AWS 教程：用 AgentCore 和 OpenClaw 构建低成本上下文感知 AI 助手

AWS 发布了一篇关于在 Amazon Bedrock AgentCore 上运行开源智能体系统 OpenClaw 的教程，旨在解决无状态 AI 助手的记忆缺失问题。该方案通过 AgentCore Memory 将对话转化为持久知识，结合消费型计算模式，使个人助理的月成本降至约 5–9 美元（2026 年 7 月估算），远低于传统 EC2 实例。

核心架构采用单 CloudFormation 模板部署，通过 Telegram Webhook 作为无服务器入口。系统利用 server.py 封装 OpenClaw 网关以适配 AgentCore 运行时契约，确保容器健康检查与重启机制。模型路由策略根据任务类型分流：文本交互使用 Claude Haiku 4.5 以控制高频成本，视觉诊断则调用 Claude Sonnet 4.5 处理图像。记忆层分为短期事件流与长期结构化记录，后者通过 USER_PREFERENCE、SEMANTIC 和 SUMMARIZATION 三种提取策略异步生成，并支持按 type、section、plants 等索引键进行过滤检索。

为降低推理开销，文章强调 Prompt Caching 的使用规范，要求将稳定的系统提示词（包含 Persona 和记忆块）置于前端，用户输入置于后端，以此减少 Token 重复计算。此外，设计指南建议将技能定义为单一目的单元，并在内存操作中实施优雅降级策略，确保即使检索失败也不阻塞回复。完整源码托管于 GitHub 仓库 sample-agentcore-memory-openclaw，支持一键 Launch Stack 或自定义 ARM64 镜像构建。

事实：本文基于 AWS 官方技术文档，详细描述了 AgentCore Runtime、OpenClaw 及 Bedrock 服务的集成方式。 推断：这种架构模式可能成为未来轻量级、高定制化垂直领域智能体的标准参考实现。 猜测：随着 AgentCore Memory 的进一步成熟，类似的结构化记忆管理可能会逐渐取代部分自建向量数据库的需求。