オーラベースのロゴ
オーラベースドキュメント
ドキュメント›ガイド›RAG と pgvector

RAG & Vector 検索ガイド

PostgreSQL pgvector と Aurabase の統合 AI ゲートウェイを組み合わせて、超高速のセマンティック検索と包括的な検索拡張生成 (RAG) システムを構築します。

12 分 読み取り·レベル 高度な·2026/08/19 に改訂
この英語のテキストはフランス語のオリジナルから自動的に生成されたもので、まだレビューされていません。
このページは自動翻訳されました。英語版が正式です。
#
建築

3 つのステップで Aurabase で RAG を実行する

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、ネイティブ拡張機能 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。
#
実装

完全な RAG パイプライン コード

src/lib/index-doc.tstypescript
import { aura } from '@/lib/aurabase'

export async function indexDocument(content: string, metadata: Record<string, any>) {
  // AI Gateway 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テーブルへの保存
  const { data, error } = await aura.from('documents').insert({
    content,
    metadata,
    embedding: vectors[0],
  })
  return { data, error }
}
#
パフォーマンス

10ms 未満のクエリに対する HNSW インデックス作成

数十万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。

#
最適化

セマンティックキャッシュとトークンの節約

Aurabase の AI Gateway 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 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。