亚马逊AWS官方博客

Apache Seatunnel & HAQM Bedrock 助力生成式 AI 应用规模化生产实践

业务背景:数字时代的非结构化数据价值挖掘挑战

在企业智能化升级的浪潮中,信息的获取方式正从“关键词匹配”向“语义理解”转变。传统的基于反向索引的搜索引擎依赖于字符串级别的匹配机制,难以捕捉用户查询背后的真实语义。这对于搜索体验、推荐精准度、客服响应以及知识问答系统的智能化程度造成了明显的制约。

以电商平台为例,用户在检索“适合夏季穿的白色连衣裙”时,平台若仅通过关键词匹配商品标题或类目,将难以捕捉“适合夏季”这一包含面料、版型等多维语义的信息。类似的问题也广泛存在于金融文档检索、智能客服问答、知识图谱关联等多种业务场景中。

为此,我们希望构建一个基于向量检索能力的语义搜索系统。核心目标是:将业务数据中的文本字段实时转化为语义向量,写入支持近似向量搜索的数据库,实现语义级别的信息检索能力。

这个过程需要解决以下几个关键挑战:

  • 异构数据源的高性能接入与同步;
  • 文本语义嵌入的在线生成与模型调用;
  • 嵌入结果的结构化写入与向量索引构建;
  • 支持向量搜索的高可用低延迟存储系统;
  • 全链路的可观测性与扩展性。

技术选型与架构核心

为实现上述系统能力,我们基于现代数据工程范式选型如下技术栈,并实现了可落地的全链路解决方案:

1. Apache SeaTunnel:统一数据集成与同步中枢

Apache SeaTunnel 是一个面向实时和离线场景的开源高性能分布式数据集成平台,具备良好的扩展性和强大的异构数据源适配能力。其核心特性包括:

  • 丰富的 Connector 插件体系:支持 100+ 数据源,包括主流数据库、消息队列、文件系统、对象存储、NoSQL 等,具备良好的接入能力;
  • 批流一体的数据处理范式:支持离线全量、离线增量、CDC 以及实时流式同步等多种模式,适用于全量建库与增量更新等场景;
  • 多引擎支持:支持 SeaTunnel 自研 Zeta 引擎、Flink 和 Spark,具备高度灵活性与资源适配性;
  • 插件式 Transform 机制:可通过自定义 Transform 插件,灵活嵌入中间处理逻辑,如文本预处理、调用外部 API 获取嵌入向量等;
  • 完善的监控与运维支持:通过 SeaTunnel Web 提供图形化作业编排与实时任务监控能力。

在本方案中,我们以 SeaTunnel 为数据处理主干,利用其 Source 模块从业务数据库/对象存储中实时提取原始数据,使用 Transform 模块调用 HAQM Bedrock 接口完成文本向量化,最终通过 Sink 模块将结果写入 HAQM OpenSearch,构建支持语义检索的向量索引。

2. HAQM Bedrock:企业级向量生成服务平台

HAQM Bedrock 是 AWS 提供的统一大模型调用与管理平台,支持直接通过 API 访问多个主流厂商的 Foundation Model(如 Anthropic Claude、Cohere、Stability AI、Mistral、HAQM Titan 等),无需构建和部署模型基础设施。

在文本向量生成场景中,我们重点考虑以下两种嵌入模型:

  • Cohere Embed v3
    支持文本与图像的多模态嵌入能力,覆盖 100+ 语言,适用于构建跨语言、高语义表达力的搜索系统。Embed v3 在多种评测任务上表现优异,尤其适合复杂场景下的多域语义匹配。
  • HAQM Titan Embeddings v2
    由 AWS 原生提供,支持小维度(256/512/1024)的高质量嵌入输出,具备良好的压缩率和检索精度平衡,适合低延迟、高并发、对存储成本敏感的场景。

借助 Bedrock 的 API 接口,我们可在 SeaTunnel 的 Transform 阶段调用嵌入模型服务,完成原始文本字段到高维稠密向量的转换,并保留 ID、标签、元数据等信息用于后续入库。

3. HAQM OpenSearch:支持向量检索的云原生存储系统

HAQM OpenSearch 提供了原生的 knn_vector 字段类型,用于向量化数据的索引与相似度检索,支持 Faiss、NMSLIB 等主流 ANN 算法后端,具备以下特点:

