[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-aws-native-vector-support-databases-zh":3,"article-related-aws-native-vector-support-databases-zh":33,"series-tools-b1346258-5c5f-4129-a193-264577c5bf33":85},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":25,"views":29,"created_at":30,"published_at":31,"topic_cluster_id":32},"b1346258-5c5f-4129-a193-264577c5bf33","aws-native-vector-support-databases-zh","AWS 把向量搜尋塞進資料庫","\u003Cp data-speakable=\"summary\">AWS 把向量搜尋原生放進多個資料庫服務，讓 RAG 和 GraphRAG 可以直接在 AWS 堆疊上做。\u003C\u002Fp>\u003Cp>AWS 這次不是只加一個小功能。它是把向量能力往資料庫底層塞。對開發者來說，這很實際。你可能不用再多養一套向量資料庫。\u003C\u002Fp>\u003Cp>它點名 \u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Frds\u002Faurora\u002Fpostgresql-features\u002F\" target=\"_blank\" rel=\"noopener\">Amazon Aurora PostgreSQL\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fmemorydb\u002F\" target=\"_blank\" rel=\"noopener\">Amazon MemoryDB\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fbedrock\u002Fknowledge-bases\u002F\" target=\"_blank\" rel=\"noopener\">Amazon Bedrock Knowledge Bases\u003C\u002Fa>，還有 \u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fneptune\u002F\" target=\"_blank\" rel=\"noopener\">Amazon Neptune\u003C\u002Fa>。這不是單點更新。這是整條產品線一起動。\u003C\u002Fp>\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>面向\u003C\u002Fth>\u003Cth>AWS 服務\u003C\u002Fth>\u003Cth>官方說法\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>關聯式向量\u003C\u002Ftd>\u003Ctd>\u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Frds\u002Faurora\u002Fpostgresql-features\u002F\" target=\"_blank\" rel=\"noopener\">Amazon Aurora PostgreSQL\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>適合關聯式工作負載\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>非關聯式向量\u003C\u002Ftd>\u003Ctd>\u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fmemorydb\u002F\" target=\"_blank\" rel=\"noopener\">Amazon MemoryDB\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>在 AWS 常見向量資料庫中，主打最快搜尋與最高 recall\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>RAG 編排\u003C\u002Ftd>\u003Ctd>\u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fbedrock\u002Fknowledge-bases\u002F\" target=\"_blank\" rel=\"noopener\">Amazon Bedrock Knowledge Bases\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>負責資料匯入與執行期編排\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>GraphRAG\u003C\u002Ftd>\u003Ctd>\u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fneptune\u002F\" target=\"_blank\" rel=\"noopener\">Amazon Neptune\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>用圖資料做關係推理與可解釋檢索\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Ch2>AWS 為什麼把向量放進資料庫\u003C\u002Fh2>\u003Cp>講白了，向量已經不是研究玩具。