A AWS anunciou, em 5 de agosto de 2026, a disponibilidade geral do recurso de pesquisa vetorial no Amazon DynamoDB, permitindo armazenar embeddings vetoriais junto aos dados operacionais e realizar pesquisas de similaridade diretamente na tabela, sem copiar os dados para um banco de dados vetorial separado.
O recurso oferece latência de resposta na casa de um dígito em milissegundos, com uma taxa de recall superior a 99%, e foi projetado para escalar a qualquer tamanho, incluindo trilhões de vetores. Ele também utiliza a arquitetura sem servidor do DynamoDB, portanto o usuário não precisa provisionar ou corrigir servidores, nem instalar e gerenciar software. A AWS afirma que o serviço não exige versões ou janelas de manutenção, com manutenção sem interrupções.
Redução da complexidade da arquitetura de aplicações de IA
Normalmente, introduzir pesquisa vetorial em uma aplicação que utiliza o DynamoDB exigia copiar os dados para um armazenamento vetorial dedicado e criar um pipeline para sincronizar os dois serviços. Segundo a AWS, essa abordagem acrescentava sobrecarga operacional e custos de transferência de dados e licenciamento, além do desafio de manter uma latência baixa e previsível durante a expansão.
Com a integração da pesquisa vetorial ao DynamoDB, os dados operacionais e os embeddings podem compartilhar a mesma arquitetura sem servidor e o mesmo modelo de preços baseado no pagamento por solicitação. Os índices vetoriais oferecem capacidade de armazenamento ilimitada, com expansão horizontal à medida que os dados crescem.
O recurso é destinado a aplicações de memória de agentes, geração aumentada por recuperação, mecanismos de recomendação, experiências personalizadas, detecção de anomalias e outros usos que necessitam de recuperação semântica.
Como funciona a pesquisa vetorial
O recurso cria um novo tipo de índice no atributo que armazena os embeddings vetoriais. Esses embeddings podem ser criados com um modelo escolhido pelo usuário, como o Amazon Bedrock Titan Text Embeddings, o Cohere Embed ou modelos de embeddings de texto da OpenAI, e depois armazenados como uma lista de números decimais por meio da chamada padrão PutItem.
Em seguida, o usuário cria um índice vetorial no qual especifica o número de dimensões, a função de distância e quaisquer atributos não vetoriais que possam ser usados para filtrar os resultados durante a pesquisa. A interface SearchVectors recebe o vetor de consulta e o número de resultados solicitados, com um máximo de 100 resultados, além das condições de filtragem opcionais, e retorna os resultados ordenados por similaridade.
O recurso oferece suporte a até 4096 dimensões e às funções de distância Euclidiana, Cosine e Dot product, além de filtragem integrada. A AWS recomenda alinhar a função de distância à função utilizada no treinamento do modelo de embeddings para obter a melhor precisão.
Exemplo de uma loja de produtos esportivos
O guia da AWS demonstra como adicionar pesquisa vetorial a uma tabela existente de catálogo de produtos. No exemplo, os embeddings das descrições dos produtos são armazenados em um novo atributo chamado descriptionEmbedding, usando o tipo List existente no DynamoDB, sem a necessidade de um novo tipo de dados ou de alterações no esquema.
Após a criação de um índice chamado ProductDescriptionIndex, marketplace pode ser usado como chave de partição para distribuir os vetores entre as partições e restringir a pesquisa a um mercado específico. Também é possível adicionar category como atributo de filtragem. As condições de filtragem oferecem suporte apenas a correspondências exatas e não aceitam condições de intervalo, como BETWEEN ou BEGINS_WITH.
Ao pesquisar uma frase natural como «tênis de corrida leves para o verão», o usuário cria um vetor de consulta usando o mesmo modelo e, em seguida, especifica o índice, o número de resultados e o valor do mercado, como US, além da categoria desejada. O DynamoDB retorna os cinco produtos mais semelhantes com seus atributos operacionais, como nome e preço, na mesma resposta. Nas funções Cosine e Euclidean, valores menores indicam maior similaridade, enquanto valores maiores indicam maior similaridade ao usar Dot product.
Disponibilidade
A pesquisa vetorial no DynamoDB está disponível geralmente em todas as regiões comerciais da AWS, incluindo as regiões AWS GovCloud (US). A AWS orienta os usuários a consultar a página de recursos da AWS por região para verificar a disponibilidade regional e o roteiro futuro, e a página de preços do Amazon DynamoDB para obter detalhes sobre os custos.