個別向量資料庫受管服務 – Amazon Bedrock 知識庫在個別選項和受管選項之間進行選擇

向量資料庫比較

AWS 提供實作向量搜尋功能的多種方法，從個別向量資料庫到 Amazon Bedrock 知識庫，這是全受管服務。評估這些選項時，組織必須考慮各種層面，包括架構、可擴展性、整合功能、效能特性和安全功能。

個別向量資料庫

下表提供數個 AWS 個別向量資料庫解決方案的主要功能概觀，著重於其架構、擴展功能、資料來源整合和效能特性。

功能	Amazon Kendra	Amazon OpenSearch Service	Amazon RDS for PostgreSQLwith pgvector	Amazon DocumentDB	Amazon MemoryDB	Amazon Neptune Analytics	Amazon S3 Vectors
主要使用案例	企業搜尋和 RAG	分散式搜尋和分析	支援向量的關係式資料庫	具有向量搜尋的文件資料庫	即時記憶體內向量搜尋	使用向量搜尋進行圖形分析	成本最佳化向量儲存
Architecture	全受管	分散式叢集	關聯式資料庫	文件導向	記憶體資料庫	圖形分析引擎	無伺服器物件儲存
資料模型	以文件為基礎的	JSON 文件	關聯式資料表	JSON 文件	使用 JSON 的鍵值	屬性圖表	物件儲存體
向量維度	自動管理	高達 16，000	可設定	最多 2，000 個（索引）；16，000 個（未索引）	高達 32，768	可設定	高達 4，096
索引方法	自動	HNSW、IVF	HNSW、IVFFlat	HNSW、IVFFlat	HNSW	原生圖形和向量	自動
距離指標	自動	Cosine、Euclidean、點產品	Cosine、Euclidean、內部產品	Cosine、Euclidean、點產品	Cosine、Euclidean、內部產品	Cosine、Euclidean	Cosine、Euclidean
查詢延遲	次秒	Sub-10 毫秒 (GPU 加速）	10-100 毫秒	毫秒	亞毫秒	次秒	Sub-100 毫秒
擴展模型	自動	水平（新增節點）	垂直和僅供讀取複本	水平（新增執行個體）	垂直和複本	自動	自動（無伺服器）
向量上限	受管	十億元（取決於叢集）	百萬（執行個體相依）	每個集合的百萬	每個資料庫的百萬	十億	每個索引 20 億；每個儲存貯體 10，000 個索引
輸送量	高	極高（數千個 QPS)	中	高	非常高（每天數百萬個請求）	高	中（針對不常查詢進行最佳化）
資料耐用性	99.999999999% (11 9s)	可使用複本設定	99.99% （異地同步備份）	99.99% （異地同步備份）	99.99% （異地同步備份）	99.99%	99.999999999% (11 9s)
一致性模型	最終	最終（可設定）	強 (ACID)	最終	強大	強大	強大
其他功能	40 個或更多資料連接器，NLP	全文搜尋、分析、儀表板	SQL 查詢、ACID 交易	MongoDB API 相容性	Redis API 相容性、快取	圖形演算法、周遊	Amazon S3 整合、生命週期政策
定價方式	按查詢和儲存付費	執行個體時數和儲存	執行個體時數和儲存	執行個體時數和儲存	執行個體時數和儲存	容量單位和儲存體	儲存、查詢和資料傳輸
成本最佳化	以用量為基礎的	預留執行個體、自動擴展	預留執行個體，Aurora Serverless	預留執行個體	預留執行個體	自動調整規模	與專用DBs相比，節省高達 90%
最適合	以最少的設定進行企業搜尋	高輸送量、低延遲查詢	混合 SQL 和向量工作負載	需要向量的 MongoDB 相容應用程式	即時、極低延遲的應用程式	GraphRAG 和知識圖表	長期、經濟實惠的儲存體
理想的查詢模式	頻繁的企業搜尋	高頻率即時查詢	混合 SQL 和向量查詢	使用語意搜尋記錄查詢	每天數百萬個請求	使用向量搜尋繪製周遊圖形	不常查詢（分鐘到小時）
設定複雜性	低（完全受管）	中（叢集組態）	中（延伸設定）	中（叢集組態）	中（叢集組態）	低（完全受管）	低（無伺服器）
所需的團隊專業知識	極小	OpenSearch 或 Elasticsearch	PostgreSQL、SQL	MongoDB	Redis	圖形資料庫	Amazon S3，基本向量概念