它是 RAG、語意搜尋、\u003Ca href=\"\u002Ftag\u002Fagent\">Agent\u003C\u002Fa> 檢索的基本零件。只要你在做 \u003Ca href=\"\u002Ftag\u002Fllm\">LLM\u003C\u002Fa> 應用，幾乎躲不掉。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780422500838-jwm0.png\" alt=\"AWS 把向量搜尋塞進資料庫\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>向量的意思也不難懂。它就是把內容變成數字座標。兩筆資料越接近，語意通常越像。這讓系統可以找「意思相近」的內容，不只看關鍵字。\u003C\u002Fp>\u003Cp>AWS 的策略很明顯。它想把向量變成資料庫原生功能。不是叫你再買一套專用向量庫，而是先看你手上的資料庫能不能直接上。\u003C\u002Fp>\u003Cul>\u003Cli>向量能表示語意，適合做語意搜尋。\u003C\u002Fli>\u003Cli>把 embeddings 跟業務資料放一起，管理會簡單很多。\u003C\u002Fli>\u003Cli>少一套服務，就少一堆同步、權限、監控問題。\u003C\u002Fli>\u003Cli>AWS 想讓向量搜尋像 SQL 一樣自然。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>AWS 這次主打哪些工作負載\u003C\u002Fh2>\u003Cp>對關聯式工作負載，AWS 先推 \u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Frds\u002Faurora\u002Fpostgresql-features\u002F\" target=\"_blank\" rel=\"noopener\">Aurora PostgreSQL\u003C\u002Fa>。這很合理。很多團隊本來就靠 PostgreSQL 吃飯。交易、Join、索引、延伸套件，這些都還是主戰場。\u003C\u002Fp>\u003Cp>如果你的系統偏非關聯式，AWS 則推 \u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fmemorydb\u002F\" target=\"_blank\" rel=\"noopener\">MemoryDB\u003C\u002Fa>。它主打低延遲和高 recall。官方頁面沒有把完整 \u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa> 數字攤開，所以你最好把它當成方向性訊號，不要直接拿來跟別家硬比。\u003C\u002Fp>\u003Cp>我覺得這裡最有意思的地方，是 AWS 沒把向量搜尋綁死在單一產品。它是在說：不同資料模型，用不同資料庫。這比「什麼都丟同一個向量庫」務實多了。\u003C\u002Fp>\u003Cblockquote>“AWS has incorporated native support for vectors across a broad set of our databases.”\u003C\u002Fblockquote>\u003Cp>這句話很直白。AWS 想傳達的是，向量不是附加功能。它是資料庫層的標配方向。對要上 production 的團隊來說，這種定位比 demo 話術有用多了。\u003C\u002Fp>\u003Cp>如果你已經在 AWS 上跑服務，這會直接影響架構選擇。你可能先問：現有資料庫能不能處理 embeddings？能的話，就別急著再加一層。\u003C\u002Fp>\u003Ch2>RAG 才是 AWS 真正在賣的東西\u003C\u002Fh2>\u003Cp>AWS 這次一直講 RAG，原因很簡單。RAG 已經不是概念展示。它是很多\u003Ca href=\"\u002Ftag\u002F企業-ai\">企業 AI\u003C\u002Fa> 服務的標配做法。模型負責生成，資料庫負責找上下文。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780422491413-lvir.png\" alt=\"AWS 把向量搜尋塞進資料庫\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>\u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fbedrock\u002Fknowledge-bases\u002F\" target=\"_blank\" rel=\"noopener\">Amazon Bedrock Knowledge Bases\u003C\u002Fa> 是 AWS 的管理式 RAG 層。它負責資料匯入，也負責執行期編排。AWS 還說 Aurora 有 1-click 整合，意思就是少寫一堆 glue code。\u003C\u002Fp>\u003Cp>這很重要。RAG 專案常常不是死在模型，而是死在管線。切 chunk、建索引、更新資料、權限控管、檢索調校，這些才是最煩的地方。有人幫你包起來，工程成本就會降。\u003C\u002Fp>\u003Cul>\u003Cli>Bedrock Knowledge Bases 負責資料匯入。\u003C\u002Fli>\u003Cli>它也負責 runtime orchestration。\u003C\u002Fli>\u003Cli>Aurora 有 1-click 整合。\u003C\u002Fli>\u003Cli>目標是把內部資料接到 foundation model。