☁️AWS Machine Learning Blog•最新收集於 24m
在資料所在之處建構 AI 代理
#vector-search#rag#databases#data-infrastructureaws-vector-search-servicesawsamazon opensearch serviceamazon auroraamazon s3
💡在 RAG 堆疊加入獨立向量資料庫前，先比較六種 AWS 原生向量選項。
⚡ 30-Second TL;DR
有什麼變化
在已存放企業資料的資料庫與儲存服務中直接提供向量搜尋
為什麼重要
讓向量索引貼近來源資料，有助於降低檢索增強生成應用的架構複雜度與同步負擔。廣泛的服務組合也提供更多選擇，但團隊仍需仔細評估規模、延遲、查詢功能與營運成本。
下一步行動
將 RAG 資料對應至目前已儲存資料的 AWS 服務，並以延遲與相關性為指標，將原生向量搜尋與現有檢索堆疊進行基準測試。
誰應關注：Developers & AI Engineers
關鍵要點
- •在已存放企業資料的資料庫與儲存服務中直接提供向量搜尋
- •避免部署獨立向量資料庫及相關資料遷移工作
- •涵蓋六項專用服務、選型框架與客戶案例
🧠 深度解析
背景與延伸：來自公開資料，非原文內容。引用 24 個來源。
🔑 增強重點摘要
- •AWS 已將向量搜尋功能整合至多項核心服務中，包括 Amazon Aurora (透過 pgvector 擴充功能)、Amazon DynamoDB、Amazon OpenSearch Service、Amazon S3 Vectors、Amazon Neptune Analytics 以及 Amazon ElastiCache (支援 Valkey)，提供多樣化的選擇以滿足不同工作負載需求。
- •Amazon DynamoDB 的原生向量搜尋功能支援高達 4096 維度，並提供歐幾里得距離、餘弦距離和點積距離函數，以及內聯篩選功能，可實現個位數毫秒級延遲和超過 99% 的召回率，並能擴展至數兆個向量。
- •Amazon S3 Vectors 是首個提供原生向量儲存和查詢 API 的雲端物件儲存服務，旨在大幅簡化架構並降低成本，特別是對於大規模、長期儲存的向量資料，可將上傳、儲存和查詢成本降低高達 90%。
- •Amazon OpenSearch Service 支援 k-NN (k 近鄰) 和近似 k-NN 搜尋，採用 Hierarchical Navigable Small Worlds (HNSW) 和 Inverted File System (IVF) 等演算法，並可整合 Amazon Bedrock、Amazon SageMaker AI 及 Hugging Face 模型來生成嵌入。
- •這些整合式向量搜尋能力與 Amazon Bedrock 的知識庫和代理程式原生整合，有助於建構檢索增強生成 (RAG) 應用程式，有效降低大型語言模型 (LLM) 的「幻覺」風險並優化 Token 成本。
📊 競品分析▸ Show
AWS 透過將向量搜尋能力直接整合到其現有資料庫和儲存服務中，旨在簡化 AI 應用程式的開發，並降低對獨立向量資料庫的依賴。此策略與其他雲端供應商和專用向量資料庫提供商形成競爭。
| 特性/供應商 | AWS 整合式向量搜尋 (例如 DynamoDB, Aurora, OpenSearch, S3 Vectors) | Google Cloud (Vertex AI Vector Search) | Azure (Azure Cosmos DB for PostgreSQL with pgvector, Azure AI Search) | 專用向量資料庫 (例如 Pinecone, Weaviate, Milvus) |
|---|---|---|---|---|
| 部署模式 | 直接內建於現有資料庫/儲存服務，無需獨立部署。 | 託管服務，通常作為獨立服務或與資料庫整合。 | 託管服務，可與 PostgreSQL 整合或作為獨立搜尋服務。 | 獨立部署或託管服務，專為向量搜尋設計。 |
| 資料管理 | 向量嵌入與應用程式資料共存，消除資料同步需求。 | 需將資料匯入或同步至向量搜尋服務。 | 需將資料匯入或同步。 | 需將資料匯入或同步，並管理資料生命週期。 |
| 擴展性 | 自動擴展，例如 DynamoDB 可擴展至數兆個向量。 | 高度可擴展，支援大規模向量索引。 | 高度可擴展。 | 高度可擴展，針對向量資料優化。 |
