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：開始使用 S3 Vectors

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，您使用 Amazon Bedrock 嵌入模型產生資料的向量嵌入，並將其儲存在向量索引中，以執行語義搜尋。

若要開始使用，如果您還沒有帳戶，請註冊 AWS 帳戶。如需有關使用帳戶進行設定的詳細資訊，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，專門用於儲存和查詢向量。您可以使用專用的 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，您使用 Amazon S3 主控台建立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，您可在向量儲存貯體中建立向量索引。向量索引用於儲存和查詢向量嵌入。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 SDK for Python (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

此步驟使用 PutVectors API 操作將向量嵌入項目插入向量索引。

您必須先使用選擇的嵌入模型來產生向量嵌入。如果您使用 Amazon Bedrock，請使用 InvokeModel API 操作來指定您偏好的嵌入模型，藉以產生嵌入。或者，若要使用單一命令產生和插入向量嵌入，請參閱 (選用) 使用 S3 Vectors Embed CLI 自動建立向量嵌入。

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 AWS SDK for Python (Boto3)，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以當作可篩選的中繼資料。此外，我們使用名為 source_text 的不可篩選中繼資料索引鍵，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 SDK for Python (Boto3) 查詢向量索引中的向量

在向量索引中儲存向量嵌入之後，您可以使用 QueryVectors API 操作執行相似性搜尋。

您必須先使用在 步驟 3：使用 SDK for Python (Boto3) 將向量插入向量索引 中插入時使用的相同嵌入模型，產生查詢向量嵌入。在本教學課程中，透過 SDK for Python (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，您可以選擇透過使用中繼資料索引鍵，根據特定條件縮小結果範圍的方式進行篩選，如此可同時保持語義相關性。

# 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 Vectors Embed CLI 自動建立向量嵌入

Amazon S3 Vectors Embed CLI 是一種獨立的命令列工具，可簡化在 S3 Vectors 中使用向量嵌入的程序。您可以透過單一命令，使用 Amazon Bedrock 為資料建立向量嵌入，並將其儲存在 S3 向量索引中以進行查詢。該工具支援以下命令：

如需有關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 Vectors 與 Amazon Bedrock 知識庫

Amazon Bedrock 知識庫與 S3 Vectors 整合，以提高向量資料集的成本效益，並達到長期儲存之目的。

先決條件

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

在主控台使用 S3 Vectors 建立 Amazon Bedrock 知識庫

Amazon Bedrock 知識庫提供全託管的端對端 RAG 工作流程。當您使用 S3 Vectors 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、產生嵌入，並將其儲存在向量索引中。接著您可以查詢知識庫，並根據從來源資料擷取的區塊產生回應。

(選用) 整合 S3 Vectors 與 Amazon OpenSearch

Amazon OpenSearch Service 是一項全受管服務，可簡化 OpenSearch 在 AWS 雲端中的部署、擴展和操作。S3 Vectors 和 OpenSearch 之間有兩種整合。一個是將向量資料從 S3 Vectors 匯出到 OpenSearch Serverless，以取得高效能搜尋功能。另一個使用 S3 Vectors 做為 OpenSearch 中經濟實惠的儲存引擎，同時可保持對 OpenSearch 功能的存取。

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