S3 Vectors 如何工作：AWS 新向量存储的友好指南

Source: Dev.to

为什么使用向量？

我们都知道 AWS S3 是什么，对吧？它是那种众所周知、便宜且持久的对象存储，已经使用了数十年。当你第一次听到 S3 向量 时，可能会出现几个问题：

• 什么是向量？
• 向量只适用于数学家吗？
• 它们与 AI 有什么关系？
• 为什么它们带有 S3 前缀？

下面我们将回答这些问题，并展示 S3 向量是如何工作的。

什么是向量存储，为什么在 AI 中需要它？

向量 是一种既有大小（幅度）又有方向的数学对象，通常表示为有序数字列表，例如 ["tell"] = [0, 2, 1, 10, …, 3]。
这些数字并非随机，它们编码了语义意义。例如，单词 Espresso 和 Latte 的向量会非常相似，因为它们指的是相似类型的咖啡。

向量数据库

向量数据库（vector DB）专为使用近似最近邻（ANN）算法进行相似性搜索而构建。关系型数据库也能进行相似性搜索，但在大规模时效率不高。

典型工作流：

1. 你的应用查询向量存储。
2. 存储返回最近的向量（块）。
3. 将这些块作为上下文提供给大型语言模型（LLM）。

示例：如果聊天机器人 LLM 收到问题 “Are there any discounts for students on your website?”，且向量数据库中包含相关信息，LLM 可以检索、补充并回答该查询。

向量存储充当 增强知识库，让你在不进行昂贵模型训练的情况下注入任意信息。这种方法被称为 检索增强生成（Retrieval‑Augmented Generation，RAG）。向量可以表示文本、图像、音乐——任何可以嵌入的内容。

S3 向量存储结构

结构与传统 S3 相同：

• Bucket – 在区域内唯一的名称。
• Index – 桶内唯一的名称；可根据需求进行配置。

索引配置选项

示例：创建和查询向量

下面是一个完整的 Python 示例，演示：

1. 使用 Amazon Titan embed‑text‑v2 生成嵌入。
2. 将向量存储在 S3 向量索引中。
3. 执行语义搜索，可选择按标签过滤。

import boto3
import json

region = "us-west-2"
bucket = "my-sales-bucket"
index = "my-sales-index"

bedrock = boto3.client("bedrock-runtime", region_name=region)
s3vectors = boto3.client("s3vectors", region_name=region)

# --- 1. Populate the vector index with sample sales data ---
items = [
    {
        "key": "laptop-general-sale",
        "text": "10% off all laptops this weekend in our electronics section.",
        "metadata": {"category": "laptop", "audience": "all", "discount": "10%"}
    },
    {
        "key": "laptop-student-sale",
        "text": "15% discount on lightweight laptops for students and university use.",
        "metadata": {"category": "laptop", "audience": "students", "discount": "15%"}
    },
    {
        "key": "phone-sale",
        "text": "20% off latest smartphones with long‑lasting battery.",
        "metadata": {"category": "phone", "audience": "all", "discount": "20%"}
    }
]

vectors = []
for item in items:
    resp = bedrock.invoke_model(
        modelId="amazon.titan-embed-text-v2:0",
        body=json.dumps({"inputText": item["text"]})
    )
    embedding = json.loads(resp["body"].read())["embedding"]

    vectors.append({
        "key": item["key"],
        "data": {"float32": embedding},
        "metadata": {
            "source_text": item["text"],
            **item["metadata"]
        }
    })

s3vectors.put_vectors(
    vectorBucketName=bucket,
    indexName=index,
    vectors=vectors
)

# --- 2. Query the index for "laptops for students" ---
query_text = "Do you have any sales on laptops for students?"

resp = bedrock.invoke_model(
    modelId="amazon.titan-embed-text-v2:0",
    body=json.dumps({"inputText": query_text})
)
query_embedding = json.loads(resp["body"].read())["embedding"]

# Plain semantic search
response = s3vectors.query_vectors(
    vectorBucketName=bucket,
    indexName=index,
    queryVector={"float32": query_embedding},
    topK=3,
    returnDistance=True,
    returnMetadata=True
)
print("Top matches:")
print(json.dumps(response["vectors"], indent=2))

# Optional: restrict to laptop category only
response_filtered = s3vectors.query_vectors(
    vectorBucketName=bucket,
    indexName=index,
    queryVector={"float32": query_embedding},
    topK=3,
    filter={"category": "laptop"},
    returnDistance=True,
    returnMetadata=True
)
print("Laptop‑only matches:")
print(json.dumps(response_filtered["vectors"], indent=2))

使用的查询： “Do you have any sales on laptops for students?”

注意： 示例中显示的价格为近似值。有关详细定价，请参阅官方 AWS 文档。

---

希望本指南对你有所帮助！欢迎使用自己的数据进行实验，让向量存储为你的应用带来魔力。如果有任何问题，请在下方评论区留下。