本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 矢量数据库比较
<a name="vector-db-comparison"></a>

AWS 提供了多种实现矢量搜索功能的方法，从单个矢量数据库到 Amazon Bedrock 知识库，后者是一项完全托管的服务。在评估这些选项时，组织必须考虑各个方面，包括架构、可扩展性、集成能力、性能特征和安全功能。

## 单个矢量数据库
<a name="individual-vector-databases"></a>

下表概述了几种 AWS 单独的矢量数据库解决方案的主要功能，重点介绍其架构、扩展能力、数据源集成和性能特征。


| 
| 
| **功能** | **Amazon Kendra** | **亚马逊 OpenSearch 服务** | **Postgr SQLwith e 版亚马逊 RDS pgvector** | **Amazon DocumentDB** | **Amazon MemoryDB** | **Amazon Neptune Analytics** | **Amazon S3 Vectors** | 
| --- |--- |--- |--- |--- |--- |--- |--- |
| 主要使用案例 | 企业搜索和 RAG | 分布式搜索和分析 | 支持向量的关系数据库 | 使用矢量搜索功能的文档数据库 | 实时内存中矢量搜索 | 使用矢量搜索进行图形分析 | 成本优化的矢量存储 | 
| 架构 | 完全托管 | 分布式集群 | 关系数据库 | 以文档为导向 | 内存数据库 | 图形分析引擎 | 无服务器对象存储 | 
| 数据模型 | 基于文档 | JSON 文档 | 关系表 | JSON 文档 | 带有 JSON 的键值 | 房产图 | 对象存储 | 
| 向量尺寸 | 自动管理 | 最多 16,000 | 可配置 | 最多 2,000（已编入索引）；16,000（未编入索引） | 最多 32,768 | 可配置 | 最多 4,096 | 
| 索引方法 | 自动 | 哈哈哈，试管婴儿 | 新南威尔士州， IVFFlat | 新南威尔士州， IVFFlat | HNSW | 原生图形和向量 | 自动 | 
| 距离指标 | 自动 | 余弦、欧几里得、点积 | 余弦、欧几里得、内积 | 余弦、欧几里得、点积 | 余弦、欧几里得、内积 | 余弦、欧几里得 | 余弦、欧几里得 | 
| 查询延迟 | 亚秒级 | 小于 10 毫秒（GPU 加速） | 10-100 ms | 毫秒 | 亚毫秒级 | 亚秒级 | 低于 100 毫秒 | 
| 缩放模型 | 自动 | 水平（添加节点） | 垂直副本和只读副本 | 水平（添加实例） | 垂直和复制品 | 自动 | 自动（无服务器） | 
| 最大向量 | 托管式 | 十亿（取决于集群） | 数百万（取决于实例） | 每个收藏数百万美元 | 每个数据库数百万美元 | 数十亿 | 每个索引 20 亿个；每个存储桶 10,000 个索引 | 
| 吞吐量 | 高 | 非常高（数千个 QPS） | 中 | 高 | 非常高（每天有数百万个请求） | 高 | 中（针对不频繁的查询进行了优化） | 
| 数据持久性 | 99.999999999%（11 个 9） | 可通过副本进行配置 | 99.99%（多可用区） | 99.99%（多可用区） | 99.99%（多可用区） | 99.99% | 99.999999999%（11 个 9） | 
| 一致性模型 | 最终 | 最终（可配置） | 强（酸） | 最终 | 很强 | 很强 | 很强 | 
| 附加功能 | 40 个或更多数据连接器，NLP | 全文搜索、分析、仪表板 | SQL 查询、ACID 事务 | MongoDB API 兼容性 | Redis API 兼容性、缓存 | 图形算法、遍历 | Amazon S3 集成、生命周期策略 | 
| 定价模式 | 按查询和存储付费 | 实例小时数和存储空间 | 实例小时数和存储空间 | 实例小时数和存储空间 | 实例小时数和存储空间 | 容量单位和存储空间 | 存储、查询和数据传输 | 
| 成本优化 | 基于用量 | 预留实例，自动缩放 | 预留实例，Aurora 无服务器 | 预留实例 | 预留实例 | 自动扩缩 | 与专业相比，最多可节省 90% DBs | 
| 适用于 | 只需最少的设置即可进行企业搜索 | 高吞吐量、低延迟查询 | 混合 SQL 和矢量工作负载 | 兼容 MongoDB 的应用程序需要向量 | 实时、超低延迟的应用程序 | GraphRag 和知识图表 | 经济实惠的长期存储 | 
| 理想的查询模式 | 频繁的企业搜索 | 高频实时查询 | 混合 SQL 和向量查询 | 使用语义搜索进行文档查询 | 每天有数百万个请求 | 使用矢量搜索进行图形遍历 | 不频繁的查询（几分钟到几小时） | 
| 设置复杂性 | 低（完全托管） | 中（群集配置） | 中等（扩展设置） | 中（群集配置） | 中（群集配置） | 低（完全托管） | 低（无服务器） | 
| 需要团队专业知识 | Minimal | OpenSearch 或者弹性搜索 | PostgreSQL、SQL | MongoDB | Redis | 图形数据库 | 亚马逊 S3，基本矢量概念 | 

