Amazon DynamoDB现已推出实时向量搜索功能

       亚马逊云科技宣布Amazon DynamoDB的向量搜索功能现已正式可用。这项新功能可实时索引和搜索向量。随着向量数据集规模增长至数十亿甚至数万亿，传统的大规模向量搜索往往需要在搜索速度、扩展规模和准确性之间做出妥协：如果不降低召回率或吞吐量，系统延迟就会随着向量数量的增加而不断攀升。Amazon DynamoDB提供的原生向量搜索不仅能实现99%以上的超高召回率，并提供毫秒级延迟。该功能专为任意规模的数据而设计，即便是面对数万亿级别的向量也能游刃有余。

       对于已经在使用Amazon DynamoDB的应用，此前添加向量搜索需将数据复制到专属的向量数据库中，并耗费精力维护两套服务之间的数据同步管道。这不仅增加了运维负担、数据迁移成本和软件授权费用，更给大规模业务下保持稳定的低延迟带来了严峻挑战。现在，随着Amazon DynamoDB原生内置向量搜索功能，客户的向量数据与业务数据现在可以共享同一套无服务器基础设施，并采用一致的按请求次数付费定价模式。

       借助Amazon DynamoDB向量搜索功能，企业可以将向量嵌入与其他常规数据属性保存在一起，并自由使用所选的模型（包括Amazon Bedrock上提供的模型）来生成这些向量。客户能够创建向量索引并执行近似最近邻搜索（Approximate Nearest Neighbor），通过选择向量索引分区键来实现灵活扩展，并根据具体属性进行过滤以精准圈定结果范围。同时，用户依然能享受到熟悉的无服务器优势：无需管理基础设施、零停机时间、免维护窗口，且仅为实际用量付费。企业此前已经能够使用Amazon DynamoDB为AI Agent存储记忆，现在借助向量搜索功能，还可以对这些记忆数据进行语义检索，为Agent提供坚实的信息支撑；此外，该功能还能广泛应用于产品相似度检索、个性化广告、检索增强生成以及推荐系统等应用场景，并始终保持稳定可预测的高性能表现。

       Amazon DynamoDB中的向量搜索引入了一种新的索引类型，用户可以在存储向量嵌入的属性上创建该索引。企业可以使用所选模型（例如Amazon Bedrock Titan Text Embeddings、Cohere Embed或OpenAI文本嵌入模型）生成嵌入向量，并使用标准的PutItem调用将其作为浮点数列表存储在表中。然后，用户可以在该属性上创建向量索引，并指定维度数、距离函数以及希望用作筛选条件以在查询时缩小搜索范围的任何非向量属性。SearchVectors API接受查询向量、要返回的结果数（最多100个）以及可选的筛选条件，并返回按相似度排序的结果。该功能支持高达4096个维度，支持欧氏距离、余弦相似度和点积三种距离度量方式，并支持内联过滤。

       Amazon DynamoDB向量搜索功能现已在亚马逊云科技所有商业区域正式可用。