向量数据库必须独立存在吗？Amazon DynamoDB给Agentic时代一个新答案

AI Agent正在把向量搜索从一项“新技术”，变成企业新的基础设施能力。

大模型要理解语义，RAG要查找知识，推荐系统要识别相似偏好，Agent还要从海量历史信息中找回相关记忆。过去两年，企业通常的做法是：业务数据放在数据库里，向量数据复制到另一套专用系统，再用同步管道连接两边。

数据一旦分居两套系统，企业就要处理同步延迟、数据一致性、权限控制、容量规划和额外运维。尤其当Agent开始进入客服、交易、风控等核心流程，哪怕几秒钟的延迟，也可能造成数据不同步，让Agent基于过时的信息作出判断。

近日，亚马逊云科技宣布Amazon DynamoDB原生向量搜索正式可用。该功能可提供单毫秒级延迟与99%+召回率的实时向量搜索，专为任意规模（即便是数万亿级）而设计，使Amazon DynamoDB成为少数具备原生向量搜索功能的完全无服务器数据库之一。同时，客户可以直接在Amazon DynamoDB上构建AI与Agent应用程序，无需配置独立的向量数据库或管理额外的基础设施。

一套无服务器基础设施，

承载向量数据和业务数据

当向量数据规模从数十亿增长到数万亿，搜索速度、召回率和扩展能力往往很难同时兼顾。

Amazon DynamoDB实现了单毫秒级延迟、99%以上召回率，最高支持4096维向量，并可扩展至数万亿级。

但相比这些性能数字，更值得关注的是向量数据与业务数据终于可以放在同一张表中。

企业可以使用所选模型（例如Amazon Bedrock Titan Text Embeddings、Cohere Embed或OpenAI文本嵌入模型）生成嵌入向量，并使用标准的PutItem调用将其作为浮点数列表存储在表中。

创建向量索引后，SearchVectors API接受查询向量、要返回的结果数（最多100个）以及可选的筛选条件，并返回按相似度排序的结果。

例如，一个零售Agent在查找“与用户最近购买商品相似的产品”时，不只需要计算语义或特征相似度，还要同时判断库存、区域、价格和会员等级。过去，这些信息可能分散在业务数据库和向量数据库中。现在，相似度检索与业务条件过滤可以在同一套数据底座上完成。

这正是Amazon DynamoDB区别于许多独立向量数据库的核心所在。它没有把向量搜索做成外挂，而是把它变成原生索引能力，沿用相同的数据表、API和按请求付费模式。

同时，完全无服务器设计降低了企业使用向量引擎的成本。无基础设施需要管理，无最低消费，可自动缩容至零，仅为实际使用付费。无需配置、修补或管理服务器。无需安装、维护或运行软件。无版本限制，无维护窗口，维护期间零停机。

Guardoc Health开发AI解决方案，帮助医疗保健提供者直接在eMAR系统中识别和解决临床合规风险。Guardoc资深工程师Anatol Zakrividoroga表示：“我们已经将业务数据保存在Amazon DynamoDB中，因此能够直接在其中存储和搜索向量，而无需复制数据或维护单独的向量数据库，这保持了我们安全架构的简洁。”

面向Agentic AI的记忆能力

过去，数据库主要记录确定的业务事实：谁下了订单、支付了多少钱、设备何时报警。大模型兴起后，企业又多了一类数据：对话、文档、图片、用户偏好以及Agent执行任务时形成的长期记忆。

这些数据不能只按关键词查找。用户换一种说法，Agent仍要理解它与哪段历史经历、哪项业务规则相关。因此，向量搜索几乎成了Agent记忆系统的标配。

但Agent的记忆并非一个孤立的“聊天记录库”。它需要与用户身份、组织权限、交易状态和实时上下文结合。记忆检索越接近业务主数据，Agent得到的信息就越及时，后续行动也越可靠。

Amazon DynamoDB具备面向Agentic AI的就绪能力：无需离开Amazon DynamoDB，即可构建Agent记忆库、RAG管道、推荐引擎、个性化体验、异常检测和实时工具检索。目前这项能力已与Amazon Bedrock AgentCore Memory、Kiro、Vercel、Mem0和LangGraph深度集成。

数据库竞争，

正在进入“少一套系统”的阶段

DynamoDB已服务超过100万家全球客户，每秒处理超过10亿次请求，数百家客户的数据表超过200TB。自2012年推出以来，它从未向客户发送过维护通知邮件。如今，这套经过大规模业务验证的无服务器扩展能力，开始向AI工作负载延伸。

这并不意味着独立向量数据库会失去价值。对于需要汇聚多源知识、进行复杂检索编排或高度定制相关性策略的应用，专用系统仍有用武之地。

真正发生改变的是企业的选择顺序。

过去，开发AI应用首先会问：“应该选哪一款向量数据库？”现在更合理的问题可能是：“业务数据已经在现有数据库中，是否还有必要再增加一套系统？”

对于已经广泛使用DynamoDB的企业，答案正在变得清晰。Globant是一家数字化原生公司，它已经基于DynamoDB构建客户解决方案，原生向量搜索让它无需复制数据或管理第二套存储，可以按照每个客户的实际使用量付费。工程师由此把更多时间留给AI应用本身，而不是基础设施。

早期AI应用比拼的是模型能不能回答问题；Agent进入生产环境后，企业更关心数据是否最新、权限是否一致、检索能否稳定，以及行动结果能不能回到业务流程。数据库竞争也因此从“谁能存向量”，进一步转向“谁能让向量、业务数据与实时执行形成闭环”。

DynamoDB此次升级释放出的信号是：向量数据库作为一个产品类别仍会存在，但向量搜索正在成为主流数据库的基础能力。当AI真正进入企业核心业务，好的数据架构未必是再增加一个系统，有时恰恰是少复制一份数据。

本文为「智能进化论」原创作品，

欢迎关注。