AWSがAIエージェント向け記憶管理サービス「Amazon Bedrock AgentCore Memory」に、優先度や部門などの属性情報で記憶を事前に絞り込んでから類似検索を実行する機能を追加した。
AWSは2026年7月2日、AIエージェント向け記憶管理サービスAmazon Bedrock AgentCore Memoryに、属性情報（メタデータ）による絞り込み機能を追加した。従来は名前空間（namespace）で顧客ごとにデータを分離していたが、これは「誰の情報か」を区切る論理的な境界にすぎず、同一顧客の履歴内で高優先度の会話と定型的な問い合わせを区別できなかった。
新機能では記憶リソース作成時に優先度や担当者種別など索引化するキーを宣言し、大規模言語モデルが会話から値を抽出する。メタデータは短期記憶・長期記憶の両方で機能し、設定・取り込み・検索の3段階で扱われる。区分・状態・日付・優先度・タグといった業務単位のサブグループ分けにより、意味的に近いだけの無関係な結果が混ざる問題を抑える。
長期記憶ベンチマークに基づく151問の評価では、質問応答の正答率が40%から64%へ、時間や優先度に依存する質問では16%から69%へ大きく改善した。マルチエージェント・マルチテナント構成の企業導入を想定した機能である。
この変化で何が要点か。図解と出典つきで一目で。
構造化された事実を最初に。誰が何をいつどこでなぜどのように。
AgentCore Memoryは、AIエージェントが会話をまたいで情報を記憶・呼び出すためのマネージドサービスである。従来は「名前空間（namespace）」という仕組みで顧客ごとにデータを分離していたが、これは「誰の情報か」を区切る論理的な境界にすぎなかった。エージェントが数週間分の対話履歴を蓄積すると、意味的に近いだけの無関係な結果が大量に混ざり、必要な情報が埋もれる問題が起きていた。例えば「請求に関する問題」と尋ねると、技術サポートや営業の会話まで混在して返ってくる状態だった。
名前空間による分離だけでは、同一顧客の履歴内で高優先度の会話と定型的な問い合わせを区別できない。メタデータによる絞り込みは、この「検索精度の壁」を、区分・状態・日付・優先度・タグといった業務単位のサブグループ分けで解決する。長期記憶ベンチマークに基づく151問の評価では、質問応答の正答率が40%から64%に向上し、時間や優先度に依存する質問では16%から69%へと大きく改善した。
AWSは、AIエージェント向け記憶管理サービス「Amazon Bedrock AgentCore Memory」に、属性情報（メタデータ）による絞り込み機能を追加した。従来は「名前空間（namespace）」で顧客ごとにデータを分離していたが、これは「誰の情報か」を区切る論理的な境界にすぎなかった。エージェントが数週間分の対話履歴を蓄積すると、意味的に近いだけの無関係な結果が大量に混ざり、必要な情報が埋もれる。例えば「請求に関する問題」と尋ねると、技術サポートや営業の会話まで混在して返ってくる状態だった。
新機能は、優先度や部門、期間といった業務上の観点で記憶を事前に絞り込んでから類似検索を実行する。区分・状態・日付・優先度・タグといった業務単位のサブグループ分けで、この「検索精度の壁」を越える設計だ。
In this post, you will learn how metadata works across configuration, ingestion, and retrieval, explore enterprise use cases including multi-agent and multi-tenant architectures
上の引用は、属性情報が「設定（configuration）」「取り込み（ingestion）」「検索（retrieval）」の3段階で機能し、マルチエージェント・マルチテナント構成を想定した機能であることを述べている。
この機能の要は「いつ属性を付けるか」だ。記憶リソースを作成する時点で、優先度や担当者種別など索引化するキーを宣言しておく。すると大規模言語モデルが会話から該当する値を自動で抽出し、記憶に紐づける。
メタデータは短期記憶・長期記憶の両方で機能する。設定（どのキーを索引化するか宣言する）、取り込み（会話から値を抽出して付与する）、検索（属性で事前に絞り込んでから類似検索する）の3段階を通じて扱われる。
従来の名前空間が「誰の情報か」という縦の区切りだったのに対し、属性情報は「どの区分・状態・優先度の情報か」という横のサブグループ分けを与える。両者を組み合わせることで、同一顧客の履歴内でも高優先度の会話と定型的な問い合わせを区別できるようになる。
効果は長期記憶ベンチマークに基づく151問の評価で測定された。
特に大きいのは、文脈境界に依存する質問での改善幅だ。16%という水準は、名前空間分離だけでは「いつの・どの優先度の」会話かを区別できず、ほとんど正解に届いていなかったことを示す。属性による事前絞り込みを類似検索の前段に置くだけで、この種の質問が69%まで届いた。検索段の設計が精度に直結することを実測で示した数値だ。
立場別、明日から動ける一手。
AgentCore Memoryの公式ブログで、設定・取り込み・検索の3段階でメタデータがどう扱われ、索引化キーをどう宣言するかを確認する。
名前空間分離のみの現行構成と、優先度・部門でのメタデータ絞り込みを入れた場合の検索精度差を151問評価の40%→64%を基準に比較する。
自社の対話履歴で文脈境界に依存する質問の正答率を、メタデータ絞り込みの有無で測る。
AWS Machine Learning Blogでの公式発表を中心とした技術トピックで、実装者の関心は「名前空間分離だけでは同一顧客内の会話を区別できない」という具体的な課題の解決に集まる。
公式発表と各所の反応から編集部が要約した主な論点です。個別のX投稿そのものは下部のセクションに表示されます。
「名前空間分離だけでは同一顧客内の会話を区別できない」
151問評価で正答率が40%から64%へ、時間・優先度依存の質問が16%から69%へ改善した数値が、検索精度改善の実測根拠として注目されている。争点は、既存の名前空間ベースの記憶リソースへメタデータ運用をどう後付けするか、会話からの値抽出をLLMに任せる際の抽出精度、マルチテナント構成での適用範囲に向かっている。
※トレンド検出時刻付近の人気投稿を表示
