本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

教學課程：S3 Vectors 入門

在本教學課程中，您會在 Amazon S3 主控台 AWS 區域 的 中建立 S3 向量儲存貯體和向量索引。 Amazon S3 接著，您可以使用 Amazon Bedrock 內嵌模型來產生資料的向量內嵌，並將其存放在向量索引中，以執行語意搜尋。

若要開始使用，如果您還沒有帳戶，請註冊 AWS 帳戶。如需使用 帳戶設定 的詳細資訊，請參閱 Amazon S3 入門。

步驟 1：使用主控台建立向量儲存貯體

S3 向量儲存貯體是一種 Amazon S3 儲存貯體，專門用於存放和查詢向量。您可以使用專用 API 操作來寫入和查詢向量資料。您可以使用存取控制機制來控制向量資料的存取，例如 IAM 身分型政策和資源型政策。

在此步驟中，您可以使用 Amazon S3 主控台來建立您的第一個向量儲存貯體。如需建立向量儲存貯體的其他方式，請參閱 建立向量儲存貯體。

建立向量儲存貯體

步驟 2：使用主控台在向量儲存貯體中建立向量索引

在此步驟中，您會在向量儲存貯體中建立向量索引。向量索引用於存放和查詢向量內嵌。如需向量索引的詳細資訊，請參閱 向量索引。

建立向量索引

確認您的新向量索引出現在儲存貯體內。

步驟 3：使用適用於 Python 的 SDK (Boto3) 將向量插入向量索引

若要插入、列出和查詢向量，請使用 AWS SDKs或 Amazon S3 REST API。 AWS CLI

此步驟是使用 PutVectors API 操作將向量內嵌插入向量索引。

您必須先使用您選擇的內嵌模型來產生向量內嵌。如果您使用 Amazon Bedrock，請使用 InvokeModel API 操作來指定您偏好的內嵌模型，以產生內嵌。或者，若要使用單一命令產生和插入向量內嵌，請參閱 （選用） 使用 S3 向量內嵌 CLI 自動化向量內嵌建立。

下列範例程式碼使用 從 Amazon Bedrock 產生具有 Titan Text Embeddings V2 模型的 1024 維向量內嵌 適用於 Python (Boto3) 的 AWS SDK，並使用 PutVectors API 將其存放在向量索引中。除了每個向量之外，我們還會連接鍵值對做為可篩選的中繼資料。此外，我們使用名為 source_text 的不可篩選中繼資料金鑰，以保留衍生每個向量的原始文字。若要最大化請求輸送量並最佳化速度和效率，建議您分批插入和刪除向量。如需詳細資訊，請參閱S3 Vectors 最佳實務。

# Populate a vector index with embeddings from Amazon Titan Text Embeddings V2.
import boto3
import json

# Create Bedrock Runtime and S3 Vectors clients in the AWS Region of your choice. 
bedrock = boto3.client("bedrock-runtime", region_name="us-west-2")
s3vectors = boto3.client("s3vectors", region_name="us-west-2")

# Texts to convert to embeddings.
texts = [
    "Star Wars: A farm boy joins rebels to fight an evil empire in space", 
    "Jurassic Park: Scientists create dinosaurs in a theme park that goes wrong",
    "Finding Nemo: A father fish searches the ocean to find his lost son"
]

# Generate vector embeddings.
embeddings = []
for text in texts:
    response = bedrock.invoke_model(
        modelId="amazon.titan-embed-text-v2:0",
        body=json.dumps({"inputText": text})
    )

    # Extract embedding from response.
    response_body = json.loads(response["body"].read())
    embeddings.append(response_body["embedding"])

# Write embeddings into vector index with metadata.
s3vectors.put_vectors(
    vectorBucketName="media-embeddings",   
    indexName="movies",   
    vectors=[
        {
            "key": "Star Wars",
            "data": {"float32": embeddings[0]},
            "metadata": {"source_text": texts[0], "genre":"scifi"}
        },
        {
            "key": "Jurassic Park",
            "data": {"float32": embeddings[1]},
            "metadata": {"source_text": texts[1], "genre":"scifi"}
        },
        {
            "key": "Finding Nemo",
            "data": {"float32": embeddings[2]},
            "metadata": {"source_text": texts[2], "genre":"family"}
        }
    ]
)

