S3 Vectors vs OpenSearch Serverless：向量检索选型实测对比

Lab 信息

• 难度: ⭐⭐ 中级
• 预估时间: 60 分钟
• 预估费用: $2-3（含清理）
• Region: us-east-1
• 最后验证: 2026-03-27

背景

GenAI 应用（RAG、语义搜索、AI Agent）的核心需求是向量检索。AWS 现在有两个 Serverless 向量检索方案：

• Amazon S3 Vectors — 2025 年 12 月 GA，S3 原生向量存储，定位"低成本、零运维"
• OpenSearch Serverless (AOSS) — Vector Search Collection，定位"全功能搜索引擎"

客户常问：该选哪个？ 本文通过实测对比，帮你做出选型决策。

前置条件

• AWS 账号（需要 s3vectors:* 和 aoss:* 权限）
• AWS CLI v2 已配置
• Python 3.10+，安装 boto3 和 opensearch-py

pip install boto3 opensearch-py

一句话结论

你的场景	推荐方案
纯向量存储 + 简单 kNN 检索	S3 Vectors（成本低 60-175 倍）
需要全文搜索 + 向量混合检索	OpenSearch Serverless
需要聚合分析 + 复杂过滤	OpenSearch Serverless
预算敏感、向量量级 < 1000 万	S3 Vectors
已有 OpenSearch 生态	OpenSearch Serverless

核心概念对比

维度	S3 Vectors	OpenSearch Serverless
架构	S3 原生 vector bucket + index	Collection + OpenSearch index
搜索能力	kNN only	kNN + BM25 全文 + 混合搜索
距离度量	Cosine, Euclidean	Cosine, Euclidean, Dot Product
最大维度	4,096	16,000
向量上限	20 亿/索引	1 TiB/索引
过滤	简单 metadata key-value	keyword, numeric, geo, boolean, date, nested
聚合查询	❌	✅
量化压缩	❌	✅ Faiss 16-bit
计费模型	按用量（PUT + 存储 + 查询）	OCU 时间 + 存储
最低月费	~$0	~$350（2 OCU）
API 风格	AWS SDK (s3vectors)	OpenSearch REST API
部署复杂度	1 条命令	3 个策略 + Collection

动手实践

Step 1: 部署 S3 Vectors

# 创建 Vector Bucket
aws s3vectors create-vector-bucket \
  --vector-bucket-name s3v-benchmark \
  --region us-east-1

# 创建 Vector Index（1024 维，cosine 距离）
aws s3vectors create-index \
  --vector-bucket-name s3v-benchmark \
  --index-name idx-benchmark \
  --dimension 1024 \
  --distance-metric cosine \
  --data-type float32 \
  --region us-east-1

总耗时：< 5 秒，立即可写入。

Step 2: 部署 OpenSearch Serverless

# 1. 创建加密策略
aws opensearchserverless create-security-policy \
  --name benchmark-enc \
  --type encryption \
  --policy '{"Rules":[{"ResourceType":"collection","Resource":["collection/vs-benchmark"]}],"AWSOwnedKey":true}' \
  --region us-east-1

# 2. 创建网络策略（公网访问，测试用）
aws opensearchserverless create-security-policy \
  --name benchmark-net \
  --type network \
  --policy '[{"Rules":[{"ResourceType":"collection","Resource":["collection/vs-benchmark"]},{"ResourceType":"dashboard","Resource":["collection/vs-benchmark"]}],"AllowFromPublic":true}]' \
  --region us-east-1

# 3. 创建数据访问策略
aws opensearchserverless create-access-policy \
  --name benchmark-access \
  --type data \
  --policy '[{"Rules":[{"ResourceType":"index","Resource":["index/vs-benchmark/*"],"Permission":["aoss:CreateIndex","aoss:UpdateIndex","aoss:DescribeIndex","aoss:ReadDocument","aoss:WriteDocument"]},{"ResourceType":"collection","Resource":["collection/vs-benchmark"],"Permission":["aoss:CreateCollectionItems","aoss:DescribeCollectionItems","aoss:UpdateCollectionItems"]}],"Principal":["arn:aws:iam::YOUR_ACCOUNT:user/YOUR_USER"]}]' \
  --region us-east-1

# 4. 创建 Collection（禁用冗余，降低测试成本）
aws opensearchserverless create-collection \
  --name vs-benchmark \
  --type VECTORSEARCH \
  --standby-replicas DISABLED \
  --region us-east-1

总耗时：~5 分钟（等待 Collection 变为 Active 状态）。

# 等待 Collection 就绪
aws opensearchserverless batch-get-collection \
  --names vs-benchmark \
  --region us-east-1 \
  --query "collectionDetails[0].{status:status,endpoint:collectionEndpoint}"

