NeMo Agent Toolkit подключают к Amazon S3 Vectors как слой памяти

У NeMo Agent Toolkit память не привязана к Redis или Mem0: через интерфейс MemoryEditor можно подключить Amazon S3 Vectors , семантический поиск, фильтры по метаданным и сильная консистентность: запись видна сразу после вставки. Полный путь , инфраструктура, Python-плагин и YAML на EKS , на примере мультиагентного инвестиционного ресёрча. Память в NAT NAT 1.6 , открытый фреймворк для сборки и профилирования агентов; работает со Strands Agents, LangChain, LlamaIndex и CrewAI. Память живёт в отдельном модуле: каждый backend реализует add_items() , search() и remove_items() . Один элемент , модель MemoryItem с историей, тегами, метаданными и user_id ; провайдер в конфиге NAT выбирается полем _type в YAML. MemoryEditor , контракт для любого хранилища auto_memory_agent , workflow, который сам пишет и читает память без отдельных вызовов инструментов от модели Из коробки: Mem0, MemMachine, Redis, Zep S3 Vectors и три шага внедрения Для продовых мультиагентных систем S3 Vectors берут из‑за масштаба , до 2 миллиардов векторов на индекс без планирования ёмкости , и оплаты только за хранение, записи и запросы. Индекс в примере на 1024 измерения под Amazon Titan Text Embeddings V2; выборку режут метаданные вроде agent_id , team_id , тикера и флага is_shared . Шаг 1: vector bucket и index через клиент s3vectors Шаг 2: класс S3VectorsMemoryEditor и регистрация через @register_memory Шаг 3: блок memory в config.yml с _type: s3vectors_memory Стек рассчитан на Python 3.11, 3.12, кластер EKS и эмбеддинги Titan; локально те же nat run и nat serve , что и для остальных workflow NAT. Источник: Build agent memory with NVIDIA NeMo Agent Toolkit and Amazon S3 Vectors .