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。

# 選擇 RAG 使用案例的 AWS 向量資料庫
<a name="introduction"></a>

*Mayuri Shinde、Ivan Cui 和 Anand Bukkapatnam Tirumala，Amazon Web Services*

*2026 年 3 月* ([文件歷史記錄](doc-history.md))

對於實作生成式 AI 應用程式的組織而言，向量資料庫變得越來越重要。這些資料庫會存放和管理*向量*，這些向量是資料的數值表示法，能夠以擷取其意義和關係的方式處理文字、影像和其他內容。

當組織探索向量資料庫選項時 AWS，他們需要了解不同解決方案的功能、權衡和最佳實務。本指南可協助您比較 上常用的向量存放區， AWS 並針對哪些選項最適合您的特定需求或使用[案例](use-cases.md)做出明智的決策。無論您是實作擷取增強生成 (RAG)、建置建議系統，還是開發其他 AI 應用程式，本指南都會提供架構，協助您評估和選擇向量資料庫解決方案。

## 目標對象
<a name="audience"></a>

本指南適用於擔任下列角色的人員：
+ 使用向量資料庫來存放和擷取 ML 模型之高維度資料的資料科學家和機器學習 (ML) 工程師。
+ 設計和實作包含向量資料庫的資料管道的資料工程師，用於存放和處理高維度資料。
+ 在 ML 管道中使用向量資料庫來存放和提供模型輸出或中繼表示法的 MLOps 工程師。
+ 將向量資料庫整合到需要相似性搜尋或建議系統的應用程式的軟體工程師。
+ 負責在生產環境中部署和維護向量資料庫的 DevOps 工程師，確保可擴展性和可靠性。
+ 使用向量資料庫來存放和分析內嵌或特徵向量大型資料集的 AI 研究人員。
+ 需要了解向量資料庫的功能和限制，才能對產品功能和架構做出明智決策的 AI 產品管理員。