Einen Vektorspeicher für Amazon Bedrock Knowledge Bases auswählen
aws ·
Der Artikel erläutert, wie man unter den drei von Amazon Bedrock Knowledge Bases unterstützten, vom Kunden verwalteten Vektorspeicher-Backends auswählt: Amazon OpenSearch Service, Amazon Aurora PostgreSQL mit pgvector und Amazon S3 Vectors. Er beschreibt die Rolle von Vektordatenbanken bei der Retrieval-Augmented Generation, bei der eingebettete Dokumentabschnitte anhand semantischer Ähnlichkeit abgerufen und einem Large Language Model als Kontext übergeben werden. OpenSearch wird als besonders geeignet für die Echtzeitsuche in Produktkatalogen dargestellt, insbesondere wenn niedrige Latenz, eine hybride Suche aus Schlüsselwörtern und Vektoren, Filterung und Aggregationen wichtig sind. S3 Vectors wird für kostenbewusste Deep-Research- und Workloads im großen Maßstab positioniert und bietet elastische Skalierung, stapelorientierte Verarbeitung sowie in den berichteten Wikipedia-Tests einen Abruf in unter einer Sekunde. Aurora mit pgvector wird für kundenorientierte Chatbots empfohlen, die eine Integration relationaler Daten und die Flexibilität benötigen, die Indizierung mit HNSW und IVFFlat zu vergleichen; beide getesteten Ansätze erzielten im beschriebenen Workload eine mediane Latenz von unter 50 Millisekunden. Die Auswahlhilfe empfiehlt, Latenz, Abfragemuster, Anforderungen an die hybride Suche und Kostensensibilität zu bewerten, und weist darauf hin, dass eine mehrstufige Architektur S3 Vectors mit OpenSearch oder Aurora für leistungsentscheidende Teilmengen kombinieren kann. Da die Benchmarks separate Workloads statt eines direkten Vergleichs unter identischen Bedingungen verwendeten, rät der Artikel Teams, die Optionen mit ihren eigenen Daten und Abfragemustern zu testen.
aws