はじめに
RAGやエージェントのメモリで、ベクトル検索を使う場面が増えました。ベクトル検索は意味の近さで探せる一方で、型番、エラーコード、固有名詞のように「文字列そのものが一致しているか」が重要なクエリは苦手とされています。
Amazon S3 Vectorsは、2026年11月16日に、全文検索に対応しました。ベクトル検索と全文検索を1回のクエリで組み合わせる、ハイブリッド検索も使えるようになっています。S3 Vectorsはこれまで、ベクトル検索のためのストアとして説明されることが多く、全文検索が必要な場合は別のサービスを組み合わせる前提で設計する場面がありました。今回のアップデートで、ベクトル検索、全文検索、ハイブリッド検索の3つの検索方法を、S3 Vectorsだけで使い分けられるようになりました。
そこで本記事では、このアップデートの内容を、公式ドキュメントを一次情報として整理し、3つの検索方法がそれぞれ何に向くのかを解説します。あわせて、公式の発表だけでは分からない点を、架空の日本語マニュアルを使った検証で確かめ、その結果を示します。確かめた点は、日本語のデータで本当に効くのか、日本語アナライザー(ja)と標準アナライザーで何が変わるのか、既存のインデックスに後から全文検索を足すと何が起きるのか、の3つです。最初は30件の文書と22件のクエリで比べましたが、方式間の差が出なかったため、類似文書を増やした204件の文書と50件のクエリで追加の比較をしています。
前提条件
S3 Vectorsの基本(ベクトルバケット、ベクトルインデックス、PutVectors、QueryVectors)と、ベクトル検索の考え方(埋め込み、コサイン距離)を知っていることを前提にします。検証は東京リージョン(ap-northeast-1)のS3 Vectorsで行い、埋め込みは、同じ東京リージョンのAmazon Bedrockで、Titan Text Embeddings V2(1024次元)を使いました。
3つの検索方法の全体像
先に、3つの検索方法を並べて整理します。「得意とされる問い」は公式の説明、「本検証での結果」は私の検証での観察です。それぞれの詳細は、後の節で説明します。
| 項目 | ベクトル検索 | 全文検索 | ハイブリッド検索 |
|---|---|---|---|
| 探し方 | 埋め込み(ベクトル)の近さ、つまり意味の近さで探す | クエリの語が文書にあるかで探す(BM25) | 両方の順位を、RRFで1つにまとめる |
| 得意とされる問い(公式の説明) | 意味や言い換え | 型番、エラーコード、固有名詞など、特定の語 | 上の2つが混ざる問い |
| 使うために必要なもの | 埋め込みの生成 | 検索対象のテキストと、全文検索の設定(ENHANCEDインデックス) | その両方 |
| 苦手になりやすい問い | 特定の語の一致が重要な問い(公式の説明。本検証では再現せず) | 言い換え(本検証) | アナライザーの選び方の影響を受ける(本検証) |
| 本検証での結果 | コードと型番はHit@1が1.00。言い換えは0.50 | 言い換えはHit@1が0.20。コードに文章を足したクエリは、標準が0.00、ja が1.00 |
標準は追加ラウンド全体のHit@1で0.94と最良(Recall@5の全体では、ベクトルのみの0.96が最良)。ja は言い換えでHit@1が0.20 |
どんなユースケースに向くのか
先に、どんな場面でハイブリッド検索が役に立つのかを整理します。判断の軸は、検索したい問いの性質です。
問いの性質と、向く検索方式
| 問いの性質 | 具体例(本記事の検証データの題材) | 向く方式の見立て |
|---|---|---|
| 特定の文字列そのものを探す | 「E1234」「TST-X420」のような型番・エラーコード | 全文検索 |
| 意味や言い換えで探す | 「冬に配管が壊れるのを防ぎたい」(文書には「凍結対策」とある) | ベクトル検索 |
| 上の2つが1つの問いに混ざる | 「E1234 センサー交換」(コードと、やりたいこと) | ハイブリッド検索 |
この表は、公式の説明(コードや固有名詞に強いのは全文検索、意味に強いのはベクトル検索)を、私が具体例に置き換えたものです(推測)。本当に成り立つかは、後半の検証で確かめます。
公式が挙げるハイブリッド検索の用途
