RAG & Vector 検索ガイド
pgvector と Aurabase AI ゲートウェイを使用して、セマンティック検索と検索拡張生成 (RAG) パイプラインを構築します。
このページは自動翻訳されました。英語版が正式です。
Aurabase での 3 つのステップでの RAG#
RAG を使用すると、再トレーニングすることなく、AI モデルが独自のプライベート データに正確に応答できるようになります。
- ベクトル化: テキスト文書は
aura.ai.embed()を使用してデジタル ベクトルに変換されます。 - ストレージとインデックス作成: ベクトルは、ネイティブ拡張
pgvectorを使用して PostgreSQL に保存されます。 - 拡張と回答: 質問は保存されたベクトルと比較され、関連するスニペットが
aura.ai.chat()経由で LLM に提供されます。
完全な RAG パイプライン コード#
typescript
import { aura } from '@/lib/aurabase'
export async function indexDocument(content: string, metadata: Record<string, any>) {
// AI ゲートウェイ Aurabase を介したベクトル埋め込みの計算
const { vectors } = await aura.ai.embed({
provider: 'openai',
model: 'text-embedding-3-small',
input: [content],
})
// PostgreSQL テーブルに保存しています
const { data, error } = await aura.from('documents').insert({
content,
metadata,
embedding: vectors[0],
})
return { data, error }
}
HNSW 10 ミリ秒未満のクエリのインデックス作成#
何十万ものベクトルを含むデータベースの場合、 HNSW (Hierarchical Navigable Small World) インデックス付け は、 ivfflatよりも大幅に優れた検索パフォーマンスを提供します。
HNSW インデックス (推奨)
事前トレーニング時間はゼロ、再現率は 99% 以上で、新しいドキュメントが連続して挿入されても一定の遅延が発生します。
コサイン距離 (<=>)
<=> 演算子を使用して、埋め込みベクトル間の正規化されたコサイン距離を計算します。
セマンティックキャッシュとトークンの節約#
Aurabaseの AI ゲートウェイは自動セマンティック キャッシュを統合しています。2 人のユーザーが同様の質問 (コサイン類似度が 0.95 より大きい) をした場合、回答は 2 ミリ秒未満でメモリ内のキャッシュから提供され、LLM 呼び出しコストを 100% 節約します。