英文原标题：Selecting a vector store for Amazon Bedrock Knowledge Bases
本文为英文原文的机器翻译摘要，原文见：AWS Machine Learning Blog ↗
- 文章比较了 Amazon Bedrock Knowledge Bases 客户自管模式下三种向量存储后端：Amazon OpenSearch Service、Amazon Aurora PostgreSQL with pgvector 和 Amazon S3 Vectors，并针对不同 RAG 用例分析选型。
- RAG 架构通过嵌入模型将查询转为向量，向量数据库执行相似性搜索并返回最相似的 top n 个文本块，作为额外上下文交给 LLM 生成更准确的回答。
- Amazon OpenSearch Service 支持内存高速检索、k-NN 搜索和混合搜索，提供托管集群和 Serverless 两种部署方式，适合产品目录搜索等需要低延迟和复杂过滤的场景。
- Amazon Aurora PostgreSQL with pgvector 结合关系数据库能力与向量相似性搜索，支持 IVFFlat 和 HNSW 索引、多种距离度量，单精度下最高支持 2,000 维向量。
- Amazon S3 Vectors 为对象存储原生支持向量，面向大规模经济高效的存储与查询，相似性搜索可达亚秒级延迟，相比传统向量数据库可降低最多 90% 的向量存储成本。
关键数据
- Amazon S3 Vectors 相比传统向量数据库可降低最多 90% 的向量存储成本。
- Amazon Aurora PostgreSQL with pgvector 单精度下可处理最高 2,000 维向量。
- Amazon OpenSearch Serverless 的向量搜索查询延迟在低毫秒级。
- Amazon Titan Text Embedding v2 支持 1024、512 或 256 三种向量维度。
- Amazon OpenSearch Serverless NextGen collections 预计 2026 年 5 月正式可用，默认 32 倍压缩并支持 scale-to-zero。
为什么值得看：文章基于延迟、成本和搜索需求，为三种 Amazon Bedrock Knowledge Bases 向量存储后端给出了具体用例选型建议，有助于构建 RAG 方案时权衡性能与成本。