公式ドキュメントは、ハイブリッド検索が役立つ用途として次の4つを挙げています。右の列は、私が想像した具体的な場面の例です(推測)。
| 公式が挙げるハイブリッド検索の用途 | 具体的な場面の例 |
|---|---|
| RAG、ドキュメントのナレッジベース検索 | 社内ヘルプデスクの問い合わせ。「エラーE1234が出た」というコード付きの質問と、「ポンプが動かない」という症状だけの質問が混在する |
| エージェントメモリ | 過去のやり取りを思い出すとき、「あの設定の話」という意味の手がかりと、チケット番号や注文IDのような識別子の手がかりの両方を使う |
| カタログ、社内文書検索(IDや引用、コードに依存するもの) | 製品カタログで、型番を直接入力する人と、「屋外で使える小型のもの」と文章で探す人がいる |
| メディア、コンテンツ検索 | タイトルや説明文の一致と、内容の概念の近さの両方で探したい |
エージェントメモリについては、公式が次のように書いています。
"Agent memory, where an agent recalls past interactions by both meaning and exact identifiers"
—— Hybrid search with Amazon S3 Vectors
向かない、または不要かもしれない場面
ハイブリッド検索が不要な場面もあります(以下は私の推測を含みます)。問いがほぼ自然文だけで、特定の語の一致が重要でない場合(雑談に近いFAQなど)は、ベクトル検索だけで足りる可能性があります。全文検索の設定と、後述する「後から変えにくい制約」の分だけ、手間が増えるためです。IDの完全一致だけで探せる場合も、メタデータフィルタで足りる可能性があり、ベクトル検索や全文検索を使うまでもありません。
もう1つは、持続的に高い問い合わせ数や低いレイテンシが必要な場合です。S3 Vectorsは、低頻度のクエリで大規模なベクトルを低コストに持つ用途を想定していると、公式のAWSブログが説明しています。約100ミリ秒以上の応答を許容できる場合や、中程度の問い合わせ数で急成長するデータに向くとされています。同じブログの比較表では、レイテンシ(P95)は100ミリ秒超、1インデックスあたりのQPSは「低い数百」とされ、OpenSearch Serviceの「数千」と対比されています(出典: AWS vector solutions: Build agentic AI where your data lives)。今回の新機能で、この想定が変わったかどうかは、公式の記述では確認できませんでした。
自分の用途に当てはまるかを判断する3つの質問
- 検索対象の文書に、型番、ID、コード、固有名詞のような「一致していることが重要な語」が含まれるか。含まれないなら、ベクトル検索だけで足りる可能性があります
- 利用者の問いに、意味や言い換えで書かれるものが含まれるか。含まれないなら、全文検索だけで足りる可能性があります
- S3 Vectorsの想定(低頻度から中程度の問い合わせ数、約100ミリ秒以上の応答を許容)に合うか。合わない場合は、別のサービスも検討対象になります
1と2の両方に当てはまるときに、ハイブリッド検索の出番になります。本記事の検証データは、この両方が混ざるように作りました。
仕組みと使い方
3種類のクエリ
同じインデックスに対して、QueryVectors の引数の組み合わせで3種類のクエリを使い分けます。
| 種別 | 指定する引数 | 順位付けの基準 |
|---|---|---|
| ベクトルのみ |
queryVector のみ |
ベクトル距離 |
| 全文のみ |
queryTexts のみ |
BM25スコア |
| ハイブリッド |
queryVector と queryTexts の両方 |
RRFスコア |
"Both present runs a hybrid search. S3 Vectors runs a full-text search for each query text field and a vector search, fuses the rankings with Reciprocal Rank Fusion (RRF), and returns one ranked list of your top K results."
