AI 客服一直記住舊地址，先查資料是否被更新、檢索是否選對版本，不要立刻換模型。 AWS 在 9 月 4 日的 AgentCore 記憶生命週期文章示範定期淘汰、評分與合併記憶。它處理的是長時間運作後的資料累積，不是模型突然學會「哪些事情該忘記」。
有到期設定，為什麼還會記得？
先分清兩層。AWS 的記憶類型文件把原始互動事件與提取後的長期記錄分開：對話內容可能被整理成摘要、偏好或事實，再供之後的任務檢索。
eventExpiryDuration 管原始事件。依建立記憶的官方文件，這個期限在事件寫入時決定，修改設定只影響之後新增的事件。不能把期限調短，就向使用者保證歷史資料已全部移除。
這也解釋了為什麼「聊天紀錄過期」與「客服不再說出舊資訊」要分別驗收。舊資訊可能已被提煉到另一筆長期記錄；應先找出回答實際讀了哪個來源，而不是只確認某個對話視窗變空。
清理不是只按日期刪除
AWS 的範例透過排程流程處理過期記錄，評估其他記憶的相關性，再把部分內容合併。參考程式放在 AWS Samples，首頁明確標示為非正式環境用途，部署前仍需安全與組織要求的審查。
對企業更有用的起點，是先列出資料變動方式。這張表是客服情境的設計建議，並非 AWS 預設的保存政策：
| 資料 | 什麼情況應重新確認 | 不能只靠什麼 |
|---|---|---|
| 寄送地址或聯絡偏好 | 使用者更正後 | 「以前常用這個地址」 |
| 退貨與折扣規則 | 政策版本變更後 | 舊工單曾成功處理 |
| 已結案的爭議 | 再次引用時核對狀態 | 文字相似度很高 |
| 操作經驗摘要 | 工具或流程改版後 | 最近仍有人讀取 |
最近常被讀到，不等於仍然正確。 我不建議只靠存取頻率決定永久保留；錯誤答案若反覆被取用，反而可能看起來很重要。先讓業務資料有負責人、版本與適用範圍，再討論自動淘汰。
長期記憶裡，至少留下「何時、何事、哪一版」
AWS 的 7 月中繼資料過濾說明指出，語意相似不代表業務情境相同；可利用狀態、類別與時間範圍縮小檢索。客戶問這次退貨，找到去年已結案的退貨紀錄，即使每個字都相關，也可能答錯。
對台灣電商或接案團隊，我會先把「客戶目前已確認的需求」與「過去討論過的選項」分開。報價曾被提出，不代表已接受；地址曾出現在訊息裡，不代表目前訂單應寄到那裡。這些關係要由你的資料流程決定，不能期待模型每次猜對。
也別把任何成功對話都升格為通用操作守則。AWS 的情節記憶說明區分具體經驗與跨經驗反思；拿來借鏡時，仍要確認當年的政策與工具是否適用。關於任務中該載入多少經驗，可接著看 AI Agent 記憶劑量與成本判斷。
怎麼驗收「忘掉舊資料，仍答得出該記的事」？
LongMemEval 研究把時間推理、知識更新與不知道時不亂答列為記憶測試能力。這提醒我們，驗收不能只有「還記不記得使用者喜歡什麼」。
我會準備一組固定問題，分別測試：資料更正後是否採用新版本、結案事件是否仍被當成待辦、被移除的資料是否還會出現在答案，以及沒有足夠資訊時能否要求確認。清理前後使用相同問題，保留實際檢索到的記錄供人核對。可用 AgentCore 固定測試集的規劃方式整理這些案例。
只看總平均分數不夠。若多數偏好題都答對，卻仍把貨寄到舊地址，這一類錯誤應獨立阻擋上線。測試合併記憶時，也要檢查原本的否定句、例外條件與日期有沒有消失；摘要變短，不代表意思保持不變。
AWS 早期的 AgentCore Memory 架構說明也提醒，長期記憶的提取與合併是非同步處理。剛更正完就立刻問一次，既不能證明整個更新流程可靠，也不能省略其他儲存層的檢查。
規模還小、主要只回覆一般問題的團隊，可以先維護受控的知識來源與人工確認，不急著上排程清理整套架構。使用 n8n 的團隊，先看 工具、記憶與人工審核的分工。能指出錯誤資料在哪裡，比只知道「AI 又記錯了」更有改善空間。
常見問題
AgentCore 記憶清理是新推出的一鍵功能嗎？
這次介紹的是 AWS 提供的參考架構與程式範例，需要團隊自行評估及部署。它不能取代資料政策、權限審查或正式環境的驗收。
把事件保存期限調短，舊對話也會跟著提早到期嗎？
依目前官方文件，不會；既有事件保留寫入時的到期設定。需要處理歷史資料時，應另外確認涉及哪些事件與長期記錄，不能只改一個期限欄位。
記憶刪除完成，就能保證個資處理合規嗎？
不能只憑這一步保證。原始資料、提取後記錄、日誌與其他系統副本都可能需要檢查；實際保存及刪除要求，應由公司相關負責人確認。
參考來源
- AWS：Designing lifecycle policies for AgentCore memory（2026-09-04）
- AWS：Structured memory filtering with metadata in AgentCore Memory（2026-07-01）
- AWS：Build agents to learn from experiences using Amazon Bedrock AgentCore episodic memory（2026-01-21）
- arXiv：LongMemEval: Benchmarking Chat Assistants on Long-Term Interactive Memory（2024-10-14）
- AWS：Amazon Bedrock AgentCore Memory: Building context-aware agents（2025-08-13）