Créer des agents IA dotés de mémoire avec Agentic Retrieve sur Amazon Bedrock Managed Knowledge Base
Amazon a annoncé une intégration entre Amazon Bedrock Managed Knowledge Base et Amazon Bedrock AgentCore memory, qui permet de bâtir des assistants capables de se souvenir de leurs utilisateurs tout en respectant les droits d'accès aux documents. Il suffit d'ajouter une configuration « memoryConfiguration » à la requête AgenticRetrieveStream pour que la mémoire AgentCore devienne une source de récupération au même titre que la base de connaissances. Dans un même appel, le service restaure la conversation, laisse le planificateur décider seul quand un fait sur l'utilisateur est utile, va le chercher dans la mémoire à long terme et s'en sert pour composer les sous-requêtes envoyées à la base. Une fois la réponse générée, le tour de conversation est sauvegardé en mémoire. La même requête transporte un « userContext » qui limite les résultats aux documents autorisés par les listes de contrôle d'accès (ACL) de l'utilisateur. L'intégration est optionnelle et rétrocompatible : l'application n'a plus qu'à authentifier l'utilisateur et transmettre son identité.
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 →
Le cas d'usage retenu est un assistant interne pour AnyCompany, entreprise fictive. Les documents (RH, informatique, runbooks d'ingénierie, plan de commissions commerciales) sont stockés dans Amazon S3 et synchronisés par une base de connaissances unique via une source de données compatible ACL. Un fichier d'ACL global précise qui peut lire chaque dossier : tout le monde accède aux RH et à l'IT, seuls les ingénieurs aux runbooks, seuls les commerciaux au plan de commissions. Une seule ressource de mémoire AgentCore est partagée par tous les employés. Amazon Cognito les authentifie, et son jeton d'identité fournit deux revendications : « sub » identifie la mémoire de l'utilisateur, tandis que l'e-mail vérifié sert de filtre ACL pour la base. Le flux est le suivant : l'employé se connecte et reçoit un jeton JWT ; l'API le valide (autorisateur JWT d'Amazon API Gateway en production, petit service FastAPI dans l'exemple) ; le gestionnaire extrait « sub » comme identifiant d'acteur et espace de noms de mémoire, et l'e-mail comme « userContext.userId », le corps client ne contenant que la question et un identifiant de session optionnel ; enfin, il endosse le rôle IAM de l'application avec l'étiquette de session « userId » égale à « sub ». Trois utilisateurs de test, les ingénieurs Maya et Liam et la commerciale Sofia, illustrent le fonctionnement.
L'enjeu pratique est considérable pour les équipes qui développent des applications d'entreprise. Jusqu'ici, il fallait stocker chaque conversation, en extraire des faits durables, déterminer lesquels comptaient pour la question en cours et les injecter dans la requête, avec une isolation par utilisateur à chaque étape. Ces tâches sont désormais prises en charge par le service. Un utilisateur peut poser des questions de suivi qui n'ont de sens que dans le contexte du tour précédent, ou obtenir une réponse sur une politique qui tient compte d'un élément mentionné des semaines plus tôt, comme son lieu de travail, son rôle ou son niveau d'abonnement, sans jamais voir de document hors de ses droits. L'article montre aussi comment lire la trace d'exécution pour vérifier quand le planificateur a mobilisé la mémoire, et comment faire appliquer par IAM l'isolation de la mémoire par utilisateur, même si le code applicatif commet une erreur.
Cette évolution s'inscrit dans la tendance des agents de recherche documentaire à devenir « agentiques », c'est-à-dire capables de planifier leurs propres requêtes, et dans la nécessité pour les applications multi-utilisateurs de concilier personnalisation et sécurité. Elle remplace l'étape de persistance manuelle de l'historique décrite dans un précédent article d'AWS consacré aux applications de chat multi-locataires sur données d'entreprise avec Bedrock Managed Knowledge Base. Le code de l'exemple, dont sont tirés les extraits de trace, est disponible dans un dépôt GitHub. La suite logique pour les développeurs consiste à généraliser ce modèle d'espaces de noms par utilisateur et de politiques IAM à d'autres applications partageant une même base et une même mémoire.