ストーリー

ベクトルDBとは

役割

ベクトルDB（Vector Database）は、高次元ベクトルデータの格納と類似度検索に特化したデータベースです。

ベクトルDBの基本操作:

[Upsert（格納）]
ドキュメント + Embedding + メタデータ → ベクトルDB

[Query（検索）]
クエリのEmbedding → ベクトルDB → Top-K件の類似ドキュメント

[Filter（絞り込み）]
メタデータ条件 + ベクトル類似度 → フィルタ済み結果

近似最近傍探索（ANN）

ベクトルDBは近似最近傍探索（Approximate Nearest Neighbor）アルゴリズムを使用して高速検索を実現します。

主要ベクトルDBの比較

マネージド型

セルフホスト型

総合比較

選定基準

判断フロー

ベクトルDB選定フロー:

開発フェーズは？
├── PoC/プロトタイプ
│   └── Chroma（最速で開始可能）
└── 本番/商用
    ├── 運用負荷を最小化したい？
    │   ├── Yes → Pinecone（フルマネージド）
    │   └── No → 既存PostgreSQLを活用したい？
    │           ├── Yes → pgvector
    │           └── No → 規模は？
    │                   ├── 中規模（〜1000万ベクトル） → Qdrant or Weaviate
    │                   └── 大規模（1000万超） → Milvus or Pinecone

NetShop社への適用

「うちの規模ならQdrantかWeaviateのセルフホストが現実的だ。pgvectorも検討に値するが、ハイブリッド検索やフィルタリングの実装を自前でやる覚悟が要る」 — 田中VPoE

ベクトルDBのデータモデル

基本構成

ベクトルDBのレコード構成:

{
  "id": "doc-001",
  "vector": [0.023, -0.156, 0.892, ...],   // Embeddingベクトル
  "metadata": {                              // メタデータ（フィルタ用）
    "source": "技術文書",
    "department": "開発部",
    "created_at": "2025-12-01",
    "author": "佐藤",
    "tags": ["RAG", "ベクトルDB"]
  },
  "content": "RAGシステムの構築手順..."       // 元テキスト
}

インデックス設計のポイント

まとめ

チェックリスト

• ベクトルDBの基本的な役割と操作を理解した
• ANNアルゴリズムの種類と特徴を理解した
• 主要なベクトルDBの特徴を比較できる
• 要件に応じたベクトルDB選定基準を理解した

次のステップへ

次は「演習：RAGアーキテクチャを設計しよう」です。ここまで学んだ知識を使って、NetShop社の要件に合ったRAGアーキテクチャを設計してみましょう。

推定読了時間: 30分