—— Querying with full-text and vector search
複数のテキストフィールドを同時に検索する場合は、フィールドごとにBM25を実行してスコアを合算し、1つの全文スコアにしてから、ベクトル側とRRFで統合されます。
設計上の注意点
ここからは、公式ドキュメントの記述から、設計や運用で判断が必要になる点を整理します。文中の「(公式)」は公式の記述そのもの、「(推測)」は私の推論、「(検証で確認)」は本検証での観察です。
ENHANCEDインデックスが必須
"Full-text and hybrid search are supported on
ENHANCEDindexes only, not onCLASSICindexes."
—— Hybrid search with Amazon S3 Vectors
2つのモードの違いは、メタデータフィルタを適用するタイミングです(公式)。ENHANCEDはベクトル検索の前に、CLASSICはベクトル検索の最中に適用します。CLASSIC のインデックスは、UpdateIndexMode でENHANCEDに変換してから、全文検索を有効にします。変換は、再取り込みやクエリの変更なしに、その場で反映されます(公式のS3 FAQ)。
また、CLASSIC に設定できるのは、2026年9月30日より前に作成されたベクトルバケット内のインデックスだけです(公式)。このことから、それ以降に作った新規バケットはENHANCEDが前提になっていると考えられますが、公式に明記はされていません(推測)。本検証で新規作成したベクトルバケットのインデックスは、モードを指定せずに作成して、いずれも indexMode が ENHANCED でした(検証で確認)。
全文検索の設定は、作成後に変更できない
"After the index is created, you can add new full-text search fields or remove full-text search fields, but you can't change an existing full-text search configuration (for example, its analyzer)."
—— Configuring full-text search
インデックスの作成後にできることと、できないことは次のとおりです(公式)。
| 操作 | 可否 |
|---|---|
全文検索フィールドの追加(UpdateMetadataConfiguration の add) |
できる |
全文検索フィールドの削除(delete) |
できる |
| 既存フィールドの設定(アナライザーなど)の変更 | できない。そのキーの設定を削除して追加し直す。このとき、そのキーの全文索引が再構築される |
nonFilterableMetadataKeys の変更 |
できない |
フィルタ可能なメタデータは、1ベクトルあたり2KBまでです。そのため、長いテキストは、インデックス作成時に nonFilterableMetadataKeys に入れておく必要があります。これは後から変更できないため、既存のインデックスに長文のフィールドを後から全文検索の対象として足す場合は、設計によっては作り直しになる可能性があります(推測)。
既存データへの全文検索の有効化(バックフィル)
既存のフィールドに全文検索を有効化すると、バックグラウンドで既存データの索引化が走ります。公式の記述は次のとおりです。
| 場面 | 挙動 |
|---|---|
| ステータス |
BUILDING から ACTIVE に変わる。数分から数時間かかる |
BUILDING 中のクエリ |
そのフィールドを対象にした全文・ハイブリッドクエリは拒否される |
BUILDING 中の書き込み |
PutVectors は使える。到着分は索引化される |
BUILDING 中の別の設定変更 |
ConflictException になる。バックフィルは取り消せず、構築中のフィールドは削除できない |
"While a field is
BUILDING, full-text or hybrid queries that target that field are rejected. The field becomes searchable when its status isACTIVE."