Collection Active 后，创建向量索引：

from opensearchpy import OpenSearch, RequestsHttpConnection, AWSV4SignerAuth
import boto3

session = boto3.Session(region_name="us-east-1")
auth = AWSV4SignerAuth(session.get_credentials(), "us-east-1", "aoss")

client = OpenSearch(
    hosts=[{"host": "YOUR_COLLECTION_ID.us-east-1.aoss.amazonaws.com", "port": 443}],
    http_auth=auth, use_ssl=True, verify_certs=True,
    connection_class=RequestsHttpConnection, timeout=60,
)

# 创建索引
client.indices.create("benchmark-vectors", body={
    "settings": {"index.knn": True},
    "mappings": {"properties": {
        "embedding": {
            "type": "knn_vector", "dimension": 1024,
            "method": {"name": "hnsw", "engine": "faiss", "space_type": "cosinesimil",
                       "parameters": {"m": 16, "ef_construction": 256}}
        },
        "category": {"type": "keyword"},
        "price": {"type": "float"},
        "title": {"type": "text"},
    }}
})

Step 3: 写入测试数据

使用统一数据集：1024 维归一化随机向量，带 category（8 类）和 price 元数据。

S3 Vectors:

# 批量写入 500 向量/次
aws s3vectors put-vectors \
  --vector-bucket-name s3v-benchmark \
  --index-name idx-benchmark \
  --vectors file:///tmp/batch_0.json \
  --region us-east-1

OpenSearch Serverless:

# 批量写入 50 向量/次（1024 维 payload 较大，控制 batch size）
actions = []
for vec_data in vectors:
    actions.append({"index": {"_index": "benchmark-vectors"}})
    actions.append({"embedding": vec_data["embedding"], "category": vec_data["category"], "price": vec_data["price"]})
client.bulk(body="\n".join(json.dumps(a) for a in actions) + "\n")

Step 4: 查询性能基准测试

S3 Vectors 查询:

import boto3, time

s3v = boto3.client("s3vectors", region_name="us-east-1")

start = time.time()
result = s3v.query_vectors(
    vectorBucketName="s3v-benchmark",
    indexName="idx-benchmark",
    queryVector={"float32": query_vector},
    topK=5,
)
print(f"Latency: {(time.time()-start)*1000:.0f}ms, hits: {len(result['vectors'])}")

OpenSearch Serverless 查询:

start = time.time()
result = client.search(index="benchmark-vectors", body={
    "size": 5,
    "query": {"knn": {"embedding": {"vector": query_vector, "k": 5}}}
})
print(f"Client: {(time.time()-start)*1000:.0f}ms, server took: {result['took']}ms")

测试结果

查询延迟对比（1024 维，cosine 距离）

查询类型	S3 Vectors	AOSS (客户端)	AOSS (服务端)
冷查询 top-5	271ms	735ms	70ms
热查询 top-5 P50	274ms	262ms	26ms
热查询 top-5 avg	274ms	261ms	25ms
Top-K=100 P50	274ms	301ms	34ms
元数据过滤 P50	~280ms	263ms	21ms

延迟说明

• S3 Vectors 延迟 = 端到端（无法拆分服务端/网络），且非常稳定（269-287ms 区间）
• AOSS 客户端延迟 ≈ 网络 + 签名（~230ms） + 服务端处理（~25ms）
• AOSS 服务端 took = 纯搜索引擎处理时间，极快（16-70ms）
• 两者客户端总延迟几乎相同（~260-280ms），差距 < 10%

关键发现

1. 客户端总延迟相当 — S3 Vectors ~274ms vs AOSS ~262ms，日常使用体感一致
2. AOSS 冷启动慢 — 首次查询 735ms（需加载索引到 OCU），S3 Vectors 冷启动仅 271ms
3. S3 Vectors 延迟极其稳定 — 不论数据量 1K 或 11K，不论 Top-K 5 或 100，都是 ~274ms
4. AOSS 服务端极快 — 实际搜索 20-30ms，大部分延迟在网络+SigV4 签名
5. Top-K 大小对两者影响都很小 — Top-K 从 5 到 100，延迟几乎不变

写入性能对比

规模	S3 Vectors	AOSS
1K 向量	1.1s	20.9s
10K 向量	11.2s	68.1s

S3 Vectors 写入吞吐约为 AOSS 的 6 倍（支持每次 500 向量批量 vs AOSS 受 payload 限制需控制 batch size）。

部署复杂度对比

步骤	S3 Vectors	AOSS
创建存储	1 条命令	4 条命令（3 策略 + collection）
到可写入	< 5 秒	~5 分钟
IAM 配置	标准 IAM	IAM + Data Access Policy
首次上手时间	10 分钟	30-60 分钟