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>GraphRAG 讓檢索更有結構\u003C\u002Fh2>\u003Cp>AWS 也把 GraphRAG 拉進來。這套做法會先建立知識圖，再用圖的關係去幫檢索。這樣一來，系統不只看相似度，也能看關聯。\u003C\u002Fp>\u003Cp>這裡的核心差別很\u003Ca href=\"\u002Fnews\u002Fwikipedias-tony-gonzales-page-into-a-clean-brief-zh\">清楚\u003C\u002Fa>。向量擅長找意思相近的內容。圖資料擅長表示擁有關係、階層、依賴。像產品文件、組織架構、零件關聯，這些就很適合用圖。\u003C\u002Fp>\u003Cp>AWS 說 \u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fneptune\u002F\" target=\"_blank\" rel=\"noopener\">Neptune\u003C\u002Fa> 可以跟 \u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fbedrock\u002Fknowledge-bases\u002F\" target=\"_blank\" rel=\"noopener\">Bedrock Knowledge Bases\u003C\u002Fa> 一起做圖生成與 traversal。它也提到 \u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fs3\u002F\" target=\"_blank\" rel=\"noopener\">Amazon S3\u003C\u002Fa> 可以餵資料進來。這表示文件、票單、產品目錄，都有機會直接進圖檢索流程。\u003C\u002Fp>\u003Cul>\u003Cli>向量搜尋適合找語意相近內容。\u003C\u002Fli>\u003Cli>圖檢索適合找關係與路徑。\u003C\u002Fli>\u003Cli>GraphRAG 把兩者合在一起。\u003C\u002Fli>\u003Cli>當你要解釋答案來源時，圖很有用。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>跟其他做法比，差在哪裡\u003C\u002Fh2>\u003Cp>如果拿 AWS 的做法跟專用向量庫比，差別不只在效能。差別還在維運。專用向量庫像 \u003Ca href=\"https:\u002F\u002Fwww.pinecone.io\u002F\" target=\"_blank\" rel=\"noopener\">Pinecone\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.weaviate.io\u002F\" target=\"_blank\" rel=\"noopener\">Weaviate\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fqdrant.tech\u002F\" target=\"_blank\" rel=\"noopener\">Qdrant\u003C\u002Fa>，強項是檢索體驗和調校彈性。\u003C\u002Fp>\u003Cp>但 AWS 的路線是把向量塞回既有資料層。這對已經用 Aurora 或 MemoryDB 的團隊很省事。少一個系統，就少一個故障面。這句話很土，但是真的。\u003C\u002Fp>\u003Cp>不過，專用向量庫還是有它的價值。當你的檢索量很大、資料更新很快、召回和延遲要精細調校時，專用方案通常還是比較好控。AWS 的原生整合比較像「夠用而且好接」。\u003C\u002Fp>\u003Cul>\u003Cli>專用向量庫強在檢索控制與調校。\u003C\u002Fli>\u003Cli>AWS 原生整合強在部署簡單。\u003C\u002Fli>\u003Cli>對既有 AWS 用戶，遷移成本較低。\u003C\u002Fli>\u003Cli>對複雜搜尋系統，專用方案仍有空間。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>這波更新反映了什麼產業脈絡\u003C\u002Fh2>\u003Cp>這件事其實很像雲端平台一貫的套路。先把新能力標準化，再塞進既有服務。以前是物件儲存、容器、Serverless。現在輪到向量搜尋。\u003C\u002Fp>\u003Cp>原因也不難懂。企業想\u003Ca href=\"\u002Fnews\u002Fwhy-amazon-s3-vectors-matters-storage-search-zh\">要的是\u003C\u002Fa>少維運，不是多一個名詞。只要資料庫能直接處理 embeddings，很多 AI 應用就可以少掉一層基礎設施。\u003C\u002Fp>\u003Cp>這也反映出 LLM 應用的成熟方向。大家不再只問模型多大。大家開始問資料怎麼接、權限怎麼管、檢索怎麼做、答案怎麼追溯。這些問題，最後都會回到資料庫和中介層。\u003C\u002Fp>\u003Cp>對\u003Ca href=\"\u002Ftag\u002F台灣開發者\">台灣開發者\u003C\u002Fa>來說，這很有感。很多團隊本來就用 AWS。現在如果要做內部知識庫、客服助理、文件搜尋，先看 Aurora、MemoryDB、Bedrock，通常比先找一套新工具更快。\u003C\u002Fp>\u003Ch2>接下來你該怎麼看\u003C\u002Fh2>\u003Cp>如果你正在規劃 RAG 系統，我會先問三件事。你的資料現在在哪裡。你的延遲要求多少。你要的是語意搜尋，還是還要圖關係。\u003C\u002Fp>\u003Cp>我的判斷很直接。小型到中型 production app，會很快吃下這種原生向量功能。