在 AgentCore 与 OpenClaw 上构建具备上下文记忆的 AI 助手
为什么你的 AI 助手总是“失忆”
市面上的 AI 助手单轮问答表现不错，但一旦涉及连续性就露怯。你三周前提到自家花坛排水太快、只使用有机肥、矮牵牛正被热浪折磨——这些信息在下一轮对话中全部归零。问题不在回答质量，而在于助手对你一无所知。
AWS 机器学习博客近日发布了一篇技术方案，展示如何利用 OpenClaw 开源智能体系统与 Amazon Bedrock AgentCore 运行时，构建一个能持续积累上下文的个人助手。示例场景是一个名为 Sprout 的园艺助手，但架构本身与领域无关——替换角色设定和技能清单后，同一套流水线可服务于客服机器人、健身教练或内部帮助台。
架构拆解：两个入口，一个智能体
整个方案的请求流从两个入口汇聚到同一个 AgentCore 运行时智能体：
- Telegram 消息：经 Amazon API Gateway 与 Webhook Lambda 函数进入；
- 定时任务：如晨间浇水提醒，由 Amazon EventBridge Scheduler 与 cronjob Lambda 触发。
两者都调用 AgentCore 运行时的 InvokeAgentRuntime API。运行时内一个轻量级 server.py 进程负责协调 OpenClaw 网关、AgentCore memory 与 Amazon Bedrock Converse API。工作区存储由 Amazon S3 提供。
记忆如何变成可检索的知识
AgentCore memory 的核心价值在于将一次性对话转化为持久化、结构化的知识。方案特别强调了元数据标签的作用：给记忆打上结构化标签后，就能用元数据过滤器检索与当前问题真正相关的记录。
例如，Sprout 可能记住“用户的三周前提到花坛排水快”，并附上 topic: garden_bed、time: 3_weeks_ago 等标签。当用户今天问“我的矮牵牛怎么了”，系统能精准调取相关历史，而不是翻遍全部聊天记录。
成本与部署
整套系统封装在单个 AWS CloudFormation 模板中，一条命令即可部署，采用按量计费模式。对于轻度个人使用，月成本仅几美元。
设计启示
这篇方案传递了一个明确信号：AI 助手的竞争维度正在从“单点回答质量”转向“跨会话连续性”。AgentCore memory 提供的结构化记忆与元数据过滤，为开发者提供了一条可复用的路径。如果你正在构建任何需要记住用户的助手，这套架构值得参考。
