AWSが月5〜9ドルのSprout披露

この投稿は既製アシスタントに対するよくある不満を描き出している。回答は優れているが毎回ゼロから会話が始まるため、庭の土壌や有機肥料の好みといった文脈をユーザーが説明し直す羽目になる。AWSの答えは、オープンソースのエージェントシステムOpenClawとAgentCoreメモリを組み合わせることだ。AgentCoreメモリは会話のやり取りをイベントとして保存し、より長く生きる記録を非同期で抽出する。抽出戦略はUSER_PREFERENCE、SEMANTIC、SUMMARIZATIONの3つが設定されている。

いくつもの設計上の選択が要となっている。記録はユーザーごとの名前空間に振り分けられ、TelegramのチャットIDだけが可変部分なので、2人の園芸家が混ざることはない。検索ステップは毎ターン実行され、アセンブリ関数が明示的な好みを推論された事実より上位に並べてからシステムプロンプトに注入する。またAWSは画像を含むターンをOpenClawゲートウェイ経由ではなくserver.pyから直接Bedrock Converse APIへ流している。コンテナ内ビルドで画像コンテンツパーツが欠落したためだ。モデル選択はコードではなく設定として扱われる。

コストの話は従量課金とプロンプトキャッシュに支えられている。安定したペルソナとメモリのブロックを先頭に、変動するユーザーメッセージを最後に置くことで、Bedrockは変わらないプレフィックスの再計算を省ける。このパターンが所与のチームで通用するかどうかは、メモリ注入が各プロンプトをどれだけ膨らませるかと、抽出の遅延をユーザーがどれだけ許容できるかにかかっていそうだ。新しい事実は通常、後のセッションになって初めて想起可能になるからだ。