亚马逊云科技在2026年8月20日宣布，Amazon DynamoDB原生向量搜索正式进入可用阶段。开发者现在可以直接为DynamoDB表创建向量索引，并通过新的SearchVectors接口完成相似度检索，不再必须把业务数据复制到独立的向量数据库。
官方表示，这项能力面向从数十亿到数万亿向量的数据规模，目标是在99%以上召回率下维持个位数毫秒级延迟。对RAG、智能推荐和AI Agent应用来说，最直接的变化是业务记录、元数据和向量可以放在同一套数据服务中管理。
DynamoDB开始原生管理向量索引
向量索引用于保存文本、图片或用户行为经过嵌入模型转换后的数字表示。传统DynamoDB索引擅长精确匹配和范围查询，而向量索引处理的是近似最近邻搜索，用来找出语义上最接近的内容。
用户可以在创建表时配置向量索引，也可以通过UpdateTable为现有表增加索引。每张表最多创建5个向量索引，适合同时评估不同嵌入模型、维度或检索策略。
这次更新不是给Query和Scan增加模糊搜索。向量检索使用独立的SearchVectors API，并按照相似度得分返回结果，调用方式、权限和容量统计均与普通表读取有所区别。
三种距离函数覆盖常见检索模型
DynamoDB向量索引支持COSINE、DOT_PRODUCT和EUCLIDEAN三种距离函数。COSINE主要比较向量方向，适合文本语义检索和多数RAG场景；DOT_PRODUCT会同时受到方向和向量长度影响；EUCLIDEAN则计算向量之间的直线距离。
距离函数需要在创建索引时确定，后续不能直接修改。运维团队应先根据嵌入模型的说明选择计算方式，再使用真实查询集验证召回质量，不能只依靠少量演示数据判断效果。
向量维度同样会影响成本和检索效率。维度越高，单条向量占用的数据量越大，搜索与写入消耗也会随之增加。选择能够满足检索质量的最小维度，比盲目使用最大规格更容易控制长期费用。
业务数据和向量可以留在同一张表
过去使用DynamoDB构建生成式AI应用时，常见做法是把表内数据同步到OpenSearch或其他向量存储。该方案能够提供向量检索，但也增加了数据管道、写入延迟、失败重试和一致性检查等工作。
原生向量索引会把向量与业务记录放在同一张表的管理范围内。产品目录可以同时保存商品属性与描述向量，智能客服可以把文档标识、权限字段和语义向量放在同一条记录中，再通过投影字段返回检索所需内容。
这不代表所有外部向量数据库都失去价值。需要复杂混合检索、专用排序能力或跨数据源分析的系统，仍可能更适合独立搜索平台。此次更新更适合希望减少同步链路，并且已经把核心业务数据放在DynamoDB中的团队。
容量模式与网络访问需要提前调整
向量索引目前只支持按需容量模式，使用预置容量的表不能直接启用。搜索请求还会访问独立的向量搜索端点，SDK和新版命令行工具会自动路由，但设置了VPC端点、出口代理或域名白名单的环境需要放行对应主机名。
权限方面，SearchVectors是一项新的IAM操作。已有的DynamoDB只读策略不会自动包含该权限，管理员需要针对具体向量索引资源补充dynamodb:SearchVectors，并重新检查应用角色的最小权限范围。
向量搜索和向量写入采用独立容量指标，CloudWatch可以记录VectorSearchRequestBytes与VectorWriteRequestBytes。上线前应分别压测搜索请求和数据更新，避免只观察基础表的读写容量而忽略向量索引产生的新费用。
RAG应用上线前仍要验证召回效果
原生向量搜索可以用于语义搜索、RAG、推荐系统、AI Agent记忆以及异常检测。开发者可以把嵌入模型生成的向量写入表中，再根据查询向量检索最相近的内容，并将结果交给大模型生成回答。
生产部署仍需建立可重复的评测集，记录正确答案在TopK结果中的出现比例，同时观察P95与P99延迟。数据更新后还要确保原文和向量同步变化，避免旧向量继续命中过期内容。
SearchVectors响应存在大小限制且不支持分页，大型记录不宜把全部字段投影到索引。更稳妥的方式是只返回主键和回答所需的少量字段，再按主键读取完整数据，从而控制响应体、检索成本和权限暴露范围。
