Amazon Bedrock 是一项托管服务，提供多家 AI 公司的基础模型，用户可通过统一 API 构建生成 AI 应用。文章介绍了如何在 Python 中使用 Amazon Titan 多模态模型和 Supabase Vector 进行图像搜索，包括项目创建、依赖安装、生成图像嵌入和执行查询。用户可以通过简单的 Python 代码实现图像搜索和反向图像搜索功能。

Supabase Vector通过添加HNSW索引类型来提高速度。HNSW是一种用于高维空间的近似最近邻搜索算法，结合了分层和可导航小世界的概念。与IVF索引相比，HNSW具有更好的性能和准确性，并且可以在表创建后立即构建。IVFFlat索引在v0.5.0中也有改进，包括并行化和精度提升。根据内存限制和索引重建需求，可以选择使用HNSW或IVFFlat索引。

Supabase Vector将使用pgvector v0.5.0，添加了HNSW索引类型，用于近似最近邻搜索。HNSW结合了分层和可导航小世界的概念，通过跳表和多维距离度量实现搜索。HNSW性能优于IVFFlat，随数据库大小扩展。建议减少嵌入式维度。