用途:使用 Amazon S3 Vectors(独立 API 命名空间 s3vectors)存储和查询向量嵌入,面向低成本长期存储、低频查询与 RAG,冷查询亚秒级、热查询低至约 100ms。
选型指南:持续数百/数千 QPS 不适合该服务,建议 OpenSearch;混合搜索、聚合、分面搜索建议 OpenSearch,可用 S3 Vectors 作为存储引擎;分层(批量+热数据)可用 S3 Vectors 存储加 OpenSearch Serverless 实时层;低成本存储、不频繁查询、RAG 适合使用本服务。
主要能力与使用方式:先判定请求类型(简单查询可跳过创建;标准流程必须先列出已有索引并建议复用;迁移或多租户需先读 references/limits-and-patterns.md),随后按步骤执行:1)确认 AWS MCP 工具或 AWS CLI 可用并确认区域;2)创建向量桶,名称 3-63 字符,仅小写字母、数字、连字符,加密创建后不可改:aws s3vectors create-vector-bucket --vector-bucket-name <BUCKET_NAME>;3)创建索引,参数创建后均不可变,需确认维度(1-4096,须匹配嵌入模型)、距离度量(cosine 或 euclidean)、最多 10 个不可过滤元数据键(须在创建时声明)、加密:aws s3vectors create-index --vector-bucket-name <BUCKET_NAME> --index-name <INDEX_NAME> --dimension <DIM> --distance-metric <cosine|euclidean> --data-type float32 --metadata-configuration '{"nonFilterableMetadataKeys":["<KEY1>","<KEY2>"]}'(无不可过滤键时可省略该参数)。
4)如需生成嵌入,须确认模型、不得假设默认模型,维度须与索引一致,存储与查询用同一模型:aws bedrock-runtime invoke-model --model-id <MODEL_ID> --content-type application/json --cli-binary-format raw-in-base64-out --body '{"inputText": "your text"}' invoke-model-output.json;响应键随模型而异,Titan 用 embedding,Cohere 用 embeddings。
5)写入向量:aws s3vectors put-vectors --vector-bucket-name <BUCKET_NAME> --index-name <INDEX_NAME> --vectors '[{"key":"<ID>","data":{"float32":[<EMBEDDING>]},"metadata":{"topic":"science"}}]';单次不超过 500 个向量,批量建议用 SDK,遇 429 需退避重试。
6)查询:aws s3vectors query-vectors --vector-bucket-name <BUCKET_NAME> --index-name <INDEX_NAME> --query-vector '{"float32":[<EMBEDDING>]}' --top-k 10 --return-distance;可加 --return-metadata 和/或 --filter '{"topic":{"$eq":"science"}}',两者都需 s3vectors:GetVectors 权限。
限制与排错:索引参数不可变,维度不匹配需重建索引(会销毁全部向量);IAM 使用 s3vectors:* 而非 s3:*,缺 GetVectors 时过滤与返回元数据会 403;结果少于 top-k 属正常(过滤为内联);达每索引速率上限返回 429,可退避重试或跨索引分片。多租户模式、批量摄取、SSE-KMS 与迁移细节见参考资料。其余收费与具体数值暂未提供。