AWS近日宣布为其托管型NoSQL数据库DynamoDB新增原生向量搜索功能。DynamoDB通常用于存储高并发的操作型和事务型数据。
分析师指出，此次更新为开发团队消除了维护独立向量数据库的复杂性。越来越多的AI与智能体应用需要实时访问操作和事务数据，以提升响应的准确性与相关性，而这类应用正在快速增长。
HyperFRAME Research AI技术栈业务负责人Stephanie Walter表示："这一更新将常见的双数据库架构整合为单一操作数据层。开发者可以同步更新数据条目及其向量表示，使用熟悉的DynamoDB API，无需构建独立的同步管道。这将大幅缩短基于现有DynamoDB数据构建AI功能的上市时间。"
在此次更新之前，使用DynamoDB的企业通常需要将数据复制到OpenSearch或其他向量数据库（如Pinecone、Weaviate），往往借助DynamoDB Streams或自定义管道实现，这意味着需要同时运维两套数据层，并管理向量生成、数据回填、重试机制、Schema变更、安全策略及数据同步等工作。
Walter指出，依赖两套独立数据层会增加查询延迟，并提高向量索引落后于操作记录的风险。
HFS Research执行研究负责人Ashish Chaturvedi表示，这种延迟对AI智能体而言可能带来实际影响："如果智能体基于检索结果执行操作，一份五分钟前同步的数据副本可能导致自信却错误的行动。"
Chaturvedi还指出，消除独立向量数据库除了提升数据时效性外，还能降低云端和运营成本："维护第二个数据库意味着无论使用量如何，每月至少需要额外支付700美元。"
他补充说，对于CIO而言，上述优势的叠加有助于在企业扩展AI应用时降低总拥有成本、简化治理工作。
"这对CIO来说是实实在在的整合：需要保障安全的系统更少、无需维护数据管道、数据更加实时。加之按使用量计费的模式，即便在万亿级向量规模下，也无需为闲置基础设施支付固定最低费用。"Chaturvedi说道。
Moor Insights & Strategy首席分析师Michael Leone表示，这一架构简化还能降低AI采用门槛，企业无需再为第二套数据平台配备专职人员和治理机制。
原生向量搜索能力在过去几年持续升温。过去三年间，随着企业对生成式AI应用需求的增长，AWS持续扩展其数据库产品组合中的向量搜索支持，先后为Aurora PostgreSQL（通过pgvector）、Amazon MemoryDB for Redis及Amazon DocumentDB添加了相关能力。
竞争对手也走上了类似路径，MongoDB、微软、谷歌云、Oracle和Couchbase均已将原生向量搜索集成至各自数据库，以支持检索增强生成（RAG）、AI智能体及其他生成式AI工作负载。
这些动态折射出生成式AI兴起以来数据库市场更深层的融合趋势：专用向量数据库在扩展SQL、NoSQL及操作型数据库能力的同时，主流操作型数据库也在将向量搜索与RAG能力内嵌至核心平台，使企业得以在更少的数据平台上整合AI与事务型工作负载。
目前，AWS尚未披露DynamoDB原生向量搜索功能的具体发布计划，包括上线时间表及初期支持的AWS区域。
Q&A
Q1：DynamoDB原生向量搜索解决了什么问题？
A：此前，使用DynamoDB的企业需要将数据同步到OpenSearch、Pinecone等独立向量数据库，维护两套数据层不仅增加了查询延迟，还带来数据同步滞后的风险，并且每月至少额外增加700美元的数据库费用。原生向量搜索将两套架构合并为一，开发者可直接在DynamoDB中完成向量存储与检索，无需额外的同步管道。
Q2：向量数据延迟对AI智能体有什么影响？
A：AI智能体通常基于检索到的数据执行操作，如果向量索引存在几分钟的同步延迟，智能体可能依据过时信息做出错误决策。原生向量搜索让数据更新与向量表示同步完成，有效保障了智能体所用数据的实时性，降低了因数据滞后导致错误操作的风险。
Q3：DynamoDB原生向量搜索什么时候可以用？支持哪些地区？
A：目前AWS尚未公布DynamoDB原生向量搜索功能的具体上线时间表，也未透露初期将在哪些AWS区域提供支持，相关细节有待官方进一步披露。
