ストーリー

プリフィルタ vs ポストフィルタ

比較

プリフィルタの流れ:

[フィルタ条件] doc_type = "技術文書" AND department = "開発部"
    ↓
[ベクトルDB] フィルタ条件に合うベクトルのみを対象に類似度検索
    ↓
[結果] Top-K（すべてフィルタ条件を満たす）

ポストフィルタの流れ:

[ベクトルDB] 全ベクトルを対象に類似度検索 → Top-K取得
    ↓
[フィルタ適用] doc_type = "技術文書" AND department = "開発部"
    ↓
[結果] フィルタ後の結果（K件より少ない可能性あり）

フィルタ演算子

Qdrantで利用可能なフィルタ

複合フィルタの構築

複合フィルタの例:

Must（AND条件）:
  - doc_type = "技術文書"
  - updated_at >= "2025-01-01"

Should（OR条件）:
  - department = "開発部"
  - department = "インフラ部"

Must Not（NOT条件）:
  - tags contains "deprecated"

→ 結果: 2025年以降に更新された、開発部またはインフラ部の技術文書で、
         deprecatedタグが付いていないもの

ファセット検索

ファセット検索は、検索結果をメタデータのカテゴリ別に集計する手法です。

ファセット検索のUI例:

検索: "RAGの構築方法"

[検索結果] 45件

[ファセット（絞り込みパネル）]
├── ドキュメント種別
│   ├── 技術文書 (28件)
│   ├── 議事録 (12件)
│   └── FAQ (5件)
├── 部門
│   ├── 開発部 (30件)
│   ├── インフラ部 (10件)
│   └── データチーム (5件)
├── 更新時期
│   ├── 直近1ヶ月 (15件)
│   ├── 直近3ヶ月 (25件)
│   └── それ以前 (5件)
└── 技術スタック
    ├── Python (20件)
    ├── LangChain (15件)
    └── Qdrant (10件)

ファセット実装のポイント

自動フィルタ生成

ユーザーの自然言語クエリからメタデータフィルタを自動生成する手法です。

自動フィルタ生成の流れ:

ユーザーの質問: "開発部が先月作った技術文書でRAGに関するもの"

→ LLMでフィルタ条件を抽出:
{
  "department": "開発部",
  "doc_type": "技術文書",
  "updated_at": { "gte": "2026-02-01", "lte": "2026-02-28" },
  "search_query": "RAG"
}

→ フィルタ条件をベクトルDBのクエリに変換
→ メタデータフィルタ + ベクトル検索を実行

自動フィルタ生成の設計

「自動フィルタ生成は便利だが、LLMの出力が常に正確とは限らない。バリデーションとフォールバックは必須だ」 — 田中VPoE

NetShop社のフィルタリング設計

まとめ

チェックリスト

• プリフィルタとポストフィルタの違いと使い分けを理解した
• 複合フィルタの構築方法を理解した
• ファセット検索の設計ポイントを理解した
• 自動フィルタ生成の仕組みと注意点を理解した

次のステップへ

次は「検索パイプライン構築」を学びます。Retriever、Reranker、Generatorを統合した検索パイプラインの設計に取り組みましょう。

推定読了時間: 30分