大型團隊還是會留一部分專用搜尋架構，因為\u003Ca href=\"\u002Fnews\u002F5-ways-house-republicans-say-they-back-veterans-zh\">他們\u003C\u002Fa>要的不是「能用」，而是「可控」。\u003C\u002Fp>\u003Cp>所以接下來最實際的動作，不是追新名詞。是去看你現有 AWS 資料庫，能不能先把 embeddings 放進去。能少一套就少一套。這才是省錢又省事的做法。\u003C\u002Fp>","AWS 將向量搜尋原生放進 Aurora PostgreSQL、MemoryDB、Bedrock Knowledge Bases 和 Neptune，讓 RAG、GraphRAG 更容易直接在 AWS 資料庫堆疊上做。","aws.amazon.com","https:\u002F\u002Faws.amazon.com\u002Fproducts\u002Fdatabases\u002Fvector-database-capabilities\u002F",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780422500838-jwm0.png","tools","zh","8081f7df-9ae6-475f-bd42-dd1226f26a8e",[17,18,19,20,21,22,23,24],"AWS","向量搜尋","Aurora PostgreSQL","MemoryDB","Bedrock Knowledge Bases","Neptune","RAG","GraphRAG",[26,27,28],"AWS 把向量能力原生放進多個資料庫服務。","Aurora PostgreSQL 適合關聯式向量工作負載，MemoryDB 主打非關聯式場景。","Bedrock Knowledge Bases 和 Neptune 讓 RAG、GraphRAG 更容易落地。",5,"2026-06-02T17:47:35.841697+00:00","2026-06-02T17:47:35.812+00:00","c3c88dd2-a940-438a-b359-0e5a24562273",{"tags":34,"relatedLang":44,"relatedPosts":48},[35,36,38,40,42],{"name":18,"slug":18},{"name":20,"slug":37},"memorydb",{"name":17,"slug":39},"aws",{"name":19,"slug":41},"aurora-postgresql",{"name":21,"slug":43},"bedrock-knowledge-bases",{"id":15,"slug":45,"title":46,"language":47},"aws-native-vector-support-databases-en","AWS Adds Native Vector Support Across Databases","en",[49,55,61,67,73,79],{"id":50,"slug":51,"title":52,"cover_image":53,"image_url":53,"created_at":54,"category":13},"63d8b456-ad6b-475e-86e9-d4677ca226aa","magenta-realtime-2-score-inside-daw-zh","Magenta RealTime 2 讓你在 DAW 裡即時改曲","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781046204038-8tox.png","2026-06-09T23:02:55.9651+00:00",{"id":56,"slug":57,"title":58,"cover_image":59,"image_url":59,"created_at":60,"category":13},"f60261ff-a42e-4cfb-9f90-97785e633289","open-source-ai-tools-beat-claude-paid-tiers-zh","開源 AI 工具在價值上已經贏過 Claude 付費方案","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781045266035-on7t.png","2026-06-09T22:47:20.195939+00:00",{"id":62,"slug":63,"title":64,"cover_image":65,"image_url":65,"created_at":66,"category":13},"8520cd4f-2531-4808-a95d-26f590239d7a","500-ai-agent-projects-show-where-agents-work-now-zh","500 個 AI agent 專案，現在能做什麼","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781033591132-c0nh.png","2026-06-09T19:32:37.03924+00:00",{"id":68,"slug":69,"title":70,"cover_image":71,"image_url":71,"created_at":72,"category":13},"c557ef1c-7fde-4c86-918e-4fb9680ee9df","chocolatey-go-package-policy-installs-zh","Chocolatey 的 Go 