## 托管服务 — Amazon Bedrock 知识库
<a name="managed-service"></a>

Amazon Bedrock 知识库提供了具有多个矢量存储选项的完全托管解决方案。下表比较了这些存储选项。


| 
| 
| **功能** | **Aurora Postgre pgvect SQLwith** | **Neptune 分析** | **OpenSearch 无服务器服务** | **亚马逊 S3 矢量图** | **Pinecone** | **RedisEnterprise 云** | 
| --- |--- |--- |--- |--- |--- |--- |
| 主要使用案例 | 带有向量 RAG 的关系数据库 | GraphRag 的基于图形的矢量搜索 | 知识管理 RAG | 成本优化的矢量 RAG | 高性能矢量搜索 | 内存中的矢量搜索 | 
| 架构 | 完全托管的关系 | 完全托管的图形分析 | 完全托管的无服务器 | 无服务器对象存储 | 完全托管的混合云 | 完全托管的内存中 | 
| 数据模型 | 关系表 | 房产图 | JSON 文档 | 对象存储 | 专门构建的矢量图 | 带向量的键值 | 
| 矢量存储 | 通过 pgvector 扩展 | 原生图形向量 | 通过 OpenSearch 发动机 | 亚马逊 S3 原生矢量存储 | 原生矢量数据库 | 内存中的向量 | 
| Amazon Bedrock 集成 | Native | Native | Native | Native | Native | Native | 
| 自动摄取 | 是（通过 Amazon Bedrock） | 是（通过 Amazon Bedrock） | 是（通过 Amazon Bedrock） | 是（通过 Amazon Bedrock） | 是（通过 Amazon Bedrock） | 是（通过 Amazon Bedrock） | 
| 自动矢量化 | 是（通过 Amazon Bedrock） | 是（通过 Amazon Bedrock） | 是（通过 Amazon Bedrock） | 是（通过 Amazon Bedrock） | 是（通过 Amazon Bedrock） | 是（通过 Amazon Bedrock） | 
| 扩展 | 自动扩展（Aurora 无服务器） | 自动缩放图表 | 自动无服务器 | 自动（数十亿个向量） | 自动缩放 pod | 自动扩展集群 | 
| 查询性能 | 关系或向量为高 | 图形向量的值很高 | 高 | 中等（延迟 100 毫秒或更长） | 非常高 | 非常高 | 
| 最大向量 | 数百万（取决于实例） | 数十亿 | 数十亿 | 每个指数 20 亿美元 | 数十亿 | 数百万（依赖内存） | 
| 附加功能 | SQL 查询、ACID 事务 | 图形算法、遍历 | 全文搜索、分析 | Amazon S3 生命周期，分层 | 元数据筛选、命名空间 | Redis 数据结构，缓存 | 
| 成本优化 | 中等（Aurora 无服务器） | 中等（容量单位） | 高（无服务器， pay-per-use） | 非常高（最多可节省 90%） | 中等（基于 Pod 的定价） | 低（内存溢价） | 
| 适用于 | 混合 SQL/vector 工作负载 | 互联知识图表 | 带矢量搜索的全文 | 长期、不经常访问的向量 | 大规模实时矢量搜索 | 超低延迟需求 | 
| 理想的查询模式 | 混合 SQL 和向量查询 | 使用向量进行图遍历 | 使用分析进行频繁搜索 | 不频繁检索（几分钟到几小时） | 高频实时查询 | 每秒数百万个请求 | 
| 使用 Amazon Bedrock 进行设置 | 简单（由 Amazon Bedrock 管理） | 简单（由 Amazon Bedrock 管理） | 简单（由 Amazon Bedrock 管理） | 简单（由 Amazon Bedrock 管理） | 简单（由 Amazon Bedrock 管理） | 简单（由 Amazon Bedrock 管理） | 
| 数据驻留 | AWS 区域 | AWS 区域 | AWS 区域 | AWS 区域 | 多云（AWS 和其他） | 多云（AWS 和其他） | 
| 定价模式 | 实例小时数和存储空间 | 容量单位和存储空间 | 计算和存储（无服务器） | 存储、查询和传输 | Pod 使用时间和存储空间 | 节点使用时间和存储空间 | 

## 在个人选项和托管选项之间进行选择
<a name="decision-matrix"></a>


| 
| 
| **考虑** | **选择单个向量 DB** | **选择 Amazon Bedrock 知识库（托管）** | 
| --- |--- |--- |
| RAG 的实现 | 你想完全控制 RAG 管道 | 你想要完全托管的 RAG，只需最少的设置 | 
| 自定义 | 您需要自定义检索逻辑和预处理 | 标准 RAG 图案可满足您的需求 | 
| 现有基础架构 | 您已经部署了数据库 | 您正在重新开始，或者想要简化管理 | 
| 团队专业知识 | 您的团队拥有数据库管理专业知识 | 您更愿意关注应用程序逻辑，而不是基础架构 | 
| 集成复杂性 | 您需要与现有系统进行深度集成 | 你想快速与 Amazon Bedrock 模型集成 | 
| 运营开销 | 您可以管理数据库操作 | 你 AWS 想处理操作 | 
| 成本结构 | 您更喜欢直接数据库定价 | 你更喜欢统一的 Amazon Bedrock 定价 | 
| 是时候上市了 | 你有时间进行自定义实现 | 你需要快速部署 |