storing-and-querying-vectorsAWS官方放心用让 AI 在 Amazon S3 Vectors 上替你建索引、存向量并按语义搜出相关内容。
该技能把 Amazon S3 Vectors 包装成端到端向量库工作流：AI 会先确认区域与 AWS MCP/CLI 可用性，然后创建向量桶、按嵌入模型维度与距离度量创建索引（维度、距离方式、非过滤元数据等参数创建后不可改），必要时调用 Amazon Bedrock 生成向量，再批量写入向量（单次最多 500 条），最后执行 query-vectors 语义搜索，可带 top-k、返回距离、元数据和过滤条件。
它适合对成本敏感、查询不频繁、需要长期保存的 RAG 知识库和相似性搜索场景（冷查询亚秒级，热查询可低至 100ms）。不适合持续高 QPS（成百上千 QPS）或混合/聚合搜索，这类情况应搭配 OpenSearch；也不适合查表数据或当普通 S3 对象存储。使用前需确认 AWS 凭证、区域，并注意桶/索引加密、KMS 密钥策略等限制。
在下面找到你用的工具，复制命令粘进终端就装好了：
npx skills add aws/agent-toolkit-for-aws装好后不用任何配置，直接在对话里说：
先帮我创建一个 1536 维、cosine 度量的向量索引，再把产品文档的嵌入向量存进去做语义搜索。AI 检测到任务匹配时会自动加载这个 Skill，不需要手动开关。
SKILL.mdreferences/ 不需要。若你已有与索引维度一致的向量，可直接跳到 put-vectors 步骤。需要生成时，AI 会询问模型，不会自行假设默认模型。
不能。所有索引参数创建后均不可变，包括维度、距离度量、非过滤元数据键等。建索引前必须和 embedding 模型、业务需求一次性确认清楚。
不适合。持续成百上千 QPS 的场景应使用 OpenSearch；S3 Vectors 主打低成本、长期存储和不频繁查询。需要混合搜索可把 OpenSearch 作为查询层、S3 Vectors 作存储引擎。