| 延遲 | 個位數毫秒級延遲 (例如 DynamoDB)，S3 Vectors 冷查詢次秒級，暖查詢低至 100ms。 | 低延遲。 | 低延遲。 | 通常為低延遲。 |
| 成本效益 | 透過避免獨立基礎設施和資料遷移，降低總體擁有成本，S3 Vectors 可降低高達 90% 成本。 | 依使用量計費，可能涉及資料傳輸成本。 | 依使用量計費。 | 通常按向量數量、查詢量和儲存空間計費，可能較高。 |
| 管理複雜度 | 無伺服器、全託管，無需管理基礎設施。 | 託管服務，管理負擔較低。 | 託管服務，管理負擔較低。 | 需管理獨立服務，可能涉及更多營運開銷。 |
| 主要優勢 | 簡化 AI 應用架構，降低資料冗餘和同步複雜性，直接利用現有資料。 | 專為向量搜尋優化，提供強大搜尋功能。 | 整合現有 PostgreSQL 生態系統，或提供企業級搜尋。 | 專注於向量搜尋性能和功能，提供先進演算法。 |
🛠️ 技術深入
- Amazon Aurora PostgreSQL: 透過
pgvector開源擴充功能實現向量搜尋。pgvector 0.8.0版本改進了 PostgreSQL 查詢規劃器在存在篩選條件時的索引選擇，提升了查詢性能和結果品質，並優化了 HNSW 索引的建立和搜尋效率。 - Amazon OpenSearch Service: 支援
knn_vector欄位類型，可儲存高達 16,000 維度的密集向量。使用近似 k-NN 演算法，包括來自 NMSLIB、FAISS 和 Lucene 函式庫的 Hierarchical Navigable Small Worlds (HNSW) 和 Inverted File System (IVF)。支援歐幾里得距離、餘弦相似度、點積等距離指標。OpenSearch Service 3.1+ 版本引入了 GPU 加速功能，可將索引建立速度提高 10 倍，並降低四分之一的索引成本。 - Amazon DynamoDB: 透過新的 DynamoDB 索引類型實現原生向量搜尋，該索引建立在儲存在表格屬性中的向量嵌入之上。支援高達 4096 維度，提供歐幾里得距離、餘弦距離和點積距離函數，並支援內聯篩選。
- Amazon S3 Vectors: 引入了「Vector Bucket」和「Vector Index」的概念，允許直接在 S3 中建立和管理向量索引。支援 k-NN 相似性搜尋，並提供餘弦和歐幾里得等距離度量。針對冷查詢提供次秒級回應時間，暖查詢可達 100 毫秒。支援使用中繼資料篩選查詢結果。
- Amazon Neptune Analytics: 作為圖形分析資料庫引擎，支援向量搜尋功能。其向量索引更新不符合 ACID 事務特性，特別是非原子性和非隔離性，建議避免同時更新向量嵌入並使更新查詢冪等。
🔮 前景展望AI analysis grounded in cited sources
AI 應用開發將大幅簡化，降低進入門檻。
透過將向量搜尋直接整合到現有資料庫和儲存服務中，開發者無需管理獨立的向量資料庫基礎設施，從而加速 AI 應用（特別是 RAG）的開發和部署。
企業將更有效地利用其現有資料資產來驅動生成式 AI 應用。
避免資料遷移和同步的複雜性，使得企業能夠直接在已存放的營運資料上構建 AI 代理和語義搜尋功能，釋放非結構化資料的潛在價值。
向量資料庫市場將面臨整合壓力，專用向量資料庫廠商需調整策略。
雲端供應商提供原生整合的向量搜尋功能，將減少對獨立向量資料庫的需求，迫使現有廠商轉向提供更專業化、高效能或多雲的解決方案。
⏳ 時間線
2023-04
Amazon Bedrock 預覽版發布
2023-09
Amazon Bedrock 正式普遍可用 (GA)
2024-02
Amazon Neptune Analytics 推出，支援向量相似性搜尋
2025-04
Amazon Aurora PostgreSQL 支援 pgvector 0.8.0
2025-07
Amazon S3 Vectors 推出，提供原生向量儲存與查詢 API
2026-08
Amazon DynamoDB 推出原生向量搜尋功能
📎 來源 (24)
Factual claims are grounded in the sources below. Forward-looking analysis is AI-generated interpretation.
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： AWS Machine Learning Blog ↗
每週 AI 簡報
每週一封，可隨時退訂。