DynamoDB ganha busca vetorial nativa e dispensa banco separado para IA

A AWS↳AWS20 conteúdosE-mails de verificação com AWS SES + Lambda (Node.js) e Terraform: do zero ao envioDevSecOps · out 2025Codex na AWS: chegada do agente da OpenAI à nuvem da AmazonDevSecOps · abr 2026Salesforce e AWS ampliam colaboração em IA, CRM e marketplaceDevSecOps · nov 2023Ver tudo em DevSecOps → adicionou busca vetorial nativa ao Amazon DynamoDB, permitindo armazenar embeddings ao lado dos dados da aplicação e rodar consultas de vizinho mais próximo aproximado (ANN) diretamente na tabela, sem depender de um banco vetorial dedicado. O recurso suporta buscas por similaridade com filtros e índices de vetores configuráveis para cargas de trabalho de busca semântica.

O problema que isso resolve

Até agora, quem usava o DynamoDB e precisava de busca por similaridade tinha que copiar os dados para um banco vetorial separado e manter os dois sistemas sincronizados. Isso significava um pipeline extra de dados, mais transferência entre serviços e mais complexidade arquitetural, com todos os pontos de falha que uma sincronização entre dois bancos costuma trazer.

A busca vetorial nativa elimina essa camada: embeddings e dados da aplicação passam a viver e ser consultados na mesma tabela. Para quem constrói RAG↳RAG6 conteúdosTécnica RAG com a biblioteca Langchain: tutorial para aplicar agoraData · jun 2024Como avaliar LLMs, RAG e Agentes de IA: Teoria e prática.AI · abr 2026RAG Não É Memória: O Problema Real dos Agentes de IAAI · mai 2026Ver tudo em AI → (geração aumentada por recuperação), memória de agentes, motores de recomendação, personalização ou detecção de anomalias, some um sistema inteiro do desenho.

Como funciona na prática

O recurso usa um novo tipo de índice do DynamoDB, construído sobre embeddings guardados em atributos da tabela. O fluxo é:

• Escolher o modelo de embedding, como Amazon Bedrock Titan Text Embeddings, Cohere Embed ou os modelos de embedding da OpenAI;
• Criar um índice de vetores informando o número de dimensões e a função de distância;
• Consultar usando a nova API SearchVectors.

Segundo Esra Kayabali, principal solutions architect da AWS, os índices de vetores não têm limite de armazenamento e escalam horizontalmente conforme os dados crescem. Ela destaca que, por o DynamoDB ser totalmente serverless, "a busca vetorial escala automaticamente, sem infraestrutura para gerenciar". O suporte vai até 4096 dimensões, com funções de distância Euclidiana, Cosseno e Produto Escalar (Dot product), além de filtragem inline.

Jeff Barr, VP e chief evangelist da AWS, afirmou no LinkedIn que o recurso "escala tão grande quanto você quiser (pense em trilhões de vetores), mantendo latência de milissegundos de dígito único".

O exemplo dos papers de pesquisa

Num tutorial da AWS, "Build semantic search with native vector support in Amazon DynamoDB", Leonid Koren e Mo Kamioner mostram como montar um app de busca semântica em Python↳Python56 conteúdosVSCode + Python + Alexa: Desenvolva e teste skills para alexa localmente com pythonDev (Back & Front) · out 2025Dominando decoradores em Python: um guia completo com exemplosDev (Back & Front) · jan 2025Desenvolvimento de software: diferenças entre Python, JavaScript e JavaGestão Dev & TI · nov 2024Ver tudo em Dev (Back & Front) → que usa embeddings do Bedrock e o DynamoDB para encontrar artigos científicos relevantes por significado, e não por correspondência exata de palavras-chave. É o caso de uso clássico: recuperar documentos conceitualmente próximos da consulta mesmo que eles não contenham as palavras literais digitadas.

A conta: onde o custo mora

Este é o ponto que exige atenção de quem desenha arquitetura no Brasil, onde o câmbio pesa em cima da fatura da AWS. Segundo os autores do tutorial, um índice de vetores é cobrado em três dimensões, além das cobranças padrão do DynamoDB pela tabela que guarda os itens:

• Os dados que você escreve no índice;
• Os dados processados quando você faz uma busca;
• Os dados que você armazena.

Os três são medidos por byte e cobrados por GB. As técnicas apontadas para reduzir custo de forma significativa são usar dimensões menores, projeções mínimas no índice, excluir os embeddings dos resultados e usar particionamento seletivo.

A comparação com S3 vector buckets aparece na discussão da comunidade. O usuário coinclick pondera que o "S3 tem escala ilimitada e latência consistente, mesmo que a latência não seja ótima", e que o DynamoDB provavelmente escala bem com latência muito baixa, "mas será provavelmente bem mais caro que o S3". Ou seja: a escolha entre índice vetorial no DynamoDB e S3 vector buckets vira um trade-off de latência versus custo que cada arquitetura precisa medir.

Reação da comunidade

Nem todo mundo aplaudiu. Como muitos bancos já entregaram suporte a vetores nos últimos dois anos, parte dos praticantes classifica a AWS como "atrasada para a festa". Do outro lado, Humayun Khan comenta que a novidade "é uma adição realmente empolgante" e que "a busca vetorial nativa no DynamoDB pode tornar a construção de aplicações com IA muito mais simples ao manter busca vetorial e dados da aplicação num só lugar".

Uma dúvida técnica ficou em aberto na comunidade: se o DynamoDB aplica os filtros de atributos antes ou depois da busca vetorial. A ordem importa e impacta tanto a qualidade dos resultados quanto o custo (busca em conjunto maior é mais cara), mas o comportamento não foi detalhado.

O que muda para o dev brasileiro

Para quem já roda arquiteturas serverless com DynamoDB no Brasil, isso significa uma peça a menos para provisionar, sincronizar e pagar separadamente. Times menores, que muitas vezes não têm gente sobrando para operar um Pinecone, OpenSearch ou pgvector à parte, ganham a possibilidade de subir RAG e memória de agentes usando um serviço que já dominam e que já está no desenho.

A disponibilidade também é ampla: segundo a AWS, os índices de vetores estão liberados em todas as regiões onde o DynamoDB já existe e funcionam com tabelas das classes Standard ou Standard-IA. Vale acompanhar a chegada do suporte via ExtendDB, o adaptador compatível com DynamoDB que o time planeja usar para desenvolvimento local e deploys autogerenciados, útil para quem quer testar sem custo de nuvem.

Fonte: InfoQ