—— Configuring full-text search
有効化したいフィールドが分かっている場合は、1回の UpdateMetadataConfiguration にまとめます。進捗は GetIndex で確認します。小規模データでの実測は、後述の「バックフィルの挙動」にまとめています。
テキストアナライザー(日本語)
アナライザーは、テキストを検索の単位(トークン)に分割するしくみです。書き込み時とクエリ時の両方に、同じアナライザーが適用されます(公式)。
| 種類 | 内容 |
|---|---|
| 標準アナライザー(既定) | Unicodeの単語境界で分割し、ほとんどの句読点を除去し、小文字にする |
| 言語別アナライザー | フィールドごとに言語を指定する。ステミングとストップワード除去を行う |
| 対応言語 | 英語、フランス語、スペイン語、ポルトガル語、イタリア語、ドイツ語、オランダ語、中国語、日本語、韓国語(en fr es pt it de nl zh ja ko) |
日本語アナライザーが、どのような方式で単語を分けるのかは、公式ドキュメントに記載がありません。本記事では、検証で挙動を観察します。
S3コンソールで、idxja の「メタデータの設定」を表示した画面です。全文検索メタデータとして title と body が登録され、アナライザー設定が「日本語」、ステータスが「アクティブ」になっています。
権限(IAM)
queryTexts、メタデータフィルタ、returnMetadata のいずれかを使う QueryVectors では、s3vectors:QueryVectors に加えて s3vectors:GetVectors も必要です。
"If you use any of these options without the
s3vectors:GetVectorspermission, Amazon S3 Vectors returns anAccessDeniedException."
—— QueryVectors
既存のポリシーが QueryVectors だけを許可している場合、全文・ハイブリッドクエリは通らない可能性があります(推測)。本検証は広い権限の環境で実行したため、この点は確認していません。
制限値(全文検索関連の抜粋)
| 項目 | 上限 |
|---|---|
| 全文検索対象のメタデータキー数(1インデックス) | 10 |
| 全文検索対象フィールド1つのサイズ | 100KB |
| 1ベクトルあたりのメタデータ合計 | 100KB(ENHANCED)/40KB(CLASSIC) |
1回の QueryVectors で検索する全文フィールド数 |
10 |
queryTexts 1件あたりの長さ |
1,024文字 |
QueryVectors のtopK |
10,000 |
PutVectors 1回あたりのベクトル数 |
500 |
出典: Limitations and restrictions
queryTexts が1,024文字までなので、長い質問文をそのまま全文側に渡す設計では、切り詰めが必要になります(推測)。
RRFの重みについて
公式ドキュメントに、ベクトル側と全文側の重みを調整するパラメータの記述は見つかりませんでした。独自のランキングにしたい場合は、全文のみとベクトルのみのクエリを別々に発行し、アプリ側で統合する方法が公式に示されています。
"If you have your own re-ranking or score-normalization step, run a full-text-only query and a vector-only query as separate
QueryVectorscalls withreturnScoresenabled."
—— Querying with full-text and vector search
日本語で検証する
精度についての公式の言及
公式は、ハイブリッドが単独の方式より再現率を高めうるとしたうえで、自分のデータで確かめるよう案内しています。
"Since actual performance might vary depending on your specific use cases, we recommend conducting your own tests with representative data and queries to validate that S3 Vectors meets your recall requirements."
—— Querying with full-text and vector search
公式の精度の数値は確認できなかったため、本記事では小規模ながら、日本語のデータで確かめます。
検証の設計
検証の全体構成です。手元のPCから、Bedrockで文書とクエリを埋め込み、S3 Vectorsのインデックスに書き込んで、5つの方式でクエリしました。
