Selecting a vector store for Amazon Bedrock Knowledge Bases
AWS Machine Learning Blog 发布文章《Selecting a vector store for Amazon Bedrock Knowledge Bases》，指出为 Bedrock Knowledge Bases 的 RAG 应用选择向量存储会影响性能与成本。文章在三个 RAG 用例下比较 Amazon OpenSearch Service、Amazon Aurora PostgreSQL with pgvector 与 Amazon S3 Vectors，并给出基准测试与一套实用的选型框架。
发展脉络
- 首次出现Selecting a vector store for Amazon Bedrock Knowledge BasesAWS Machine Learning Blog
- 当前判断云厂商亲自发布自家三种向量存储的横向对比与选型框架，说明 RAG 基础设施已进入「同厂多方案并存、由客户按成本与性能取舍」的阶段，而非单一托管服务通吃。这对 Bedrock 生态的默认架构选择有直接影响。但证据未涉及第三方向量数据库、定价变化或客户采用数据，因此不能推断市场竞争格局或份额变化。Agent Pulse · 分析
AWS 官方博客发布向量存储选型指南，面向 Amazon Bedrock Knowledge Bases 的 RAG 应用。文章明确将选型与性能、成本两项结果挂钩，并横向比较三种候选：Amazon OpenSearch Service、Amazon Aurora PostgreSQL with pgvector、Amazon S3 Vectors。比较覆盖三个 RAG 用例，并附带基准测试数据与一个实用选择框架。证据未披露具体基准数值、延迟或价格，也未说明各方案在何种用例下胜出，因此结论只能停留在「存在官方对比与选型方法」这一层。
从证据可确认的是，AWS 把向量存储视为 RAG 架构中可替换的一层，并给出跨三个用例的对比方法，而非单一推荐。这暗示检索层选型需要按用例而非按默认值决定。但证据未给出任何基准数字、召回率、延迟或成本曲线，因此无法判断 pgvector、OpenSearch 与 S3 Vectors 的相对优劣。可验证的下一信号是文章正文中的基准表与选型决策树，以及是否公开测试数据集与配置。
云厂商亲自发布自家三种向量存储的横向对比与选型框架，说明 RAG 基础设施已进入「同厂多方案并存、由客户按成本与性能取舍」的阶段，而非单一托管服务通吃。这对 Bedrock 生态的默认架构选择有直接影响。但证据未涉及第三方向量数据库、定价变化或客户采用数据，因此不能推断市场竞争格局或份额变化。
对使用 Bedrock Knowledge Bases 构建 RAG 的团队，这份对比提供了在性能与成本之间做取舍的官方参考，可减少自建基准的初期成本。但证据未给出具体价格或性能数字，因此不能据此估算节省幅度或做预算承诺。实际价值取决于文章基准是否覆盖团队自身的数据规模与查询模式。
若该选型框架被广泛引用，向量存储可能从架构决策降级为按用例切换的配置项。可验证的下一信号是 AWS 是否把该框架固化进 Bedrock Knowledge Bases 的控制台引导或默认配置，以及是否后续发布更新版基准或新增候选存储。