安裝變成政策","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781029110289-xkbh.png","2026-06-09T18:18:05.078435+00:00",{"id":74,"slug":75,"title":76,"cover_image":77,"image_url":77,"created_at":78,"category":13},"90b2df54-df6e-417d-9e16-91e9ad2f53d7","go-support-policy-turns-releases-into-a-checklist-zh","Go 支援政策把發版變清單","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781028200122-3m4u.png","2026-06-09T18:02:49.50176+00:00",{"id":80,"slug":81,"title":82,"cover_image":83,"image_url":83,"created_at":84,"category":13},"119c23c6-8ae7-4c4e-820e-1eba0730d702","rustdesk-self-hosting-secure-remote-access-zh","RustDesk 自架遠端存取部署指南","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781017373324-g7et.png","2026-06-09T15:02:24.118819+00:00",[86,91,96,101,106,111,116,121,126,131],{"id":87,"slug":88,"title":89,"created_at":90},"855cd52f-6fab-46cc-a7c1-42195e8a0de4","surepath-real-time-mcp-policy-controls-zh","SurePath 推出即時 MCP 政策控管","2026-03-26T07:57:40.77233+00:00",{"id":92,"slug":93,"title":94,"created_at":95},"9b19ab54-edef-4dbd-9ce4-a51e4bae4ebb","mcp-in-2026-the-ai-tool-layer-teams-use-zh","2026 年 MCP：團隊真的在用的 AI 工具層","2026-03-26T08:01:46.589694+00:00",{"id":97,"slug":98,"title":99,"created_at":100},"af9c46c3-7a28-410b-9f04-32b3de30a68c","prompting-in-2026-what-actually-works-zh","2026 提示工程，真正有用的是什麼","2026-03-26T08:08:12.453028+00:00",{"id":102,"slug":103,"title":104,"created_at":105},"05553086-6ed0-4758-81fd-6cab24b575e0","garry-tan-open-sources-claude-code-toolkit-zh","Garry Tan 開源 Claude Code 工具包","2026-03-26T08:26:20.068737+00:00",{"id":107,"slug":108,"title":109,"created_at":110},"042a73a2-18a2-433d-9e8f-9802b9559aac","github-ai-projects-to-watch-in-2026-zh","2026 必看 20 個 GitHub AI 專案","2026-03-26T08:28:09.619964+00:00",{"id":112,"slug":113,"title":114,"created_at":115},"a5f94120-ac0d-4483-9a8b-63590071ac6a","claude-code-vs-cursor-2026-zh","Claude Code 與 Cursor 深度對比：202…","2026-03-26T13:27:14.279193+00:00",{"id":117,"slug":118,"title":119,"created_at":120},"0975afa1-e0c7-4130-a20d-d890eaed995e","practical-github-guide-learning-ml-2026-zh","2026 機器學習入門 GitHub 實用指南","2026-03-27T01:16:49.712576+00:00",{"id":122,"slug":123,"title":124,"created_at":125},"bfdb467a-290f-4a80-b3a9-6f081afb6dff","aiml-2026-student-ai-ml-lab-repo-review-zh","AIML-2026：像課綱的學生實驗 Repo","2026-03-27T01:21:51.467798+00:00",{"id":127,"slug":128,"title":129,"created_at":130},"80cabc3e-09fc-4ff5-8f07-b8d68f5ae545","ai-trending-github-repos-and-research-feeds-zh","AI Trending：把 AI 資源收成一張表","2026-03-27T01:31:35.262183+00:00",{"id":132,"slug":133,"title":134,"created_at":135},"3ce6e6e2-bac5-463e-9f8d-45caabcc61f7","awesome-ai-for-science-research-tools-map-zh","AI 科研工具清單，開始像地圖了","2026-03-27T01:46:50.521945+00:00"]