| 項目 | 内容 |
|---|---|
| データ | 架空のポンプ制御装置マニュアル30件(titleとbody)。会社名、製品名、型番は、すべて架空です。似た型番(TST-X420とTST-X402、TSP-3300とTSP-3300B)や似たエラーコード(E1234とE1243)を、意図的に混ぜた |
| クエリ | 22件。code(型番・コード)6件、term(日本語の用語)4件、semantic(言い換え・自然文)6件、variant(表記ゆれ)4件、mixed(混在)2件。各クエリに正解の文書IDを付けた |
| 比較する方式 | ベクトルのみ、全文のみ(標準)、全文のみ(ja)、ハイブリッド(標準)、ハイブリッド(ja)の5つ |
| インデックス | 標準アナライザー用と ja 用の2つ。同じベクトルと同じテキストを入れた |
| 全文検索の対象 | titleとbodyの2フィールド(bodyは nonFilterableMetadataKeys) |
| 指標 | Recall@5(上位5件に入った正解の割合)、MRR(最初の正解の順位の逆数)、Hit@1(1位が正解の割合。追加ラウンドで使用)、クエリごとの上位5件 |
| 埋め込み | Titan Text Embeddings V2、1024次元、東京リージョンのBedrock |
| 環境 | boto3 1.44.4、Windows 11、2026年11月17日に実施 |
5つの方式と、使うクエリの引数、アナライザーの対応は次のとおりです。方式名の「標準」「ja」は、全文検索に使うアナライザーの種類を指します。
| 方式 | 指定する引数 | アナライザー(使ったインデックス) |
|---|---|---|
| ベクトルのみ |
queryVector のみ |
なし(標準用のインデックスで実行。2つのインデックスのベクトルは同じ) |
| 全文のみ(標準) |
queryTexts のみ |
標準アナライザー(標準用のインデックス) |
全文のみ(ja) |
queryTexts のみ |
日本語アナライザー(ja 用のインデックス) |
| ハイブリッド(標準) |
queryVector と queryTexts
|
標準アナライザー(標準用のインデックス) |
ハイブリッド(ja) |
queryVector と queryTexts
|
日本語アナライザー(ja 用のインデックス) |
この30件・22件を「1回目」とします。1回目では、ベクトルのみが全クエリで上限(Recall@5が1.00)に達し、方式の差を測れませんでした。そこで、結果を見たあとに、差が出うる条件として「追加ラウンド」を設計しました。1回目の結果は、変更せずに載せています。
| 項目 | 追加ラウンドの内容 |
|---|---|
| 文書 | 204件。1回目の30件に、エラーコード文書120件と型番文書60件を足した |
| エラーコード文書 | 桁を入れ替えた、または1桁だけ違う4桁のコードで、本文はほぼテンプレートの文書。部品と症状の組み合わせは文書ごとに異なる |
| 型番文書 | TST-X500〜TST-X559。型番と定格値だけが違う文書 |
| クエリ | 50件。code(コードのみ)20件、code_ctx(コードと文章)10件、model(型番のみ)10件、semantic(コードなしの症状の言い換え)10件。正解は各1文書 |
| 再現性 | 乱数シードを固定している |
1回目のクエリの例です。
| 種別 | クエリ | 正解 | 見たいこと |
|---|---|---|---|
| code | E1234 | エラーコードE1234の文書 | 似たコード(E1243)に引きずられないか |
| code | TSP-3300B | TSP-3300Bの2文書 | ハイフンで分割された場合に、TSP-3300の文書が混ざるか |
| term | テストクラウド | テストクラウドの文書 | 日本語の固有名詞を、全文が拾えるか |
| semantic | 冬に配管が壊れるのを防ぎたい | 凍結対策の文書 | 文書中に「冬」「壊れる」の語がなくても、ベクトルが拾えるか |
| variant | 監視サーバ | 「サーバー」「サーバ」の両方の文書 | 長音の有無の差を吸収できるか |
| variant | E1234(全角) | E1234の文書 | 全角と半角の差を吸収できるか |
検証結果
結果の見方を、先に説明します。
- 表の数値は、0から1までで、大きいほど、正解を上位に出せていることを表します
- 3つの指標は、次のように使い分けます
- Hit@1: 1位が正解だった割合です。「最初に見る結果が当たっているか」を表します
- Recall@5: 上位5件に入った正解の割合です。「5件まで見れば、正解に届くか」を表します
- MRR: 最初の正解が何位に出たかを表します。1位なら1、2位なら0.5、3位なら0.33です
- 表の列は、クエリの種類です。「all」は、全クエリを合わせた値です
