肯德拉是什么？和普通搜索、RAG逐项比
肯德拉是什么？这里说的是 AWS 的 Amazon Kendra，一项面向企业资料的智能搜索服务。它能从文档、网页及业务系统里找出相关内容，但不会像聊天机器人那样自行组织答案。下面把它与站内搜索、数据库查询和 RAG 逐项对比，免得一上来就选错工具。
对比一：肯德拉与普通站内搜索
Amazon Kendra 的核心工作，是给企业文档建立索引，再按语义和关键词找出相关段落。员工输入「出差打车怎么报销」，原文即使写的是「市内交通费用标准」，也有机会被匹配出来。
普通站内搜索更依赖标题、关键词和人工标签，成本低、速度快，适合商品名、文章名这类明确查询。肯德拉更适合自然语言问题和大量非结构化资料，但配置、权限管理与持续费用都更重。
对比二：肯德拉与数据库查询
数据库查询擅长找精确记录，例如按订单号查金额，条件明确就能得到稳定结果。肯德拉不是拿来替代 SQL 的，它更擅长搜索 PDF、Word、网页、知识库等文本内容。
如果问题是「合同编号 A102 的签署日期」，优先查业务数据库；如果问题是「合同提前解约有什么限制」，更适合从合同正文中检索。两者经常需要配合，而不是二选一。
对比三：肯德拉与生成式AI、RAG
肯德拉本身不是大语言模型，通常返回文档、答案片段及相关性结果，不负责写一段口语化回复。把检索结果交给大模型整理，才是常说的 RAG 流程。
自建向量库也能做 RAG，优点是模型、分块和排序更自由；肯德拉的价值在于现成连接器、企业搜索能力和访问控制。不过连接器支持范围会调整，实施前要核对 AWS 当前文档。
对比四：哪些团队适合用
资料分散在多个系统、员工经常找不到制度文件，而且不同部门能看的内容不一样，这类场景更能发挥肯德拉的长处。它不是装上就准，文档质量、元数据和权限仍要有人治理。
只有几百篇公开文章的小网站，通常没必要上这套服务。先用现成站内搜索或轻量检索工具，往往更省钱。判断标准很实在：搜索问题是否复杂，以及维护成本能不能换来足够的找资料时间。
常见问题
- 肯德拉是聊天机器人吗？
- 不是。Amazon Kendra 是企业搜索服务，主要返回相关文档和内容片段；接入大语言模型后，才可以进一步生成对话式答案。
- 肯德拉能搜索中文资料吗？
- 能否满足实际中文检索要求，不能只看语言支持列表。建议拿公司真实的制度名称、缩写和口语问题做小规模测试，再决定是否采用。
- 肯德拉和 Kendra Scott 是一回事吗？
- 不是。Amazon Kendra 是 AWS 云服务，Kendra Scott 是珠宝品牌。搜索技术资料时最好使用完整名称 Amazon Kendra。