【比較】AWS Bedrock：構造化データストアとベクトルストアの比較¶

概要¶

AWS Bedrock Knowledge Bases（ナレッジベース）を活用する際、データの種類に応じて主に2つのアプローチが存在します。非構造化ドキュメント向けの「ベクトルストア」と、データベース向けの「構造化データストア」です。

重要な前提として、いずれも Amazon Bedrock Knowledge Bases の機能です。2024年12月以降、Bedrock Knowledge Bases は構造化データストア（自然言語→SQL）を直接サポートするようになりました（以前は Agents 経由が中心でしたが、現在はナレッジベース自体の機能として「Knowledge base with structured data store」を作成できます）。

詳細比較¶

観点	ベクトルストア（非構造化向け）	構造化データストア（DB向け）
Bedrock 上の種別	Knowledge base（ベクトル）埋め込み＋ベクトル検索	Knowledge base（SQL／構造化） `type: SQL` で作成
対象データ	PDF, Word, HTML, テキスト等の非構造化ドキュメント	リレーショナルDBの構造化データ
コア技術	RAG（埋め込み→ベクトル類似検索）	NL2SQL（自然言語→SQL生成・実行）
データソース／エンジン	S3 のドキュメント＋ベクトルストア（OpenSearch Serverless, Aurora PostgreSQL/pgvector, Pinecone 等）	クエリエンジンは Amazon Redshift（Provisioned/Serverless）。データは Redshift DB / AWS Glue Data Catalog / SageMaker Lakehouse
取得API	`Retrieve` / `RetrieveAndGenerate`	`Retrieve` / `RetrieveAndGenerate` / `GenerateQuery`（SQLのみ生成も可）
主な用途	ドキュメント内容に基づく質疑応答	DBに対する自然言語問い合わせ・データ抽出・BI的な対話

1. ベクトルストア (Vector Store) - 非構造化データ向け¶

こちらは Bedrock Knowledge Bases の中核機能（ベクトル型）です。

対象データ: PDF, Word, HTML, テキストファイルなど、構造化されていないドキュメント。
仕組み:
1. S3バケットなどに格納されたドキュメントを、Bedrockが意味のある塊（チャンク）に自動で分割します。
2. 埋め込みモデル（Embedding Model）を使い、各チャンクをベクトルデータに変換します。
3. 変換されたベクトルデータを、Amazon OpenSearch Serverless、Aurora PostgreSQL（pgvector）、Pinecone などのベクトルストアに保存・インデックス化します。
主な用途: RAG (Retrieval Augmented Generation)
- ユーザーからの質問（プロンプト）もベクトル化し、ベクトルストア内で関連性の高い情報を高速に検索します。
- 検索で得られた情報をコンテキストとしてLLMに渡し、精度の高い回答を生成させます。
構築プロセス: ナレッジベースを構築する際は、データソース（S3）と、そのデータを格納するベクトルストアを選択します。

2. 構造化データストア (Structured Data Store) - 構造化データ向け¶

こちらも Bedrock Knowledge Bases の機能です（2024年12月から、ナレッジベースが構造化データ取得を直接サポート）。Agents から呼び出すこともできますが、ナレッジベース単体でも利用できます。

対象データ: Amazon Redshift（Provisioned / Serverless）上の構造化データ。データの実体は Redshift データベース、AWS Glue Data Catalog、Amazon SageMaker Lakehouse に格納できます。
仕組み: NL2SQL（自然言語→SQL）
1. ユーザーが自然言語で「先月の東京支店の売上は？」といった質問を投げます。
2. ナレッジベースがスキーマ・テーブル関係などを解釈し、実行可能なSQLクエリを自動生成します。
3. クエリエンジン（Redshift）でSQLが実行され、結果が返されます。
4. RetrieveAndGenerate を使えば、結果を自然言語の要約回答として返すこともできます（GenerateQuery でSQL生成のみも可能）。
主な用途:
- SQLを知らないユーザーによるデータベースの対話的な操作。
- ビジネスインテリジェンス（BI）的なダッシュボード問い合わせの自動化。

よくある誤解¶

誤解1：「構造化データはナレッジベースの機能ではなく、Agents 専用」 — 現在は誤りです。2024年12月以降、Bedrock Knowledge Bases が構造化データ取得（NL2SQL）を直接サポートしています。ナレッジベース単体で「Knowledge base with structured data store」を作成でき、Agents は必須ではありません（Agents から利用することも可能）。
誤解2：「構造化データストアは RDS や Aurora をそのまま指定できる」 — 構造化データ取得のクエリエンジンは Amazon Redshift（Provisioned/Serverless）で、データは Redshift DB / Glue Data Catalog / SageMaker Lakehouse に置きます。Aurora PostgreSQL は別途「ベクトルストア（pgvector）」としては使えますが、構造化データ(NL2SQL)のエンジンとしての直接指定とは別物です。
誤解3：「ベクトル検索とNL2SQLは同じRAG」 — 仕組みが異なります。ベクトルストアは「埋め込み＋類似検索」、構造化データストアは「自然言語→SQL生成→DB実行」。曖昧な意味検索が要るならベクトル、正確な集計・抽出が要るならNL2SQLです。
誤解4：「構造化データを使うには必ずS3にドキュメント化が必要」 — 不要です。構造化データ取得はデータを別形式に変換・移動せず、既存DBに対して直接SQLを生成・実行します。

実務での選び分け¶

PDF・社内ドキュメント等の“文章の意味”に基づく回答が欲しい → ベクトルストア（RAG）。
DBの正確な数値集計・抽出を自然言語でやらせたい（売上、件数、期間集計など） → 構造化データストア（NL2SQL、Redshift エンジン）。
両方必要（ドキュメント＋DB横断） → ベクトル型と構造化型のナレッジベースを併用し、Agents で振り分ける構成。
データが Redshift 以外（RDS/Aurora の業務DB）にある → NL2SQL を使うなら Redshift（または Glue/Lakehouse 経由）への連携が前提。Aurora をベクトルストアとして使うのは別用途。
判断軸: ①データは非構造化ドキュメントか構造化DBか、②求める答えは「意味の近い文章」か「正確な集計値」か、③クエリエンジンの対応（NL2SQL は Redshift）、④Agents で複数ソースを束ねる必要があるか。

ひとことまとめ¶

ベクトルストアは「非構造化ドキュメント×ベクトル検索（RAG）」、構造化データストアは「DB×自然言語→SQL（NL2SQL, Redshift）」。どちらも今は Bedrock Knowledge Bases の機能で、データ形式と求める答えの性質で選び分けます。