- 1回目は、Recall@5とMRRで見ています。追加ラウンドは、正解が各クエリ1つなので、Hit@1も加えて、Hit@1とRecall@5で見ています
- 種類ごとの件数は少ないため、1件の違いで、値が大きく動きます。数値の大小だけでなく、どの種類のクエリで差が出ているかに注目してください
1回目(30件の文書、22件のクエリ)
Recall@5(上位5件に入った正解の割合)です。
| 方式 | code | term | semantic | variant | mixed | all |
|---|---|---|---|---|---|---|
| ベクトルのみ | 1.00 | 1.00 | 1.00 | 1.00 | 1.00 | 1.00 |
| 全文のみ(標準) | 1.00 | 1.00 | 0.83 | 0.75 | 1.00 | 0.91 |
全文のみ(ja) |
1.00 | 1.00 | 0.75 | 1.00 | 1.00 | 0.93 |
| ハイブリッド(標準) | 1.00 | 1.00 | 1.00 | 1.00 | 1.00 | 1.00 |
ハイブリッド(ja) |
1.00 | 1.00 | 1.00 | 1.00 | 1.00 | 1.00 |
MRR(最初の正解の順位の逆数)です。
| 方式 | code | term | semantic | variant | mixed | all |
|---|---|---|---|---|---|---|
| ベクトルのみ | 1.00 | 1.00 | 1.00 | 1.00 | 1.00 | 1.00 |
| 全文のみ(標準) | 1.00 | 1.00 | 0.67 | 0.75 | 1.00 | 0.86 |
全文のみ(ja) |
1.00 | 1.00 | 0.64 | 1.00 | 1.00 | 0.90 |
| ハイブリッド(標準) | 1.00 | 1.00 | 1.00 | 1.00 | 1.00 | 1.00 |
ハイブリッド(ja) |
1.00 | 1.00 | 1.00 | 1.00 | 1.00 | 1.00 |
ベクトルのみが全種別で1.00となり、ハイブリッドが上回る余地がありませんでした。ただし、クエリごとの上位5件には、方式の違いが出ています。
型番「TSP-3300B」(正解はTSP-3300Bの2文書)では、全文のみが、正解2件に加えて、別型番のTSP-3300の文書も拾いました。標準と ja のどちらも、ハイフンの前後を分けて、共通の「TSP」や「3300」で一致しているように見えます(挙動からの推測)。全角で書いた「E1234」では、全文のみ(標準)は0件、全文のみ(ja)は正解のE1234の文書を1位に出しました。「電気代を減らしたい」では、全文のみ(ja)が0件でした。標準は、正解を4位に出したものの、関係のない文書を含む5件を返しました。なお、全文のみは、上位5件に満たない件数しか返さないことがあります。全文検索は、クエリの語を含む文書だけを返すためと考えられます。
追加ラウンド(204件の文書、50件のクエリ)
Hit@1(1位が正解の割合)です。
| 方式 | コードのみ(code) | コード+文章(code_ctx) | 型番のみ(model) | 言い換え(semantic) | all |
|---|---|---|---|---|---|
| ベクトルのみ | 1.00 | 1.00 | 1.00 | 0.50 | 0.90 |
| 全文のみ(標準) | 1.00 | 0.00 | 1.00 | 0.20 | 0.64 |
全文のみ(ja) |
1.00 | 1.00 | 1.00 | 0.20 | 0.84 |
| ハイブリッド(標準) | 1.00 | 1.00 | 1.00 | 0.70 | 0.94 |
ハイブリッド(ja) |
1.00 | 1.00 | 1.00 | 0.20 | 0.84 |
Hit@1 をグラフにすると、方式間で差が出ているのは、コード+文章と、言い換えの2種類だけです。コードのみと型番のみは、全方式が1.00でした。
Recall@5(上位5件に入った正解の割合)です。
| 方式 | コードのみ(code) | コード+文章(code_ctx) | 型番のみ(model) | 言い換え(semantic) | all |
|---|---|---|---|---|---|
| ベクトルのみ | 1.00 | 1.00 | 1.00 | 0.80 | 0.96 |
| 全文のみ(標準) | 1.00 | 1.00 | 1.00 | 0.60 | 0.92 |
全文のみ(ja) |
1.00 | 1.00 | 1.00 | 0.40 | 0.88 |
| ハイブリッド(標準) | 1.00 | 1.00 | 1.00 | 0.70 | 0.94 |
ハイブリッド(ja) |
1.00 | 1.00 | 1.00 | 0.70 | 0.94 |
