testé la nouvelle fonction de filtrage sur un jeu de 151 questions construit à partir d'un benchmark de mémoire à long terme de type LoCoMo, portant sur des conversations multi-sessions. Résultat: la précision globale des réponses est passée de 40% à 64% grâce au filtrage par métadonnées, avec un bond spectaculaire de 16% à 69% sur le sous-ensemble de questions dépendant de bornes contextuelles précises, comme une plage de dates, un niveau de priorité ou un département donné. Cette avancée répond à un problème concret rencontré par les équipes qui déploient des agents IA à grande échelle en entreprise: l'isolement par espace de noms garantit que les données d'un client ou d'un patient ne se mélangent pas avec celles d'un autre, mais il ne suffit pas à distinguer, à l'intérieur même de ce périmètre, une conversation prioritaire de la semaine dernière d'une requête de routine vieille de trois mois. Amazon cite l'exemple d'un agent de services financiers dont l'espace de noms par client a accumulé six mois d'historique: quand un gestionnaire de compte demande à revoir les "discussions de rééquilibrage de portefeuille" pour un client précis, la recherche sémantique seule ne peut pas hiérarchiser les résultats par stratégie d'investissement, période ou niveau de priorité. Le filtrage par métadonnées permet désormais de restreindre la recherche par similarité à des dimensions métier précises, comme la priorité, le service concerné ou une plage temporelle, avant même que le moteur de recherche sémantique n'entre en jeu. Cela change concrètement la fiabilité des agents déployés dans des environnements multi-tenants, où plusieurs organisations ou services partagent la même infrastructure tout en ayant besoin de filtrer indépendamment leurs propres catégories, statuts ou étiquettes de tickets. Le contexte plus large est celui d'une maturation rapide des architectures de mémoire pour agents IA, à mesure que les déploiements en entreprise passent du prototype à la production avec des mois, voire des années, de données accumulées. Amazon avait déjà publié un billet consacré aux bonnes pratiques de conception des espaces de noms dans AgentCore Memory, la nouvelle fonctionnalité de métadonnées venant compléter cette couche de séparation logique par un second niveau de filtrage plus fin. Le fonctionnement s'articule autour d'un cycle en trois phases, configuration, ingestion et récupération, applicable à la fois à la mémoire à court terme et à la mémoire à long terme des agents. Ce type d'amélioration s'inscrit dans la compétition plus générale que se livrent les grands fournisseurs cloud, Amazon, Google et Microsoft en tête, pour proposer aux entreprises des briques de mémoire persistante fiables, condition jugée essentielle pour que les agents IA autonomes deviennent réellement utilisables à grande échelle dans des cas d'usage sensibles comme la santé, la finance ou le support informatique.

OutilsOutil

1 source

2AWS ML Blog

Étendre la mémoire conversationnelle de Kiro CLI avec Amazon Bedrock AgentCore Memory

