ベクトルデータ管理（Vectors API）

このドキュメントでは、RAG システムが利用するベクトルデータ（Embedding）を API で管理する方法をまとめています。 ベクトル登録、削除、検索、メタデータ管理など、ベクトルストアの運用に必要な すべての仕様を扱います。

1. ベクトルストアとは

ベクトルストアは、テキストをベクトル（数値配列）として保存し、類似検索を行うためのデータベースです。 当プラットフォームでは以下の用途で使用されます：

• テキストチャンク（文書）の意味的検索
• RAG（Retrieval Augmented Generation）の検索対象
• FAQ・ナレッジ・社内文書の類似検索

ベクトルは LLM / Embedding モデルにより生成された 768 次元 / 1536 次元（モデルにより異なる） の配列として保存されます。

2. Vectors API 一覧

3. ベクトル登録（Upsert）

ベクトルの登録または更新を行います。 同じ ID があれば上書き、なければ新規登録されます。

■ リクエスト例

POST /api/vectors/upsert
Content-Type: application/json

{
  "id": "chunk-001",
  "values": [0.12, -0.44, 0.91, ...],
  "metadata": {
    "text": "AIとは、人間の知的行動を模倣する技術の総称である。",
    "source": "wiki-ai",
    "path": "/docs/ai",
    "updatedAt": "2025-01-14T10:00:00Z"
  }
}

■ レスポンス

{
  "status": "ok",
  "id": "chunk-001",
  "operation": "updated"
}

4. ベクトル検索（Similarity Search）

ベクトル類似度計算（cosine similarity）により、指定クエリに最も近い文書を検索します。

■ リクエスト例

POST /api/vectors/search
Content-Type: application/json

{
  "vector": [0.11, -0.52, 0.33, ...],
  "topK": 5,
  "includeMetadata": true
}

■ レスポンス

{
  "results": [
    {
      "id": "chunk-001",
      "score": 0.92,
      "metadata": {
        "text": "AIとは〜",
        "source": "wiki-ai",
        "path": "/docs/ai"
      }
    }
  ]
}

5. メタデータ取得

保存済みのベクトルデータの詳細を取得します。

GET /api/vectors/chunk-001

{
  "id": "chunk-001",
  "dimensions": 1536,
  "metadata": {
    "text": "...",
    "source": "wiki-ai",
    "path": "/docs/ai"
  }
}

6. ベクトル削除

特定ベクトルを削除します。

DELETE /api/vectors/chunk-001

{
  "status": "deleted",
  "id": "chunk-001"
}

7. ベストプラクティス

• 1チャンクは 300–600 文字が最適
• メタデータに text / path / source / updatedAt を入れると検索品質が上がる
• 同じ文書を再処理する場合は ID を固定して upsert する
• RAG 評価（Semantic Eval）を定期的に実行しバイアスを監視する

次：RAG 全体アーキテクチャ →