Lar

Skill

Infraestrutura em nuvem

storing-and-querying-vectors

aws/agent-toolkit-for-aws

Armazene e consulte representações vetoriais usando o Amazon S3 Vectors, um serviço econômico de armazenamento vetorial de longo prazo com seu próprio namespace de API (s3vectors). Aplicável em: criação de bucket de vetores no S3, índice de vetores, armazenamento de representações, pesquisa semântica, armazenamento de vetores RAG, pesquisa de similaridade, banco de dados de vetores, migração de outros bancos de dados de vetores. NÃO use para: consultar dados tabulares (use o querying-data-lake), armazenamento de objetos no S3 ou centenas/milhares de QPS sustentados (use o OpenSearch).

...Expandir tudo

Tempo atualizado 24 de Agosto de 2026

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

Sobre storing-and-querying-vectors

storing-and-querying-vectors Este é um guia de tarefas para o uso do Amazon S3 Vectors, um serviço econômico da AWS para armazenar e consultar representações vetoriais em grande escala sob seu próprio namespace de API, o s3vectors. Ele é otimizado para armazenamento de longo prazo, com latência inferior a um segundo em consultas “frias” e de até 100 ms em consultas “mornas”, tornando-o adequado para RAG e outras cargas de trabalho com consultas pouco frequentes. Um guia de decisão orienta os usuários a outras soluções quando apropriado: o OpenSearch para centenas ou milhares de consultas sustentadas por segundo ou para pesquisa híbrida e agregações (opcionalmente com o S3 Vectors como mecanismo de armazenamento), e um padrão em camadas que combina o S3 Vectors com o OpenSearch Serverless para necessidades em tempo real.

O fluxo de trabalho passa pela criação de um bucket de vetores, criação de um índice, geração opcional de embeddings com o Amazon Bedrock, gravação de vetores e consulta dos mesmos, dando preferência às ferramentas de servidor do AWS MCP e recorrendo à AWS CLI quando necessário. Um tema recorrente é a imutabilidade: a criptografia do bucket (SSE-S3 ou SSE-KMS) e todos os parâmetros do índice, incluindo dimensão (1 a 4.096), métrica de distância (cosseno ou euclidiana) e até dez chaves de metadados não filtráveis, não podem ser alterados após a criação; portanto, devem ser confirmados antecipadamente. A dimensão de incorporação deve corresponder ao índice, e o mesmo modelo deve ser usado para armazenamento e consulta.

Os limites operacionais são destacados: no máximo 500 vetores por chamada `put-vectors`, repetição com intervalo de espera em caso de limitação 429 e filtragem de metadados via `--filter` ou `--return-metadata`, exigindo as permissões `s3vectors:QueryVectors` e `s3vectors:GetVectors`. Uma tabela de solução de problemas mapeia erros como DimensionMismatch, 403 e AccessDenied (o serviço usa o namespace s3vectors, não s3) para soluções concretas, e referências complementares abordam limites, padrões multilocatários e filtragem de metadados.

Perguntas frequentes

Quando o S3 Vectors é a escolha certa em comparação com o OpenSearch?

O S3 Vectors é adequado para armazenamento de longo prazo com boa relação custo-benefício, com consultas pouco frequentes e RAG; para centenas ou milhares de QPS sustentados, pesquisa híbrida ou agregações, a skill recomenda o OpenSearch, opcionalmente com o S3 Vectors como mecanismo de armazenamento.

Quais parâmetros de índice são imutáveis?

Todos os parâmetros de índice são imutáveis após a criação: dimensão (1 a 4.096), métrica de distância (cosseno ou euclidiana) e até dez chaves de metadados não filtráveis, assim como a criptografia do bucket.

Quantos vetores posso gravar por chamada?

Não mais do que 500 vetores por chamada `put-vectors`; recomenda-se o processamento em lote, e as operações em massa devem usar um SDK em vez da CLI.

Quais permissões do IAM os filtros de metadados exigem?

O uso de --filter ou --return-metadata requer tanto s3vectors:QueryVectors quanto s3vectors:GetVectors; sem GetVectors, essas opções retornam 403. O serviço usa o namespace s3vectors, não s3.

Como as representações são geradas e comparadas?

Por meio do `invoke-model` do Bedrock (por exemplo, Titan ou Cohere); a dimensão da embedding deve corresponder ao índice, e o mesmo modelo deve ser usado tanto para armazenamento quanto para consulta.