Amazon Web Services a présenté une solution pour doter Kiro CLI d'une mémoire conversationnelle persistante entre les sessions, en s'appuyant sur Amazon Bedrock AgentCore Memory. Kiro CLI est l'interface en ligne de commande qui permet aux développeurs d'interagir directement depuis leur terminal avec les agents IA de Kiro, l'IDE agentique d'AWS. Le problème résolu est concret : chaque nouvelle session repart de zéro, forçant le développeur à réexpliquer le contexte de son projet, ses préférences et ses conventions à chaque démarrage. La solution repose sur un serveur MCP (Model Context Protocol) personnalisé, open source et disponible sur GitHub, qui fait le pont entre Kiro CLI et le service managé Bedrock AgentCore Memory. Ce serveur expose trois catégories d'outils : des outils conversationnels pour stocker et retrouver l'historique par sujet ou période, des outils de supervision pour consulter les statistiques d'utilisation mémoire, et des outils d'administration pour supprimer des sessions ou des données ciblées. La récupération du contexte repose sur une stratégie à deux niveaux : une recherche sémantique via l'API retrievememoryrecords d'AgentCore Memory, avec repli automatique sur une correspondance directe dans les contenus bruts si le premier niveau n'a pas encore terminé son indexation. L'impact pour les équipes de développement travaillant sur des bases de code volumineuses est direct. Un développeur qui revient sur un projet après plusieurs jours n'a plus besoin de réexpliquer l'architecture, les contraintes métier ou ses préférences de style à l'agent IA : celui-ci retrouve automatiquement les sessions précédentes, identifiables par des formulations naturelles comme "hier soir" ou "la semaine dernière". Cette continuité de contexte réduit la friction cognitive et le temps perdu en répétition, deux freins majeurs à l'adoption productive des outils IA dans les workflows de développement au quotidien. Amazon Bedrock AgentCore Memory est un service entièrement managé lancé par AWS pour répondre à un besoin croissant dans l'écosystème des agents IA : la persistance de la mémoire à long terme. Jusqu'ici, les agents IA des IDEs et des outils de développement souffraient d'une amnésie structurelle entre les sessions, limitant leur utilité réelle sur des projets complexes et de longue durée. Le Model Context Protocol, standardisé par Anthropic, est devenu le mécanisme central d'extensibilité pour les agents IA, permettant à des services tiers d'exposer des capacités via une interface unifiée. AWS positionne ainsi AgentCore Memory comme une brique d'infrastructure réutilisable pour tout éditeur souhaitant ajouter de la mémoire à ses propres agents MCP-compatibles. La mise à disposition du code source en exemple sur GitHub signale une volonté d'adoption large, au-delà de Kiro, vers l'ensemble des clients AWS qui construisent des outils agentiques sur Bedrock.

OutilsOutil

1 source

3AWS ML Blog

AgentOps : déployer des agents IA à grande échelle avec Amazon Bedrock AgentCore

Amazon Web Services a présenté AgentOps, une nouvelle discipline opérationnelle pour déployer, gérer et améliorer les agents IA en production, en s'appuyant sur sa plateforme Amazon Bedrock AgentCore. Publié début juin 2026, ce cadre de référence s'articule autour de quatre piliers : gouvernance et sécurité, construction et opérations, évaluation, et observabilité. Bedrock AgentCore permet de déployer des agents IA compatibles avec n'importe quel modèle de langage et n'importe quel framework open source, en passant du développement local à la production sans gérer d'infrastructure. AWS propose une architecture de référence complète couvrant l'ensemble du cycle de vie DevOps adapté aux agents : planification, développement, construction, test, déploiement et maintenance. Le besoin derrière AgentOps est concret : contrairement aux pipelines classiques, les agents IA prennent des décisions autonomes et non déterministes, ce qui rend le débogage difficile, les coûts imprévisibles et le contrôle qualité complexe. AgentOps répond à ces défis en traitant chaque agent, outil et configuration mémoire comme un artefact versionné avec son propre pipeline CI/CD. L'évaluation s'effectue à quatre niveaux : l'outil individuel, le tour de conversation, le résultat de session et le système global, aussi bien en développement qu'en production. L'observabilité couvre quatre couches de télémétrie pour tracer chaque décision d'agent, surveiller les baisses de qualité et mesurer le coût par interaction. Ce lancement s'inscrit dans une course industrielle autour de l'IA agentique, où AWS, Google, Microsoft et OpenAI cherchent à proposer des plateformes complètes pour industrialiser le déploiement d'agents. La complexité opérationnelle croissante, notamment la gestion des identités d'agents, des protocoles d'authentification inter-agents (A2A), du Model Context Protocol (MCP) et des mécanismes de contrôle humain (human-in-the-loop), pousse les entreprises à chercher des cadres structurés. Amazon Bedrock AgentCore se positionne comme une réponse cloud-native à ces enjeux, en intégrant nativement sécurité, registre d'outils, gestion de l'état et limites d'exécution. Les suites prévisibles incluent l'adoption de ces pratiques AgentOps dans les grandes organisations, ainsi qu'une pression croissante sur les équipes DevOps pour adapter leurs outils et processus à la nature non déterministe des systèmes agentiques.

UELes entreprises françaises et européennes déployant des agents IA sur AWS peuvent adopter ce cadre AgentOps pour structurer leurs pipelines CI/CD et leur observabilité, sans impact réglementaire spécifique à la France ou l'UE.

