Ring 采用 Amazon RDS 进行 Billow 规模的语义视频搜索,适用于 PostgreSQL 和 pgvector

当你用Ring的语义视频搜索功能，想找某个特定瞬间——比如“我家后院的狗”、“包裹递送”或是“穿蓝色衬衫的人”——你期待的是什么？你希望系统能立刻从几天甚至几周的录像里，精准地找出符合时间、地点和事件描述的片段。这种基于语义的搜索，核心在于理解查询的意图，而不是死板地匹配关键词。为了实现它，Ring采用了一种新方法：在PostgreSQL上，借助pgvector扩展，来存储和检索规模达数十亿的视频数据向量。

今天，我们就来深入聊聊Ring在Amazon RDS for PostgreSQL上构建这套十亿级语义视频搜索系统的幕后故事。这不仅仅是一个技术选型的结果，更是一系列关于架构权衡、成本控制和工程现实的深度思考。我们会对比他们评估过的其他方案，拆解其中的性能与性价比挑战，并分享那些从实战中得来的关键经验。对于任何正在设计大规模AI搜索架构的团队来说，这些 insights 都值得一听。

全球范围内的视频搜索挑战

Ring的使命很清晰：让社区更安全。过去十多年，他们一直在打磨视频技术的清晰度和可靠性，让用户能随时关注对他们最重要的事。为了实现这个目标，Ring每天都需要处理来自全球数百万台设备产生的海量视频数据。

这就对搜索系统提出了极高的要求。这套方案需要覆盖四大洲、9个AWS区域，每天处理数十亿的读取请求，同时对数百万用户保持苛刻的低延迟承诺。传统的、依赖标签或时间戳的元数据搜索，根本无法支撑这种用自然语言进行的模糊查询。Ring需要的，是一种能大规模进行相似性搜索、支持实时数据写入、确保用户数据严格隔离、并且具备跨区域弹性能力的技术架构——尤其是在万圣节这类门铃活动激增的特殊时刻。

十字路口的评估：三种路径的权衡

在敲定最终的生产架构之前，Ring的工程团队进行了一次结构化的评估，核心围绕三个维度展开：成本、查询延迟，以及运维复杂性。

路径一：专用向量数据库

市面上不乏专为向量搜索设计的解决方案。乍看之下，它们很有吸引力：专用的索引、高效的近似最近邻（ANN）算法、原生的嵌入工作流支持。然而，当把这些方案放到Ring的实际业务场景中衡量时，问题就暴露了。

在Ring每天数十亿的查询量和千亿级别的数据规模下，专用向量数据库的成本结构变得难以承受。更重要的是，这些系统往往为混合搜索（关键词+向量）优化，而Ring的工作负载几乎全是密集的向量检索，引入额外的复杂性显得并不划算。据估算，如果采用专用方案，每天新增约20亿个嵌入向量的成本将高得惊人。相比之下，基于Amazon RDS for PostgreSQL和pgvector的方案，不仅避免了高昂的基础设施开销，还大幅降低了持续的索引维护成本，让团队能更专注于功能开发而非运维救火。

路径二：基于S3的ANN原型

团队还尝试过另一种思路：用亚马逊简单存储服务（Amazon S3）作为向量存储，自建一套ANN查询流程。架构很直观——把高维向量存到S3，查询时拉到计算层，在内存里做最近邻搜索。实验证明，这条路走得通，但不够快。从对象存储获取数据产生的往返延迟，始终无法满足Ring“端到端响应低于2秒”的硬性服务等级协议（SLA）。

但这个探索非常有价值，因为它验证了一个关键的架构约束：向量数据必须与查询执行共置。试图通过缓存或预取来抽象这层距离，在如此严格的延迟要求面前是行不通的。

最终的胜出者：为什么是 pgvector + PostgreSQL RDS？

既然专用方案因成本和契合度被排除，S3原型又卡在延迟上，那么整合了pgvector扩展的Amazon RDS for PostgreSQL，就成了一个务实且理由充分的选择。

首先，是团队的“操作熟悉度”。工程师们对PostgreSQL的架构设计、查询调优、复制和可观测性早已驾轻就熟。引入一个全新的专用向量数据库，意味着要面对一套完全陌生的系统：新的故障模式、新的运维手册、新的监控盲区。而使用pgvector，团队可以直接在他们信任的数据库引擎内，利用HNSW或IVFFlat等成熟索引进行向量搜索。

用Ring工程师自己的话说：“我们就是把PostgreSQL当作向量数据库来用。”这绝非将就，而是一种深思熟虑的架构策略。它将关系型工作负载和向量工作负载整合进一个统一、熟知的技术栈，在满足所有生产需求的同时，没有增加任何额外的运维负担。

最终，选择Amazon RDS for PostgreSQL搭配pgvector，让Ring把一项可能耗资巨大的基础设施扩展，转变为了平滑的功能扩展。这个架构成功地将关系数据和向量数据统一管理，无需引入新的故障模式或独立的基础设施，就满足了成本、延迟和可靠性的全部要求。事实证明，有时候最合适的选择，恰恰是最贴合你运维现实的那个。它让系统在无需重构的情况下，就平滑支撑了超过千亿级别的嵌入向量规模。