AWS explique comment faire évoluer la mémoire des agents IA avec des modèles de namespace dans AgentCore Memory

AWS a publié un guide sur l'organisation de la mémoire des agents IA dans AgentCore Memory, un service de la plateforme Bedrock qui permet de stocker et de structurer le contexte à long terme dans des systèmes d'agents évolutifs.

Qu'est-ce qu'AgentCore Memory

AgentCore Memory est l'un des composants d'AWS Bedrock AgentCore, apparu en 2025 en réponse aux exigences croissantes des systèmes d'agents de niveau production. Le service s'attaque à un problème précis : dans les architectures multi-agents, on ne peut pas se contenter de conserver le contexte dans des variables ou dans la session. Les données doivent être accessibles simultanément entre les requêtes, les agents et les utilisateurs.

L'abstraction clé est le namespace (espace de noms), qui définit à qui appartient chaque élément de mémoire et qui peut le lire. Sans structure de namespace claire, les agents se mettent à mélanger le contexte de différents utilisateurs ou perdent l'accès aux données dont ils ont besoin.

Modèles de hiérarchies de namespace

La bonne structure de namespace détermine la vitesse et la précision de la récupération de la mémoire. AWS décrit cinq modèles de base :

• User-scoped : un namespace distinct pour chaque utilisateur. Isolation complète, sans recoupement entre les comptes.
• Session-scoped : la mémoire n'existe qu'au sein d'une seule session. Adapté aux tâches de courte durée qui n'exigent pas de stockage à long terme.
• Project-scoped : plusieurs agents partagent une mémoire commune au sein d'un même projet ou flux de travail.
• Tenant-scoped : pour les produits SaaS, isolation stricte entre les clients au niveau de l'infrastructure.
• Hierarchical mix : combinaisons à plusieurs niveaux, par exemple `tenant/user/project`, pour les systèmes multi-tenant complexes.

Pour la plupart des systèmes en production, AWS recommande une approche hiérarchique à deux ou trois niveaux : elle apporte de la souplesse sans alourdir inutilement les requêtes.

Modèles de récupération des données

Le choix de la stratégie de récupération compte autant que la structure de stockage. La recherche sémantique vectorielle n'est pas la seule option. AgentCore Memory prend en charge plusieurs modes : la recherche ponctuelle par clé (rapide lorsque la structure des namespace est pensée à l'avance), la recherche sémantique (pour les requêtes floues du type « ce que l'utilisateur a dit de ses préférences ») et un mode hybride, où un filtrage par namespace réduit d'abord l'espace de recherche avant que la recherche sémantique ne s'y exerce.

L'approche hybride est particulièrement précieuse avec de gros volumes de mémoire : le préfiltrage réduit la latence et améliore la précision des résultats.

Contrôle d'accès via IAM

L'intégration native avec AWS IAM est l'un des principaux arguments en faveur d'AgentCore Memory face aux solutions sur mesure. L'accès aux namespace est géré avec les mêmes politiques et rôles que le reste de l'infrastructure AWS, sans système d'autorisation distinct pour la mémoire des agents. Dans la pratique, cela permet de bâtir un modèle d'accès clair :

• Un agent ne lit que le namespace de son utilisateur, sans voir les données des autres
• Un agent orchestrateur obtient un accès en lecture-écriture à tous les namespace du projet
• Un compte de service CI/CD supprime les namespace temporaires sans accéder aux données des utilisateurs
• Les journaux d'audit CloudTrail consignent automatiquement chaque accès d'un agent à la mémoire

Ce modèle est particulièrement important dans les secteurs réglementés, comme la banque, la santé ou le droit, où l'isolation des données entre clients est une obligation légale et non une simple recommandation.

Ce que cela signifie

AWS comble méthodiquement les lacunes d'infrastructure des systèmes d'agents de niveau production. Les modèles de namespace et l'intégration IAM d'AgentCore Memory s'attaquent à l'un des problèmes les plus douloureux des architectures multi-agents : qui peut lire quoi dans la mémoire partagée, et quand. Les équipes obtiennent des modèles prêts à l'emploi plutôt que des solutions sur mesure, et les clients d'entreprise une conformité aux exigences de sécurité dès la sortie de boîte.