Heim

Skill

Cloud-Infrastruktur

storing-and-querying-vectors

aws/agent-toolkit-for-aws

Speichern und abfragen Sie Vektor-Embeddings mit Amazon S3 Vectors, einem kostengünstigen Dienst zur langfristigen Speicherung von Vektoren mit eigenem API-Namespace (s3vectors). Anwendungsfälle: Erstellung eines S3-Vektor-Buckets, Vektorindex, Speicherung von Einbettungen, semantische Suche, RAG-Vektorspeicher, Ähnlichkeitssuche, Vektordatenbank, Migration aus anderen Vektordatenbanken. NICHT verwenden für: Abfragen von tabellarischen Daten (verwenden Sie „querying-data-lake“), S3-Objektspeicher oder Hunderte/Tausende von nachhaltigen QPS (verwenden Sie OpenSearch).

...Alle erweitern

Zeit aktualisiert 24. August 2026

# rag # aws # Cloud Infrastructure # vector-database # semantic-search # embeddings

Über storing-and-querying-vectors

storing-and-querying-vectors Dies ist eine Anleitung zur Verwendung von Amazon S3 Vectors, einem kostengünstigen AWS-Dienst zum Speichern und Abfragen von Vektor-Embeddings in großem Maßstab unter dem eigenen s3vectors-API-Namespace. Er ist für die Langzeitspeicherung optimiert und bietet bei „kalten“ Abfragen eine Latenz von weniger als einer Sekunde sowie bei „warmen“ Abfragen eine Latenz von nur 100 ms, wodurch er sich für RAG und andere Workloads mit seltenen Abfragen eignet. Ein Entscheidungsleitfaden verweist Nutzer bei Bedarf auf andere Lösungen: OpenSearch für Hunderte oder Tausende von anhaltenden Abfragen pro Sekunde oder für hybride Suchvorgänge und Aggregationen (optional mit S3 Vectors als Speicher-Engine) sowie ein mehrstufiges Modell, bei dem S3 Vectors mit OpenSearch Serverless für Echtzeitanforderungen kombiniert wird.

Der Workflow umfasst die Erstellung eines Vektor-Buckets, die Erstellung eines Indexes, optional die Generierung von Embeddings mit Amazon Bedrock, das Schreiben von Vektoren und deren Abfrage, wobei AWS MCP-Server-Tools bevorzugt werden und als Fallback die AWS-CLI zum Einsatz kommt. Ein wiederkehrendes Thema ist die Unveränderlichkeit: Die Bucket-Verschlüsselung (SSE-S3 oder SSE-KMS) sowie alle Indexparameter – einschließlich der Dimension (1 bis 4096), der Distanzmetrik (Kosinus oder euklidisch) und bis zu zehn nicht filterbaren Metadatenschlüsseln – können nach der Erstellung nicht mehr geändert werden und müssen daher im Voraus bestätigt werden. Die Einbettungsdimension muss mit dem Index übereinstimmen, und für das Speichern sowie das Abfragen muss dasselbe Modell verwendet werden.

Betriebsgrenzen werden hervorgehoben: maximal 500 Vektoren pro „put-vectors“-Aufruf, Wiederholungsversuche mit Backoff bei 429-Drosselung sowie Metadatenfilterung über „--filter“ oder „--return-metadata“, wofür sowohl die Berechtigungen „s3vectors:QueryVectors“ als auch „s3vectors:GetVectors“ erforderlich sind. Eine Tabelle zur Fehlerbehebung ordnet Fehler wie „DimensionMismatch“, „403“ und „AccessDenied“ (der Dienst verwendet den Namespace „s3vectors“, nicht „s3“) konkreten Lösungen zu, und begleitende Referenzen behandeln Beschränkungen, Multi-Tenant-Muster und die Metadatenfilterung.

FAQ

Wann ist S3 Vectors die richtige Wahl gegenüber OpenSearch?

S3 Vectors eignet sich für kostengünstige Langzeitspeicherung mit seltenen Abfragen und RAG; für Hunderte oder Tausende von anhaltenden QPS, Hybrid-Suche oder Aggregationen empfiehlt die Skill OpenSearch, optional mit S3 Vectors als Speicher-Engine.

Welche Indexparameter sind unveränderlich?

Jeder Indexparameter ist nach der Erstellung unveränderlich: Dimension (1 bis 4096), Abstandsmetrik (Kosinus oder euklidisch) sowie bis zu zehn nicht filterbare Metadatenschlüssel – ebenso wie die Bucket-Verschlüsselung.

Wie viele Vektoren kann ich pro Aufruf schreiben?

Nicht mehr als 500 Vektoren pro „put-vectors“-Aufruf; Batching wird empfohlen, und für Massenoperationen sollte ein SDK anstelle der CLI verwendet werden.

Welche IAM-Berechtigungen sind für Metadatenfilter erforderlich?

Die Verwendung von „--filter“ oder „--return-metadata“ erfordert sowohl „s3vectors:QueryVectors“ als auch „s3vectors:GetVectors“; ohne „GetVectors“ geben diese Optionen den Fehlercode 403 zurück. Der Dienst verwendet den Namespace „s3vectors“, nicht „s3“.

Wie werden Einbettungen generiert und abgeglichen?

Über „invoke-model“ von Bedrock (z. B. Titan oder Cohere); die Embedding-Dimension muss mit dem Index übereinstimmen, und für das Speichern sowie das Abfragen muss dasselbe Modell verwendet werden.