AWS 블로그가 아마존 베드록 지식 기반(RAG)용 벡터 스토어로 아마존 오픈서치, 오로라 포스트그레SQL(pgvector), 아마존 S3 벡터스 세 가지를 비교 분석했다. 상품 카탈로그 검색에는 저지연·하이브리드 검색이 강점인 오픈서치가 적합해 1024차원 기준 p50 지연 31ms를 기록했고, 512차원으로 줄여도 품질 손실 없이 지연을 25ms로 낮출 수 있었다. 딥리서치 에이전트처럼 대규모·저빈도 쿼리에는 S3 벡터스가 저장 비용을 최대 90%까지 절감하면서도 100만 벡터에서 p99 지연 510ms 이하를 유지해 적합했으며, 고객 대응 챗봇처럼 관계형 데이터와 결합이 필요한 경우엔 오로라 pgvector의 HNSW 인덱스가 균형 잡힌 성능을 보였다. 세 가지 모두 서로 보완 가능해, 용도별 계층형 아키텍처로 확장하는 것이 권장된다고 결론지었다.

• •실시간 상품검색엔 오픈서치, 512차원으로 줄여도 품질 유지·지연 25ms
• •딥리서치 에이전트엔 S3 벡터스, 저장비용 최대 90% 절감·100만 벡터도 저지연
• •고객 챗봇엔 오로라 pgvector, HNSW가 IVFFlat보다 p50 4ms 빠름
• •하이브리드 검색(의미+키워드) 적용 시 NDCG 약 6% 개선 확인
• •용도별로 세 가지 벡터 스토어를 조합하는 계층형 아키텍처 권장