Politiques de conservation des données pour la mémoire d'AgentCore
Amazon a publié un article technique détaillant une nouvelle approche pour gérer la mémoire des agents IA fonctionnant en continu sur Amazon Bedrock AgentCore. L'équipe y décrit des politiques de cycle de vie permettant de trier, consolider et supprimer automatiquement les souvenirs accumulés par un agent au fil du temps. Le constat de départ vient d'observations concrètes en production : un agent de support client a continué de traiter comme active une réclamation de facturation en réalité résolue quatre mois plus tôt, tandis qu'un autre agent répétait des conseils de déploiement obsolètes parce que sa mémoire conservait encore une procédure remplacée depuis. Pour corriger ce type de dérive, Amazon propose une architecture combinant AgentCore Memory, AWS Step Functions et Amazon Bedrock, orchestrée via un workflow nocturne, avec un stack AWS CDK et le code complet disponible sur GitHub. Une première politique, l'expiration par durée de vie (TTL), supprime par défaut les souvenirs épisodiques après 90 jours, ce seuil restant configurable selon les besoins de chaque agent.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de AWS ML Blog. Lire l'article original →
Cette gestion du cycle de vie mémoriel devient critique à mesure que les agents conversationnels sont déployés sur des durées longues, notamment dans le support client, le conseil commercial ou l'assistance informatique, des usages qui génèrent un volume élevé d'interactions chaque semaine. Sans nettoyage actif, ces agents accumulent un contexte périmé qui dégrade la qualité de leurs réponses et peut créer des risques de conformité, en particulier au regard du RGPD, lorsque des données personnelles ou sensibles restent stockées indéfiniment. Pour les agents à faible volume, comme un assistant personnel, Amazon recommande de se limiter à l'expiration TTL et aux exigences réglementaires de base, sans architecture plus complexe.
L'approche s'appuie sur une taxonomie en trois catégories de mémoire. La mémoire épisodique correspond à l'historique brut des conversations, horodaté et volumineux, donc la première candidate à l'expiration. La mémoire sémantique regroupe des faits et préférences distillés à partir des échanges, comme la région AWS préférée d'un utilisateur, et mérite une conservation plus longue ainsi qu'une consolidation en une source unique faisant autorité. La mémoire procédurale, enfin, encode les méthodes de travail apprises par l'agent, par exemple l'ordre des appels API à effectuer pour répondre à une question sur les coûts ; peu volumineuse mais jugée la plus précieuse, elle bénéficie de la rétention la plus longue et du seuil de suppression le plus strict. Amazon positionne cette architecture comme un cadre reproductible pour traiter la mémoire des agents comme une ressource gérée à part entière, à mesure que les déploiements d'agents autonomes se multiplient en entreprise.
Aucun acteur français ou européen n'est implique, mais les entreprises de l'UE déployant des agents IA avec des données personnelles devront vérifier leur conformité RGPD face a l'accumulation de mémoire non nettoyée.