本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 为 RAG 用例选择 AWS 矢量数据库
<a name="introduction"></a>

*Mayuri Shinde、Anand Bukkapatnam Tirumala 和 Amazon Web Services 的 Ivan Cui ()AWS*

对于实施生成式 AI 应用程序的组织来说，矢量数据库变得越来越重要。这些数据库存储和管理向量，矢量是数据的数字表示形式，能够以捕捉文本、图像和其他内容的含义和关系的方式处理文本、图像和其他内容。

在组织探索矢量数据库选项 AWS时，他们需要了解不同解决方案的功能、权衡和最佳实践。本指南可帮助您比较常用的矢量存储， AWS 并就哪些选项最适合您的特定需求或[用例](use-cases.md)做出明智的决定。无论您是在实现检索增强生成 (RAG)、构建推荐系统还是开发其他 AI 应用程序，本指南都提供了一个框架来帮助您评估和选择矢量数据库解决方案。

## 目标受众
<a name="audience"></a>

本指南适用于担任以下角色的人员：
+ 数据科学家和机器学习 (ML) 工程师，他们使用矢量数据库为机器学习模型存储和检索高维数据。
+ 设计和实现数据管道的数据工程师，其中包括用于存储和处理高维数据的矢量数据库。
+ MLOps 使用矢量数据库作为 ML 管道的一部分来存储和提供模型输出或中间表示的工程师。
+ 将矢量数据库集成到需要相似度搜索或推荐系统的应用程序中的软件工程师。
+ DevOps 负责在生产环境中部署和维护矢量数据库的工程师，确保可扩展性和可靠性。
+ 使用矢量数据库存储和分析嵌入或特征向量的大型数据集的人工智能研究人员。
+ 需要了解矢量数据库的功能和局限性，以便就产品功能和架构做出明智决策的人工智能产品经理。