Agentes de IA con memoria: cómo integrar Agentic Retrieve y Amazon Bedrock Managed Knowledge Base

Las aplicaciones basadas en conocimiento deben recordar a los usuarios y mantener respuestas fundamentadas en documentos autorizados. Con AgenticRetrieveStream, Amazon Bedrock integra la memoria de AgentCore con la base de conocimiento gestionada para restaurar contexto, aplicar controles de acceso y guardar hechos útiles a largo plazo.

Por Redaccion TD
Agentes de IA con memoria: cómo integrar Agentic Retrieve y Amazon Bedrock Managed Knowledge Base

Por qué la memoria importa en aplicaciones basadas en conocimiento

Los usuarios esperan que una aplicación que consulta documentos no solo busque bien, sino que también “los recuerde”: que las preguntas de seguimiento tengan sentido, que una respuesta sobre una política refleje lo que el usuario dijo hace semanas y que cada respuesta esté apoyada en los documentos permitidos, con citas.

Cumplir esas expectativas es complejo. El contexto que afina una búsqueda (ubicación del usuario, rol, nivel de producto, eventos de conversaciones previas) suele vivir fuera de la base de conocimiento. Para usarlo, la aplicación tradicionalmente tendría que almacenar cada conversación, extraer hechos duraderos, decidir cuáles son relevantes para la consulta actual e inyectarlos en la petición. En entornos multiusuario hay que aislar cada paso por usuario y aplicar controles de acceso por documento.

Qué aporta Agentic Retrieve con Amazon Bedrock Managed Knowledge Base

Amazon Bedrock Managed Knowledge Base, junto con la capacidad de memoria de Amazon Bedrock AgentCore, automatiza ese flujo: almacena conversaciones, extrae hechos y lleva los hechos pertinentes a la búsqueda. Esto se activa añadiendo una memoryConfiguration a la llamada AgenticRetrieveStream, lo que convierte a AgentCore memory en una fuente de recuperación junto con la base de conocimiento.

En una sola llamada, el servicio restaura la conversación y el planner integrado decide cuándo un hecho del usuario mejora la respuesta. Recupera ese hecho desde la memoria a largo plazo, lo usa para componer subconsultas que envía a la base de conocimiento y, tras generar la respuesta con citas, guarda el turno en la memoria.

Además, la misma petición carga un userContext para que la base de conocimiento devuelva únicamente los documentos que permiten las listas de control de acceso (ACL) del usuario. La integración es opt-in y compatible hacia atrás: la aplicación solo mantiene lo que le corresponde (autenticación y el identificador del usuario).

Arquitectura de ejemplo: asistente interno con múltiples usuarios

El ejemplo que maneja AWS (AnyCompany) usa documentos en Amazon S3, sincronizados por una Managed Knowledge Base que soporta ACL desde una fuente de datos S3. Un archivo global de ACL en el bucket indica quién puede leer cada carpeta: por ejemplo, HR e IT son accesibles para todos, los runbooks de ingeniería solo para ingenieros y el plan de comisiones solo para ventas.

Una única memoria AgentCore es compartida por todos los empleados, pero la separación por usuario se logra vinculando cada entrada de memoria al actor (actorId/namespace) derivado del token de identidad. Amazon Cognito autentica empleados y su token ID (JWT) entrega dos claims: sub (ID del usuario) que se usa como actorId y namespace para la memoria, y el email verificado que se pasa como userContext.userId para filtrar ACLs.

En el ejemplo de referencia se usan tres usuarios de prueba: Maya y Liam (ingenieros) y Sofía (vendedora). El flujo general es:

  • El empleado inicia sesión en Cognito y recibe un ID token (JWT).
  • El backend valida el token y extrae sub y email.
  • El servicio asume el rol IAM de la aplicación con una etiqueta de sesión userId=<sub> para reforzar la separación en IAM.
  • El handler llama a AgenticRetrieveStream indicando la Managed Knowledge Base como retriever, incluyendo userContext y memoryConfiguration vinculada al usuario.
  • Managed Knowledge Base restaura la sesión desde la memoria de corto plazo (STM) y, según el planner, puede recuperar recuerdos a largo plazo o realizar búsquedas de memoria para encontrar hechos relevantes.
  • La respuesta generada incluye citas y eventos de traza que el handler registra y reenvía a la UI.
  • Con persistenceMode: DEFAULT, la pregunta y respuesta se guardan en la sesión y AgentCore extrae registros a largo plazo de forma asíncrona.