  • 高并发向量插入与检索性能
  • 支持结构化查询与向量检索混合执行
  • 向量字段可配置维度、距离类型(cosine/l2/dot_product)、索引参数等
  • 集成 KNN 插件支持 HNSW 等近似搜索算法,加速向量索引构建
  • 与标准 OpenSearch 查询语法无缝集成,便于复合搜索(如“价格范围 + 相似描述”)的场景实现。

通过 SeaTunnel 的 OpenSearch Sink 插件,我们可将向量与相关结构化字段(如ID、标题、标签等)一并写入,实现低代码方式构建“语义+结构”的多维检索系统。

方案架构及操作步骤

1. 整体架构

2. 数据导入

以 HAQM 电商平台客户评论数据为例,原始数据格式及字段如下,文件为 json 数据格式。

{"Item":{"review_id":{"S":"AEEZL8Z5691IJ"},"date":{"S":"1215475200"},"customer":{"S":"HAQM Customer"},"asin":{"S":"B000Q6R4MK"},"review":{"S":"I can hear the caller just great -- but I get frequent \"what?\" \"I can't hear you\"  \"it sounds like a lot of background noise\" , etc. comments.  I'm trying to figure out the best way to have it arranged on my visor, etc.  Not 100% sold yet."},"rating":{"S":"4.0"}}}

在电商场景中,经常需要搜索评论内容,即字段对应的 review。现在我们需要将这个字段进行向量化,并且将向量化的结果写入到 opensearch 中。

在 Seatunel 中编辑配文件如下:

env {
  # Set the execution engine to SeaTunnel Zeta Engine
  execution.engine = "seatunnel"

  # Set job mode to BATCH for processing the JSON file
  job.mode = "BATCH"
}

source {
  S3File {
    path = "/data/3vk7gdzq6myxhn2kwexoiywjh4.json"
    bucket = "s3a://opensearch"
    file_format_type = "json"

    # AWS region configuration
    fs.s3a.endpoint = "s3.us-east-1.amazonaws.com"

    # Use SimpleAWSCredentialsProvider instead of InstanceProfileCredentialsProvider
    fs.s3a.aws.credentials.provider = "org.apache.hadoop.fs.s3a.SimpleAWSCredentialsProvider"

    # Provide explicit AWS credentials - 请替换为您的实际访问密钥
    access_key = ""
    secret_key = ""

    # Additional S3A configuration options
    hadoop_s3_properties {
      "fs.s3a.impl" = "org.apache.hadoop.fs.s3a.S3AFileSystem"
      "fs.s3a.connection.ssl.enabled" = "true"
    }

    # Required schema for JSON file format
    schema  = {
      fields {
        Item = {
            review_id = {
                S = string
            }
            date = {
                S = string
            }
            customer = {
                S = string
            }
            asin = {
                S = string
            }
            review = {
                S = string
            }
            rating = {
                S = string
            }
        }
      }
    }

    # Register output table
    plugin_output = "s3_data"
  }
}

transform {
  # First transform to extract the actual review text from the nested S field
  Sql {
    plugin_input = "s3_data"
    plugin_output = "extracted_data"

    query = "SELECT Item.review_id.S as review_id, Item.date.S as date, Item.customer.S as customer, Item.asin.S as asin, Item.review.S as review, Item.rating.S as rating FROM s3_data"
  }

  # Use HAQM Bedrock to generate embeddings for the review field
  Embedding {
    plugin_input = "extracted_data"
    plugin_output = "embedded_data"

    # Specify the model provider as AMAZON for Bedrock
    model_provider = "AMAZON"

    # Specify the model ID for HAQM Titan Embeddings
    model = "amazon.titan-embed-text-v2:0"

    # AWS region for Bedrock service
    region = "us-east-1"

    # AWS credentials for Bedrock service - 请替换为您的实际访问密钥
    api_key = ""
    secret_key = ""

    # Define which fields to vectorize and their target fields
    vectorization_fields {
      review_embedding = review
    }

