AgentCore Memory ganha filtragem por metadados: precisão de QA sobe de 40% para 64%

O Amazon Bedrock AgentCore Memory, serviço gerenciado de memória para agentes de IA, agora suporta filtragem por metadados estruturados — e os números são expressivos. Em testes com um benchmark de 151 perguntas baseado em conversas multi-sessão (padrão LoCoMo), a precisão de QA saltou de 40% para 64% com a filtragem ativada. Para perguntas que dependem de limites contextuais (tempo, prioridade, departamento), o salto foi ainda maior: de 16% para 69%.

O problema que os metadados resolvem

Namespaces já isolam memórias por entidade — um namespace clients/client-123 impede que o agente de suporte acesse dados de outro cliente. Mas dentro de um mesmo namespace, a similaridade semântica não basta. Um agente que recebe a pergunta “problemas de faturamento” pode retornar tickets de suporte técnico, conversas de vendas e disputas de cobrança misturados — tudo semanticamente próximo, mas contextualmente diferente.

Os metadados permitem adicionar filtros por dimensões de negócio como tipo de issue, status, prioridade ou intervalo de tempo antes da busca semântica. É uma camada de refinamento que reduz o escopo de centenas de registros para dezenas antes que a similaridade entre em ação.

Três fases do ciclo de metadados

Configuração: você declara quais chaves de metadados importam — por exemplo, priority, department, status. O AgentCore Memory sabe quais campos rastrear e como resolvê-los quando múltiplos eventos da mesma sessão carregam a mesma chave.

Ingestão: metadados podem ser anexados manualmente como pares chave-valor em eventos de memória de curto prazo, ou extraídos automaticamente pelo modelo via instruções LLM. Os valores são propagados para a memória de longo prazo durante a consolidação.

Recuperação: na hora da busca, filtros por metadados são aplicados antes da similaridade semântica. O resultado é um conjunto muito mais relevante de memórias, especialmente em cenários multi-tenant e multi-agente.

Aplicações práticas

O padrão é particularmente útil em helpdesks de TI (filtrar por tipo de ticket antes de buscar padrões de resolução), agentes financeiros (separar consultas de alta prioridade de rotina) e arquiteturas multi-tenant (isolar por tenant com namespace + refinar por categoria com metadados). O tutorial da AWS inclui exemplos completos de implementação.