OutilsActu

1 source

4VentureBeat AI

Tencent lance Team Memory pour partager la mémoire des agents IA en équipe, sans garde-fou en cas d'erreur

Tencent a lancé cette semaine, en version bêta, un nouvel outil baptisé Team Memory, qui permet à plusieurs agents IA de partager la même mémoire contextuelle au sein d'une équipe. Ce projet prolonge Agent Memory, un système open source que l'entreprise dit avoir développé pendant six mois pour résoudre un problème plus étroit : la perte de contexte des agents lors de sessions longues. Ce système repose notamment sur une couche dite "persona", une représentation stable de l'utilisateur construite progressivement au fil de nombreuses conversations plutôt que reconstruite à chaque échange. Sur le benchmark interne de Tencent mesurant la capacité d'un agent à conserver cette représentation après un usage prolongé, la précision est passée de 48 % à 76 %, soit une amélioration relative de 59 %, grâce à l'ajout de cette couche persona. Le dépôt du projet est devenu cette semaine numéro un du classement GitHub des projets tendance en TypeScript. Avec Team Memory, les agents d'une même équipe n'accèdent plus à des contextes séparés et cloisonnés mais à un hub mémoriel commun, structuré autour de quatre types de ressources réutilisables : la mémoire de conversation (préférences, faits, décisions), les compétences opérationnelles tirées de tâches accomplies, un wiki structuré généré à partir de documents et un graphe de code indexant les symboles et dépendances d'un projet logiciel. L'accès est réglé par quatre niveaux de visibilité (privé, équipe, restreint ou spécifique à un agent), les nouvelles ressources étant privées par défaut. Cette évolution répond à un problème documenté : une enquête VB Pulse menée en juin a révélé que 57 % des entreprises avaient déjà retracé une réponse erronée mais formulée avec assurance par un agent IA jusqu'à un contexte manquant ou incohérent. Jusqu'ici, la plupart des correctifs de l'industrie amélioraient la mémoire d'un agent isolé au sein d'une seule session. Team Memory change d'échelle en permettant à toute une équipe d'agents de s'appuyer sur les mêmes informations simultanément, via ce que Tencent appelle un Agent Loadout : un agent chargé de la recherche reçoit les analyses de marché pertinentes, tandis qu'un agent chargé du développement reçoit le graphe de code et la documentation produit, chacun n'étant équipé que des ressources dont il a besoin. L'enjeu est direct pour les entreprises qui déploient des flottes d'agents en production : une information fausse n'affecte plus un seul utilisateur devant la corriger localement, elle se propage potentiellement à tous les agents qui la consultent, amplifiant l'impact d'une erreur au lieu de le limiter. Cette approche s'inscrit dans une tendance plus large de l'industrie à traiter la gestion du contexte comme le facteur déterminant de la fiabilité des agents autonomes, après des mois où la recherche s'est surtout concentrée sur l'extension des fenêtres de contexte et la mémorisation individuelle. Mais le lancement de Team Memory a aussi mis en lumière une lacune que des praticiens ont signalée dès les premières heures suivant l'annonce : si la documentation de Tencent détaille précisément la propriété, le versionnage et le suivi du statut de chaque ressource mémorielle, elle ne décrit aucun mécanisme de correction ou d'expiration pour un fait erroné déjà lu et réutilisé par d'autres agents, ni aucune procédure pour trancher lorsque deux agents détiennent des souvenirs contradictoires d'un même événement. Cette question de la gouvernance des erreurs, distincte du simple contrôle d'accès, devrait devenir centrale à mesure que les entreprises multiplient les déploiements d'équipes d'agents interconnectées, et pourrait déterminer si des systèmes comme Team Memory tiennent leurs promesses en production ou reproduisent, à plus grande échelle, les erreurs de contexte qu'ils cherchaient à éliminer.

OutilsOutil

1 source

Recevez l'essentiel de l'IA chaque jour

Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.

Recevez l'essentiel de l'IA chaque jour

Gratuit · 1 email le matin, l'essentiel de l'IA · désinscription en un clic