Amazon Bedrock AgentCore Memory 推出元数据过滤功能，提升 AI Agent 检索精度

一句话看懂

AWS Bedrock AgentCore Memory 新增元数据过滤，让 AI Agent 在相似搜索前按业务维度（优先级、部门、时间范围）精准筛选记忆，QA 准确率从 40% 提升至 64%。

详细发生了什么

当 AI Agent 积累数周交互历史后，语义相似搜索会混入大量无关结果。例如客服 Agent 查询“账单问题”，可能同时返回技术支持工单、销售对话和账单纠纷。为解决此问题，AWS 为 Bedrock AgentCore Memory 引入元数据过滤功能。

AgentCore Memory 本身通过命名空间（namespace）实现数据隔离（如 clients/client-123），但命名空间内语义搜索仍会命中不同维度的记录。元数据过滤在命名空间之上叠加属性级过滤，支持按优先级、部门、时间范围等业务维度筛选后再执行相似搜索。

在基于 LoCoMo 多会话基准的 151 道测试题中，启用元数据过滤后整体 QA 准确率从 40% 升至 64%；对于依赖上下文边界的问题（如时间范围查询、优先级过滤、部门限定搜索），准确率从 16% 跃升至 69%。

元数据生命周期分三阶段：配置时声明索引键和提取规则；摄取时由 LLM 自动提取或手动附加键值；检索时按键过滤。支持 STRING、NUMBER、STRINGLIST 类型，可设置允许值、冲突解决策略（如取最新值）。

中文圈视角

对国内开发者而言，这项功能直接解决了 Agent 长期记忆中的“检索精度墙”问题。目前国产平台如百度千帆、阿里百炼的 Agent 记忆服务尚缺乏类似细粒度元数据过滤能力，通常仅依赖命名空间隔离。

使用门槛：需通过 AWS Bedrock 访问，国内用户需合规使用。对于自建 Agent 的团队，可参考该设计在自家 RAG 系统中实现元数据过滤——例如在向量数据库（如 Milvus、Elasticsearch）中为文档附加业务标签，先过滤再检索。

场景启发：中文客服场景中，按“客户等级”“投诉类型”“渠道来源”过滤记忆可大幅提升 Agent 回复准确性；金融场景中按“产品线”“风险等级”过滤投顾对话记录。

盲点：国内多数 Agent 框架（如 Dify、FastGPT）的长期记忆仍以全量语义检索为主，缺乏结构化元数据支持。AWS 此功能可能推动国产平台跟进。

几条值得记住的细节

• 元数据过滤支持 STRING、NUMBER、STRINGLIST 三种类型，可设置允许值约束。
• 冲突解决策略支持 LATEST_VALUE（取最新值）和自定义自然语言指令。
• 索引键（indexedKeys）用于快速过滤，非索引键仅存储但不参与查询。
• 短期记忆中的元数据（如事件标签）会自动带入长期记忆。
• 多租户架构中，命名空间隔离租户，元数据过滤租户内子维度。

一句话总结

元数据过滤让 AI Agent 从“记得多”进化到“记得准”，中文开发者可借鉴此设计优化自建 Agent 的检索精度。