步驟 4. 使用適用於 Python 的 SDK (Boto3) 查詢向量索引中的向量

在向量索引中存放向量內嵌之後，您可以使用 QueryVectors API 操作執行相似性搜尋。

您必須先使用在 中插入時使用的相同內嵌模型來產生查詢向量內嵌步驟 3：使用適用於 Python 的 SDK (Boto3) 將向量插入向量索引。在本教學課程中，透過適用於 Python 的 SDK (Boto3)，從 Amazon Bedrock 使用 Titan Text Embeddings V2 模型。

您可以執行相似性搜尋，以傳回最接近的相符向量。在相似性搜尋中，您可以選擇使用中繼資料金鑰，根據特定條件縮小結果範圍，同時保持語意相關性。

# Query a vector index with an embedding from Amazon Titan Text Embeddings V2.
import boto3 
import json 

# Create Bedrock Runtime and S3 Vectors clients in the AWS Region of your choice. 
bedrock = boto3.client("bedrock-runtime", region_name="us-west-2")
s3vectors = boto3.client("s3vectors", region_name="us-west-2") 

# Query text to convert to an embedding. 
input_text = "adventures in space"

# Generate the vector embedding.
response = bedrock.invoke_model(
    modelId="amazon.titan-embed-text-v2:0",
    body=json.dumps({"inputText": input_text})
) 

# Extract embedding from response.
model_response = json.loads(response["body"].read())
embedding = model_response["embedding"]

# Query vector index.
response = s3vectors.query_vectors(
    vectorBucketName="media-embeddings",
    indexName="movies",
    queryVector={"float32": embedding}, 
    topK=3, 
    returnDistance=True,
    returnMetadata=True
)
print(json.dumps(response["vectors"], indent=2))

# Query vector index with a metadata filter.
response = s3vectors.query_vectors(
    vectorBucketName="media-embeddings",
    indexName="movies",
    queryVector={"float32": embedding}, 
    topK=3, 
    filter={"genre": "scifi"},
    returnDistance=True,
    returnMetadata=True
)
print(json.dumps(response["vectors"], indent=2))
    

（選用） 使用 S3 向量內嵌 CLI 自動化向量內嵌建立

Amazon S3 Vectors Embed CLI 是一種獨立的命令列工具，可簡化在 S3 Vectors 中使用向量內嵌的程序。透過單一命令，您可以使用 Amazon Bedrock 為資料建立向量內嵌，並將它們存放在 S3 向量索引中並進行查詢。此工具支援下列命令：

如需命令和用量的詳細資訊，請參閱 Amazon S3 Vectors Embed CLI GitHub 儲存庫。

（選用） 整合 S3 向量與 Amazon Bedrock 知識庫

Amazon Bedrock 知識庫與 S3 Vectors 整合，以實現向量資料集的成本效益和長期儲存。

先決條件

遵循先決條件，以確保您擁有建立 Amazon Bedrock 知識庫的必要許可。

在主控台中使用 S3 向量建立 Amazon Bedrock 知識庫

Amazon Bedrock 知識庫提供全受管end-to-end RAG 工作流程。當您使用 S3 向量建立知識庫時，Amazon Bedrock 會自動從 S3 資料來源擷取資料、將內容轉換為文字區塊、產生內嵌，並將它們存放在向量索引中。然後，您可以查詢知識庫，並根據從來源資料擷取的區塊產生回應。

（選用） 整合 S3 向量與 Amazon OpenSearch

Amazon OpenSearch Service 是一項全受管服務，可簡化 AWS 雲端中 OpenSearch 的部署、擴展和操作。S3 Vectors 和 OpenSearch 之間有兩種整合。其中一個是將向量資料從 S3 向量匯出至 OpenSearch Serverless，以獲得高效能搜尋功能。另一個使用 S3 Vectors 作為 OpenSearch 中的經濟實惠儲存引擎，同時保持對 OpenSearch 功能的存取。

如需詳細資訊，請參閱搭配 OpenSearch Service 使用 S3 向量。