Создание контекстно-осведомленного ИИ-ассистента на AgentCore и OpenClaw

Как пишет AWS Machine Learning, стандартные ИИ-ассистенты хорошо отвечают на отдельные вопросы, но не способны поддерживать непрерывность общения. Если вы спросите о своем саде у ассистента без памяти, он не вспомнит, что три недели назад вы упоминали о своих быстро дренирующихся грядках, о том, что используете только органические удобрения, или о том, что ваши петунии страдали от жары. Каждая беседа начинается с нуля, и бремя повторного объяснения контекста ложится на пользователя. Проблема не в качестве ответов, а в том, что ассистент не запоминает информацию о вас. В данной статье показано, как создать персонального ассистента, который накапливает контекст, используя OpenClaw — открытую агентную систему, работающую на платформе AgentCore, которая является частью Amazon Bedrock. Возможность памяти AgentCore превращает временные чаты в долговечные знания. Также будет показано, как тегировать эти воспоминания структурированными метаданными для извлечения актуальных записей по заданному вопросу. В качестве примера используется Sprout, помощник по садоводству, но архитектура является универсальной. Замените персонажа и набор навыков, и тот же процесс может обслуживать бота поддержки, фитнес-тренера или внутренний справочный центр. Вся система помещается в один шаблон AWS CloudFormation, разворачивается одной командой и работает по модели потребления, стоимость которой составляет всего несколько долларов в месяц для легкого личного использования. В процессе мы поделимся рекомендациями по дизайну, которые можно применить к ассистентам, созданным на этой платформе. AgentCore — это платформа для создания, подключения и оптимизации агентов в масштабе с использованием любых фреймворков или моделей. Система поддерживает запросы через вебхуки Telegram и Amazon EventBridge, которые вызывают одного и того же агента AgentCore, координирующего работу OpenClaw и памяти AgentCore. Telegram сообщения поступают через Amazon API Gateway и функцию AWS Lambda, в то время как запланированные задания, такие как напоминания о поливе, поступают через Amazon EventBridge Scheduler и функцию cronjob Lambda. Оба вызывают API InvokeAgentRuntime на платформе AgentCore. Чтобы развернуть свою собственную версию с помощью кнопки Launch Stack или скриптов, вам потребуется доступ к Amazon Bedrock AgentCore, включая AgentCore runtime и AgentCore memory. Также необходим доступ к моделям, которые вы планируете использовать: Claude Haiku 4.5 для текста и Claude Sonnet 4.5 для визуальных задач. Вам также понадобится токен бота Telegram для взаимодействия с пользователем и базовые знания о концепциях оркестрации агентов и CloudFormation. Архитектура системы является безсерверной и не требует инструментов сборки для запуска. Каждый компонент живет в одном шаблоне CloudFormation. AgentCore runtime использует модель ценообразования на основе потребления, так что вы платите только за активные вычисления, а не за время ожидания, например, ответа модели. Это означает, что для личного ассистента, использующегося короткими сессиями, стоимость составляет примерно 1–2 доллара в месяц, в отличие от 35 долларов для постоянно работающего экземпляра Amazon Elastic Compute Cloud. OpenClaw предоставляет цикл работы агента, использование инструментов и систему навыков. Он запускает обертку, которая адаптирует его к HTTP-протоколу AgentCore. При запуске контейнера обертка health-check'ит OpenClaw и обрабатывает запросы. Запросы к текстовым и визуальным моделям маршрутизируются на разные модели Claude в Bedrock, что позволяет оптимизировать затраты и качество. Sprout имеет навыки, такие как прогноз погоды, напоминания и заметки о растениях. Telegram является практичным каналом для личного ассистента, так как он основан на вебхуках и не требует разработки клиента. Бот-токен хранится в Secrets Manager, а развертывание регистрирует вебхук, который направляет Telegram на конечную точку API Gateway. Память — это то, что меняет ситуацию. Она позволяет ассистенту запоминать информацию о пользователе и использовать её в будущих взаимодействиях. Применяются стратегии извлечения для создания долговременных записей, которые затем могут быть использованы для более точных ответов. Таким образом, архитектура, описанная в статье, позволяет создать мощного и экономичного безсерверного агента, который помнит о пользователе и его предпочтениях, тем самым значительно улучшая качество взаимодействия. Материал подготовлен нейросетью на основе оригинальной публикации. ИИ может ошибаться в деталях (цифры, имена, даты, цитаты) — для важной информации сверяйтесь с первоисточником.