受管服務 – Amazon Bedrock 知識庫

Amazon Bedrock 知識庫提供具有多個向量儲存選項的全受管解決方案。下表會比較這些儲存選項。

功能	Aurora PostgreSQLwith pgvector	Neptune 分析	OpenSearch Service Serverless	Amazon S3 向量	Pinecone	RedisEnterprise 雲端
主要使用案例	具有向量 RAG 的關係式資料庫	GraphRAG 的圖形型向量搜尋	知識管理 RAG	成本最佳化向量 RAG	高效能向量搜尋	記憶體內向量搜尋
Architecture	全受管關聯式	全受管圖形分析	全受管無伺服器	無伺服器物件儲存	全受管混合雲端	完全受管的記憶體內
資料模型	關聯式資料表	屬性圖表	JSON 文件	物件儲存體	專用向量	具有向量的鍵值
向量儲存	透過 pgvector 延伸模組	原生圖形向量	透過 OpenSearch 引擎	原生 Amazon S3 向量儲存	原生向量資料庫	記憶體內向量
Amazon Bedrock 整合	原生	原生	原生	原生	原生	原生
自動擷取	是（透過 Amazon Bedrock)	是（透過 Amazon Bedrock)	是（透過 Amazon Bedrock)	是（透過 Amazon Bedrock)	是（透過 Amazon Bedrock)	是（透過 Amazon Bedrock)
自動向量化	是（透過 Amazon Bedrock)	是（透過 Amazon Bedrock)	是（透過 Amazon Bedrock)	是（透過 Amazon Bedrock)	是（透過 Amazon Bedrock)	是（透過 Amazon Bedrock)
擴展	自動擴展 (Aurora Serverless)	自動圖形擴展	自動無伺服器	自動（十億個向量）	自動擴展 Pod	自動擴展叢集
查詢效能	關聯式或向量高	圖形向量高	高	中等 (100 毫秒或更多延遲）	非常高	非常高
向量上限	百萬（執行個體相依）	十億	十億	每個索引 20 億個	十億	百萬（記憶體相依）
其他功能	SQL 查詢、ACID 交易	圖形演算法、周遊	全文搜尋、分析	Amazon S3 生命週期、分層	中繼資料篩選、命名空間	Redis 資料結構、快取
成本最佳化	中等 (Aurora Serverless)	中等（容量單位）	高（無伺服器、pay-per-use)	非常高（節省高達 90%)	中等（以 Pod 為基礎的定價）	低（記憶體內溢價）
最適合	混合 SQL/向量工作負載	連線的知識圖表	具有向量搜尋的全文	長期、不常存取的向量	大規模即時向量搜尋	超低延遲需求
理想的查詢模式	混合 SQL 和向量查詢	使用向量繪製周遊	經常使用分析進行搜尋	不常擷取（分鐘到小時）	高頻率即時查詢	每秒數百萬個請求
使用 Amazon Bedrock 設定	簡單（由 Amazon Bedrock 管理）	簡單（由 Amazon Bedrock 管理）	簡單（由 Amazon Bedrock 管理）	簡單（由 Amazon Bedrock 管理）	簡單（由 Amazon Bedrock 管理）	簡單（由 Amazon Bedrock 管理）
資料落地	AWS 區域	AWS 區域	AWS 區域	AWS 區域	多雲端 (AWS 及其他）	多雲端 (AWS 及其他）
定價方式	執行個體時數和儲存體	容量單位和儲存體	運算和儲存（無伺服器）	儲存、查詢和傳輸	Pod 時數和儲存	節點時數和儲存

在個別選項和受管選項之間進行選擇

考量事項	選擇個別向量資料庫	選擇 Amazon Bedrock 知識庫（受管）
RAG 實作	您想要完全控制 RAG 管道	您想要設定最少的全受管 RAG
自訂	您需要自訂擷取邏輯和預先處理	標準 RAG 模式符合您的需求
現有基礎設施	您已部署資料庫	您開始全新或想要簡化的管理
團隊專業知識	您的團隊具備資料庫管理專業知識	您偏好專注於應用程式邏輯，而不是基礎設施
整合複雜性	您需要與現有系統深度整合	您想要快速整合 Amazon Bedrock 模型
營運開銷	您可以管理資料庫操作	AWS 您想要處理操作
成本結構	您偏好直接資料庫定價	您偏好統一的 Amazon Bedrock 定價
上市時間	您有時間進行自訂實作	您需要快速部署

您的瀏覽器已停用或無法使用 Javascript。

您必須啟用 Javascript，才能使用 AWS 文件。請參閱您的瀏覽器說明頁以取得說明。

文件慣用形式

向量資料庫選項

成本比較和考量事項