言い換えでは、Hit@1 と Recall@5 で順位が入れ替わっています。ハイブリッド(標準)は、Hit@1 ではベクトルのみを上回りました(0.70 対 0.50)。一方、Recall@5 ではベクトルのみが上回っています(0.80 対 0.70)。ハイブリッド(標準)は、正解を1位に出す力は高い一方で、上位5件に入れる力はベクトルのみに及びませんでした。10件のクエリでの結果のため、1件の違いが0.10にあたります。
code_ctx は、「E2675 が出たときの対処」のように、コードに文章を足したクエリです。全文のみ(標準)は、10件すべてで、正解が1位になりませんでした(2〜3位)。コードの前後の「が出たときの対処」が、ほぼ全ての文書に含まれる文字と一致して、順位を崩していると考えられます。次の観察が、その裏付けになります。
アナライザーの挙動の観察
全文検索のみで、いくつかの語を直接クエリして、一致した文書の件数を比べました(追加ラウンドのインデックス、最大100件まで)。
| クエリ | 標準アナライザー |
ja アナライザー |
読み取れること |
|---|---|---|---|
| が出たときの対処 | 100件(上限) | 0件 | 標準は、助詞などの共通の文字でも一致する。ja は、機能語を除いた結果、一致なし |
| 対処 | 3件(凍結対策、騒音対策、水撃対策など) | 0件 | 標準は、「対処」を文字単位で扱い、「対」を含む文書が一致したように見える |
| E1234(全角) | 0件 | 1件(正解) |
ja は全角を吸収する。標準は吸収しない |
| e1234(小文字) | 1件 | 1件 | どちらも大文字と小文字を区別しない |
| エコ | 0件 | 2件(エコフローの文書) |
ja は、カタカナの複合語を分けて、部分一致する |
| サーバ/サーバー | それぞれ別の1件 | それぞれ別の1件 | どちらも、長音の有無を吸収しない |
| モータ | 0件 | 0件 | 同上。「モーター」とは一致しない |
| ウォーターハンマ | 0件 | 0件 | 語尾が欠けた入力に、前方一致のような動作はしない |
この表の「読み取れること」は、件数の観察から私が推測したもので、公式の仕様の記述ではありません。
レイテンシ
手元のPCから測った、QueryVectors の往復時間(ミリ秒)です。公式の性能値ではありません。
| 方式 | 1回目の平均(最大) | 追加ラウンドの平均(最大) |
|---|---|---|
| ベクトルのみ | 107(443) | 81(137) |
| 全文のみ(標準) | 99(166) | 84(175) |
全文のみ(ja) |
103(186) | 83(145) |
| ハイブリッド(標準) | 84(95) | 79(85) |
ハイブリッド(ja) |
90(120) | 79(89) |
ハイブリッドが、ベクトルのみより遅くなる傾向は見られませんでした。最大値は、最初の呼び出しなどの外れ値の影響を受けます。
バックフィルの挙動
idxbackfill(全文検索なしで作成し、30件を書き込み済み)に、あとから全文検索を有効にして、挙動を確認しました。
| 場面 | 結果 |
|---|---|
| 有効化前に全文クエリ |
ValidationException。「One or more metadataKeys in queryTexts are not configured for text search on this index」 |
有効化の直後(BUILDING 中)に全文クエリ |
ValidationException。「One or more metadataKeys in queryTexts cannot be queried until their status is ACTIVE」 |
BUILDING 中に別の設定変更 |
ConflictException。「An index metadata configuration update is already in progress」 |
ACTIVE になるまで |
30件では、5秒後の確認時点で、titleとbodyの両方が ACTIVE だった |
ACTIVE 後の全文クエリ |
成功 |
公式の記述どおり、BUILDING 中の全文クエリは拒否され、別の設定変更は競合しました。30件のため、数分から数時間かかるという公式の記述は再現できていません。
方式ごとの使い分けの目安
本検証の範囲での、方式ごとの使い分けの目安です。件数が小さいため、傾向として読んでください。
| こんなとき | 向く方式 | 本検証での根拠 |
|---|---|---|
| 型番・エラーコードがそのまま本文に書かれた短い文書で探す | ベクトルのみでも足りた | 204件の類似文書でも、code・modelのHit@1が1.00 |
| コードの完全一致を、埋め込みの出来に依存せず確実にしたい | ハイブリッド(または全文を併用) | 本検証では差が出ていない。完全一致を保証する用途の推測 |
