AWS 教程展示如何用 NVIDIA NeMo Agent Toolkit 和 Amazon S3 Vectors 构建智能体记忆
AWS 教程展示如何用 Amazon S3 Vectors 作为 NVIDIA NeMo Agent Toolkit 的持久记忆层，并在 Amazon EKS 上部署多智能体投资研究示例。事实是 NAT 通过 MemoryEditor 插件接口扩展，S3 Vectors 用 1024 维向量、cosine 距离和 agent_id、team_id、user_id 等元数据过滤，auto_memory_agent 可自动保存与检索对话，无需 LLM 显式调用记忆工具。推断上，这给多智能体共享记忆提供了一条把对象存储向量能力作为后端的实现路径：强写一致性让不同 agent pod 立即可见新记忆，按存储、写入和查询计费也减少了空闲计算成本。猜测是，若后续有真实延迟、召回和成本数据，S3 Vectors 可能成为 AWS 上 agent 持久记忆的默认选项之一，但本文只给定性预期，没有基准测量。
推荐理由：它把 S3 Vectors 接入 NeMo Agent Toolkit 的插件、元数据过滤和 EKS 部署路径写清楚，能校正多智能体记忆必须依赖专用向量数据库的工程判断。