    # Batch size for processing
    single_vectorized_input_number = 10
    dimension = 1024
  }
}

sink {
  Console {
    plugin_input = "embedded_data"  # 使用 Embedding 转换后的数据

    # 只打印少量记录以便于查看
    limit = 10
  }
  Elasticsearch {
    plugin_input = "embedded_data"

    # OpenSearch endpoint
    hosts = ["http://xxxxxx.us-east-1.es.amazonaws.com"]
    tls_verify_certificate = false
    # Index configuration
    index = "reviews"
    username = ""
    password = ""
    vectorization_fields = ["review_embedding"]
    # 指定向量维度(每个向量中的浮点数数量)
    vector_dimensions = 1024

  }
}

在 seatunnel 中运行任务,这里我们将输出进行了日志 console 打印,可以看到日志里将添加了一个字段 review_embedding

直到任务完成,看到统计信息:

3. 数据检索

使用 Opensearch 的 knn 检索及神经网络检索都可以进行向量匹配查询,您可以参考这个 workshop 进行Opensearch与 Bedrock 的模型对接。

查询示例:

GET reviews/_search
{
  "size": 5,
  "query": {
    "neural": {
      "review_embedding": {
        "query_text": "Installed and connected pretty well. Works good and keeps my eyes on the road. Took a few weeks to see the on and off button, but overall I like this and would suggest it.",
        "model_id": "8xwrFJYB5648rVcWvwIU",
        "k": 10
      }
    }
  }
}

总结与展望

本文通过 Apache SeaTunnel + HAQM Bedrock + HAQM OpenSearch 的组合,构建了一套高可扩展性、低耦合的语义搜索数据处理链路,成功实现了从结构化/非结构化文本数据到向量检索系统的全流程集成。该方案具有如下优势:

  • 松耦合架构设计:SeaTunnel 的插件式 Transform 和 Sink 机制,使得模型调用与向量写入逻辑保持解耦,方便后续替换嵌入模型或变更底层向量数据库;
  • 模型能力云原生接入:借助 Bedrock 提供的 API 网关与 IAM 权限体系,无需自行维护嵌入模型推理服务,简化了 AI 能力的接入门槛;
  • 向量检索与结构检索融合:通过 OpenSearch 的混合查询能力,支持多维筛选与语义相似度排序的组合场景,覆盖从“找商品”到“问知识”的多类业务需求。

面向大规模生产的实践建议

若要将该方案推广至企业级生产环境,建议从以下几个维度进一步优化和演进:

  1. 嵌入缓存与批量推理优化
    对于模型调用阶段,建议增加文本去重与缓存机制(如基于 MD5 哈希或 LRU 缓存)以避免重复嵌入,同时支持按批次对文本进行推理(Batch Inference),提升吞吐量并降低 Bedrock 调用成本。
  2. 嵌入字段维度规划与压缩策略
    根据不同业务对检索精度/响应速度/存储成本的权衡,建议为不同场景配置不同维度的嵌入模型(如 Titan Embedding 512 适用于中小规模应用场景),必要时可引入 PCA 等压缩手段进一步降低向量维度。
  3. 向量索引管理与生命周期控制
    在 OpenSearch 中合理设置向量索引的 Refresh Interval、Segment Merge 策略、HNSW 参数(如 M、EF)、以及定期重建索引机制,以保障检索精度与写入性能间的平衡。
  4. 向量搜索效果评估与持续优化
    构建离线评估数据集(包含 Query、Ground Truth)、并设计 Recall@K、MRR、nDCG 等指标用于嵌入模型的效果评估。同时,结合 A/B 测试不断迭代模型与索引参数。

通过本文所示的技术路径,企业可实现将传统的结构化数据处理平台向“智能语义理解平台”演进,为搜索引擎、推荐系统、问答系统、企业知识中台等场景提供强大支撑。未来,随着多模态嵌入模型的发展、RAG 架构的进一步普及,SeaTunnel + Bedrock 的结合将在 AI 数据工程领域展现出更大的潜力。


*前述特定亚马逊云科技生成式人工智能相关的服务仅在亚马逊云科技海外区域可用,亚马逊云科技中国仅为帮助您了解行业前沿技术和发展海外业务选择推介该服务。

本篇作者

张鑫

亚马逊云科技解决方案架构师,负责基于亚马逊云科技的解决方案咨询和架构设计,在软件系统架构、数仓和实时及离线计算领域有丰富的研发和架构经验。致力于结合数据开源软件与亚马逊云科技云原生服务组件构建高可用数据架构的实践探索。