向量存储（ZOS Vectors）是天翼云推出的向量数据存储服务，是面向 AI 时代推出的对象存储全新规格，可实现向量数据的持久化存储和相似性查询。具备对象存储的低成本扩展性与向量检索的语义理解能力，为用户提供安全、低成本、简单易用的向量存储服务。

向量存储针对大模型知识更新滞后、易产生幻觉、自建向量数据库成本高、AI Agent 记忆能力不足等痛点，通过一体化向量存储与语义检索架构，实现低成本、高性能的 AI 向量数据存储底座。向量存储不仅有效提升知识准确性、降低幻觉率、大幅削减建设与运维成本，还能为 RAG、多模态搜索、Agent 长期记忆提供稳定支撑。

核心概念

• 向量桶（Vector Bucket）：天翼云向量存储提供的桶类型，用于管理大规模向量数据。向量索引在向量桶内创建，桶容量与桶内索引数量以向量桶为单位进行配额管理，访问权限也可在桶级统一配置。

• 向量索引（Vector Index）：向量桶内用于存储向量数据的索引表。同一个向量桶中可按业务类型创建多个向量索引，分别存放不同业务的向量数据。发起检索查询时，ZOS Vectors 在指定的向量索引内按向量相似度返回结果。

• 向量（Vector）：通过向量模型将图片、视频、文档等非结构化数据转换得到的高维数值数组，用于表征原始数据的内容特征。向量之间的相似度是向量检索的判定依据，相似度越高表示内容特征越接近。

• 元数据（Metadata）：写入向量数据时，用户可额外追加键值对格式的元数据。借助元数据，后续能够按照日期、分类、用户偏好等条件对检索结果执行高效过滤，有效提升检索的精准度与执行效率。

产品优势

• 低成本：分层存储

对象存储承载向量数据的持久化与无限扩展，本地 SSD 缓存与内存索引承载活跃数据。系统按访问模式自动完成三层之间的调度，低频数据长期低成本留存，高频查询保持毫秒级检索性能，契合 AI Agent 与 SaaS 应用中“高用户量、小规模、低频查询”的业务形态。

• 高扩展：存算分离与横向扩展

存算分离：向量数据统一持久化在共享对象存储层，计算节点仅承载索引与查询逻辑，数据与计算状态解耦。任一计算节点均可直接访问全量数据，无需局部数据迁移，天然适配 Serverless 部署，计算资源可随查询负载独立扩缩。

横向扩展：接入层为去中心化无状态网关，按请求压力实时扩容；存储层读写分离，读写链路调度至独立节点组分别伸缩；多池化架构以数据池为粒度划分冗余与故障隔离边界，在提供全局扩展能力的同时缩小故障域。

• 安全可靠：多维权限控制

桶、索引、向量默认私有，仅资源所有者可访问。所有者可通过访问策略将特定资源授权给其他用户，权限粒度细化至桶级或索引级，支持 IAM 策略和桶策略两类授权方式。

IAM 策略：由天翼云 IAM 服务提供，面向所有云服务，按用户或角色授权，覆盖桶、索引及服务级权限。

桶策略：面向桶及桶内索引、向量，定义被授权用户允许或拒绝的操作，支持复杂策略组合。

• 广兼容：多语言 SDK

提供 Python、Go 等主流开发语言的 SDK 封装接口，可直接集成到现有应用，降低二次开发与系统对接成本。

• 简便运维：配额管理

支持对桶容量和桶内索引数量设置配额上限，避免资源超用，便于容量规划与成本控制。

应用场景

• 低成本 RAG 应用：RAG（检索增强生成）通过文档解析、语义检索与大模型生成，让 AI 基于企业私有资料作答，解决通用大模型读不到业务数据、知识滞后、回答凭空编造的问题，常用于知识库问答、智能客服与内部 AI 助手。天翼云向量存储可对接主流 RAG 与智能体开发框架，检索延迟低，语义检索为回答提供出处；开通即用、按量计费，无需自建向量集群即可上线智能问答。

• 多模态智能搜索：将文本、图片、音频、视频转化为统一维度的向量存入同一系统，支持“文搜图、图搜图、文搜音视频”等跨模态检索，适用于内容素材管理、视觉识别、智能相册与政企档案调阅。天翼云向量存储一套系统即可承载多类型向量，无需搭建多套存储；检索响应达亚秒级，支持 TB 级及以上规模并随数据量动态扩容，开通即用、免运维。

• Agent 长期记忆系统：将对话记录、用户偏好、业务事实与历史任务向量化持久存储，为智能体、大模型应用与数字员工构建外部记忆库，突破上下文窗口约束，实现跨会话的记忆留存与语义召回。天翼云向量存储原生支持亿级向量存储，可随 Agent 数量与数据量弹性扩容，成本低、适合长期归档。

域名访问

ZOS 向量存储桶提供独立的公网和内网访问域名，与 ZOS 普通存储桶隔离。

外网访问域名：<region-name>.ctyunvectors.cn

内网访问域名：<region-name>-internal.ctyunvectors.cn

支持地域

规格清单

在设计与实现向量存储和检索方案时，请根据以下限制合理规划 Bucket 数量、索引规模、元数据结构以及接口调用策略。