| 言い換え・自然文で探す | ベクトルのみ、または標準アナライザーのハイブリッド | semanticのHit@1が、ベクトル0.50、ハイブリッド(標準)0.70。ただしRecall@5は、ベクトル0.80、ハイブリッド(標準)0.70で逆転する。ja のハイブリッドは、Hit@1が0.20、Recall@5が0.70 |
| 日本語の文章に、コードを混ぜて探す |
ja の全文、またはハイブリッド |
code_ctxで、標準の全文のみは0.00。ja の全文のみ・ハイブリッドは1.00 |
| 全角と半角が混在する |
ja を指定する |
全角の数字は、ja のみ一致した |
| 長音の有無がばらつく | ベクトル側で補う(ハイブリッドなど) | 全文検索は、どちらのアナライザーでも吸収しなかった |
さいごに
S3 Vectorsが、ベクトル検索に加えて、全文検索とハイブリッド検索に対応しました。これで、語の一致が重要な問いと、意味で探す問いが混ざる検索を、S3 Vectorsだけで組み立てられるようになりました。あらためて整理すると、使い分けの目安は次のとおりです(本検証の範囲です)。
まず、型番やコードがそのまま本文に書かれている短い文書では、ベクトル検索だけでも、本検証では十分に拾えました。公式が挙げる「ベクトル検索は型番に弱い」という状況は、今回の条件では再現しませんでした。全文検索を足す価値が出るかは、文書の長さや埋め込みモデルによるため、自分のデータで確かめる必要があります。
次に、日本語で全文検索を使うなら、標準アナライザーではなく、ja を指定する理由があります。全角の数字の吸収や、コードに文章を足したクエリで、ja が優れていました。ただし、ja が常に良いわけではなく、言い換えのクエリでは、ハイブリッド(ja)がベクトルのみを下回りました。全文検索の設定は、後から変更できない部分もあるため、先に小さなデータで、自分のクエリを試してから設計するのが安全です。
英語記事
[AWS] Celebrating Hybrid Search Support in S3 Vectors! Reorganizing the Search Methods [S3Vectors]
参考文献
- What's New: Amazon S3 Vectors now supports hybrid search combining vector and full text for more relevant search results(2026-11-16)
https://aws.amazon.com/about-aws/whats-new/2026/11/s3-vectors-hybrid-search/ - Hybrid search with Amazon S3 Vectors
https://docs.aws.amazon.com/AmazonS3/latest/userguide/s3-vectors-hybrid-search.html - Configuring full-text search
https://docs.aws.amazon.com/AmazonS3/latest/userguide/s3-vectors-configuring-full-text-search.html - Querying with full-text and vector search
https://docs.aws.amazon.com/AmazonS3/latest/userguide/s3-vectors-querying-full-text-and-vector-search.html - Limitations and restrictions
https://docs.aws.amazon.com/AmazonS3/latest/userguide/s3-vectors-limitations.html - QueryVectors API
https://docs.aws.amazon.com/AmazonS3/latest/API/API_S3VectorBuckets_QueryVectors.html - UpdateIndexMode API
https://docs.aws.amazon.com/AmazonS3/latest/API/API_S3VectorBuckets_UpdateIndexMode.html - Amazon S3 FAQs
https://aws.amazon.com/s3/faqs/ - AWS vector solutions: Build agentic AI where your data lives(AWS Machine Learning Blog)
https://aws.amazon.com/blogs/machine-learning/aws-vector-solutions-build-agentic-ai-where-your-data-lives/







