AWS 向量存储与检索

原名：storing-and-querying-vectors

在 AWS 数据服务中规划和使用向量索引、写入与相似度查询。

中文 Skills 技能说明

适合 RAG 和语义搜索；先确认数据授权、嵌入模型、维度、召回指标和删除要求，再导入真实数据。AWS 开源技能文本可在中国境内本地使用；实际调用云服务须使用用户自己的合法 AWS 账户和权限，并确认目标服务在 AWS 中国区域或所选区域的可用性、运营主体、网络、备案、费用、数据位置和跨境要求。CEOFans 不提供第三方账号、密钥或网络绕过。执行前读取真实账户、区域、项目和官方资料，输出目标、依据、影响、费用、验证结果与回退方式；没有证据时明确说明未知，不编造配置、数据或成功状态。 创建、修改、部署、发送、迁移、删除或产生费用的操作，必须先展示目标和差异并获得有权限人员确认。 代码、数据库、日志、凭据、客户和企业资料按敏感内容处理，只读取任务所需范围，上传或外发前完成授权、脱敏和最小化。

上游能力依据

上游原始适用说明：Store and query vector embeddings using Amazon S3 Vectors, a cost-effective long-term vector storage service with its own API namespace (s3vectors). Triggers on: create S3 vector bucket, vector index, store embeddings, semantic search, RAG vector storage, similarity search, vector database, migrate from other vector databases. Do NOT use for: querying tabular data (use querying-data-lake), S3 object storage, or hundreds/thousands of sustained QPS (use OpenSearch).

上游 SKILL.md 主要章节（保留原文标题）：

• Overview
• Decision Guide
• Common Tasks
• 1. Verify Dependencies
• 2. Create a Vector Bucket
• 3. Create a Vector Index
• 4. Generate Embeddings (if needed)
• 5. Put Vectors
• 6. Query Vectors
• Troubleshooting

使用边界

先读取项目约定、依赖版本和现有测试，再提出最小改动。写文件、运行脚本、提交代码或发布前应检查差异并保留回退路径。

作者、翻译与许可证

原作者

Amazon Web Services 与 agent-toolkit-for-aws contributors

中文翻译

CEOFans翻译

许可证

Apache-2.0

上游来源

https://github.com/aws/agent-toolkit-for-aws/tree/8ea26bdf9c8b3719e6b5488709f4efecde5a0d93/skills/specialized-skills/storage-skills/storing-and-querying-vectors

适用范围

平台：linux、macos、windows；标签：AI 工程、AWS 向量存储与检索、AWS

安全提示

基础静态扫描不等于绝对安全。技能可能调用命令、浏览器、云服务或本地文件，请在最小权限环境中使用，高风险操作必须人工确认。

如发现侵权、许可证或安全问题，可在本页前台提交投诉，管理员复核后可立即下架。