Aislamiento por usuario y control de acceso

Aunque la memoria física (el recurso AgentCore) sea compartida, la aplicación logra aislamiento lógico al:

  • Usar el claim sub del token como namespace/actorId para separar datos de memoria por usuario.
  • Pasar userContext.userId para que la Managed Knowledge Base aplique filtros ACL y devuelva solo documentos autorizados.
  • Hacer que IAM refuerce la separación: el backend asume un rol con tags de sesión y políticas IAM pueden exigir que las operaciones de memoria respeten la etiqueta userId, evitando que un error en el código del cliente exponga memorias de otros usuarios.

Este diseño permite tener una única base de conocimiento y un recurso de memoria, pero garantizar que cada empleado vea solo lo que puede leer y que su memoria sea privada.

Beneficios operativos y de experiencia

  • Respuestas más coherentes: al recuperar hechos del historial del usuario, el planner puede formular subconsultas más precisas a la base de conocimiento.
  • Menos trabajo en la lógica de la aplicación: la extracción de hechos duraderos y su recuperación la realiza AgentCore y Managed Knowledge Base, reduciendo la necesidad de persistencia y procesamiento personalizado por parte del equipo de desarrollo.
  • Control de acceso integrado: la combinación de userContext y ACL en la base de conocimiento asegura que las respuestas estén siempre fundamentadas en documentos permitidos.
  • Trazabilidad: las trazas devueltas en la respuesta permiten entender cuándo y cómo el planner decidió usar memoria, útil para auditoría y mejora continua.

Consideraciones para equipos en América Latina

Para organizaciones en la región que manejan datos internos sensibles (políticas de RR. HH., salarios, información de clientes), este enfoque facilita cumplir requisitos de segregación de datos sin replicar memorias por usuario. Algunos puntos prácticos:

  • Administración de identidades: integrar proveedores de identidad (Cognito u otros compatibles) que reflecten la estructura organizacional local (roles, grupos) ayuda a mantener ACLs simples y coherentes.
  • Gobernanza y cumplimiento: aprovechar las trazas y las políticas IAM para auditar accesos y evitar fugas accidentales de memoria entre usuarios.
  • Costos y escalado: la arquitectura centralizada simplifica la gestión, pero conviene dimensionar el recurso de memoria y las llamadas a la Managed Knowledge Base según el volumen de usuarios y la frecuencia de interacciones.

Cómo empezar (resumen de pasos técnicos)

  1. Almacenar documentos en S3 y sincronizarlos con una Managed Knowledge Base que soporte ACLs.
  2. Implementar autenticación con Amazon Cognito y validar el token en el backend.
  3. Mapear claims del token: usar sub como actorId/namespace para memoria y email (u otro identificador) como userContext.userId para filtrado ACL.
  4. Desde el backend, asumir el rol IAM de la aplicación con una etiqueta de sesión userId para reforzar el aislamiento.
  5. Llamar a AgenticRetrieveStream incluyendo retriever (la knowledge base), userContext y memoryConfiguration.
  6. Procesar la respuesta con citas y registrar las trazas para observabilidad.
  7. Con persistenceMode: DEFAULT, dejar que AgentCore extraiga registros de largo plazo según las estrategias configuradas.

Conclusión

La integración de AgentCore memory con Amazon Bedrock Managed Knowledge Base mediante AgenticRetrieveStream permite construir asistentes de conocimiento que recuerdan a los usuarios, mantienen respuestas fundamentadas en documentos autorizados y aíslan datos por usuario, todo sin obligar al desarrollador a gestionar manualmente la extracción y recuperación de hechos. Para equipos en América Latina que buscan modernizar asistentes internos o productos SaaS con capacidades de memoria y cumplimiento, este patrón reduce complejidad técnica y aporta un camino claro hacia experiencias más contextuales y seguras.

Si ya implementaron la versión anterior que pedía persistir la historia de conversación manualmente, esta integración sustituye esa etapa al delegar la persistencia y la extracción de hechos a AgentCore y Managed Knowledge Base.

Fuente original: AWS ML Blog