AOSS 独有功能展示

全文搜索（BM25） — S3 Vectors 不支持：

result = client.search(index="benchmark-hybrid", body={
    "size": 5,
    "query": {"match": {"title": "machine learning deep learning"}}
})
# 返回文本相关度排序的结果

混合搜索（BM25 + kNN） — 结合语义相似度和关键词匹配：

result = client.search(index="benchmark-hybrid", body={
    "size": 5,
    "query": {"bool": {
        "must": [{"match": {"title": "machine learning"}}],
        "should": [{"knn": {"embedding": {"vector": query_vec, "k": 5}}}]
    }}
})

聚合分析 — 数据洞察：

result = client.search(index="benchmark-vectors", body={
    "size": 0,
    "aggs": {"categories": {"terms": {"field": "category"}}}
})
# 返回各 category 的文档计数

踩坑记录

AOSS Data Access Policy 易踩坑

必须同时授权 index 和 collection 两个 ResourceType 的权限，缺一个就会返回 403 Forbidden。已查文档确认：这是 AOSS 的权限模型设计。

AOSS Vector Collection 不支持自定义文档 ID

Bulk API 中不能指定 _id 字段（vector search 和 time series collection 的限制）。已查文档确认。

AOSS 最低 OCU 费用

即使 Collection 完全空闲，仍然按最低 2 OCU 计费（$0.48/hr）。这是与 S3 Vectors 最大的成本差异。已查文档确认。

S3 Vectors 热查询延迟

官方声明频繁查询可低至 ~100ms，我们实测 ~274ms（5000-11000 向量规模）。可能需要更高频率的持续查询才能触发进一步优化。实测发现，与官方声明有差距。

费用明细

实验成本

资源	单价	用量	费用
S3 Vectors 存储+查询	按用量	11K 向量	< $0.10
AOSS Collection (2 OCU)	$0.48/hr	~1.5 hr	~$0.72
合计			~$0.82

生产成本估算（10 万向量，1024 维）

成本项	S3 Vectors	AOSS
最低月费	~$2-6	~$350
存储	~$0.05	~$0.01 (S3)
查询 (1000次/天)	~$2-5	含在 OCU 中
总月费	~$2-6	~$350+

成本差异巨大

同等数据量下，S3 Vectors 月费约为 AOSS 的 1/60 到 1/175。如果你只需要 kNN 检索，S3 Vectors 的成本优势是压倒性的。

清理资源

# 1. 清理 S3 Vectors
aws s3vectors delete-index \
  --vector-bucket-name s3v-benchmark \
  --index-name idx-benchmark \
  --region us-east-1

aws s3vectors delete-vector-bucket \
  --vector-bucket-name s3v-benchmark \
  --region us-east-1

# 2. 清理 AOSS
aws opensearchserverless delete-collection \
  --id YOUR_COLLECTION_ID \
  --region us-east-1

aws opensearchserverless delete-access-policy \
  --name benchmark-access --type data \
  --region us-east-1

aws opensearchserverless delete-security-policy \
  --name benchmark-net --type network \
  --region us-east-1

aws opensearchserverless delete-security-policy \
  --name benchmark-enc --type encryption \
  --region us-east-1

务必清理

AOSS 按 OCU 时间计费，不清理 Collection 会持续产生费用！ 最低 $0.48/hr = $11.52/天。

结论与选型建议

选 S3 Vectors 的场景 ✅

• 纯 RAG 向量存储 — 存 embedding、查最近邻、返回原文
• Bedrock Knowledge Bases 集成 — 原生支持，零额外配置
• 预算敏感 — 月费 $2-6 vs $350+
• 简单运维 — 零配置、零管理，S3 级别的持久性
• 高写入吞吐 — 支持每次 500 向量批量，写入速度快 6 倍

选 OpenSearch Serverless 的场景 ✅

• 需要全文搜索 — BM25 关键词匹配
• 需要混合搜索 — 语义 + 关键词联合排序
• 需要聚合分析 — 统计、分组、指标计算
• 复杂过滤 — 地理位置、日期范围、嵌套查询
• 已有 OpenSearch 生态 — 现有 Dashboards、告警、数据管道

架构建议

简单 RAG → S3 Vectors
全功能搜索平台 → AOSS
混合方案 → S3 Vectors (冷/大量存储) + AOSS (热/查询层)

AWS 官方也支持 S3 Vectors 与 OpenSearch 的分层存储模式：热数据在 AOSS 提供低延迟搜索，冷数据在 S3 Vectors 降低存储成本。

参考链接

• Amazon S3 Vectors 文档
• Amazon S3 Vectors 限制
• OpenSearch Serverless Vector Search
• OpenSearch Serverless Scaling
• S3 Vectors GA What's New