AWS 博文对比 Amazon Bedrock 知识库三种向量存储后端
AWS 官方博客发文，围绕 Amazon Bedrock Knowledge Bases 的客户自管配置，对比 OpenSearch Service、Aurora PostgreSQL with pgvector 与 S3 Vectors 三种向量存储后端，并结合不同 RAG 用例给出选型思路。
AWS 发文对比 Bedrock 知识库的向量存储选型
AWS 在官方博客发布文章，讨论为 Amazon Bedrock Knowledge Bases 选择向量存储的问题。文章指出，Bedrock Knowledge Bases 提供全托管选项，也提供由客户自行选择向量存储的客户自管路径；该文聚焦后者，比较三种受支持的后端：Amazon OpenSearch Service、Amazon Aurora PostgreSQL with pgvector，以及 Amazon S3 Vectors。文章同时说明，这些比较是围绕不同的 RAG 用例展开的。
背景与影响
文章介绍，RAG 架构把大语言模型与信息检索系统结合，文档在摄取阶段被切分、向量化并存入向量数据库，查询时先做相似度检索，再把最相似的若干片段作为上下文交给模型生成回答。因此向量存储的选择会牵动检索效果与成本。按文章描述，OpenSearch Service 支持托管集群与 Serverless 两种部署形态，具备 k-NN 搜索以及结合词法与向量的混合搜索；Aurora PostgreSQL with pgvector 结合关系型数据库能力与向量相似度检索，支持多种索引方法与距离度量；S3 Vectors 则定位为面向大规模向量嵌入的经济型存储与查询方案。文章以商品目录搜索等场景说明不同后端的适配差异，并称 OpenSearch Serverless 在该场景下可提供低毫秒级查询延迟。
限制与来源
需要说明的是，上述内容来自 AWS 官方博客的选型讨论，属于厂商视角的说明，并非独立第三方测评。文中涉及的具体性能表现、成本降幅与适用场景，均以原文表述为准，尚未获官方以外的独立确认；相关服务的功能范围、区域可用性、定价与配额可能随时调整，请以 AWS 官网当前信息为准。本文不构成任何采购、投资或架构决策建议。原文链接：https://aws.amazon.com/blogs/machine-learning/selecting-a-vector-store-for-amazon-bedrock-knowledge-bases/