ベクトルデータベース

📖 もうちょい詳しく

何が新しいの？

ベクトルデータベースは、エンベディング（文書の意味を表す数字の列）をためて、「意味が近いもの」を探すのが得意なデータベースです。
ふつうのデータベースやキーワード検索は、「同じ言葉が入っているか」で探します。ベクトルデータベースは、言葉が違っても 意味が近ければ拾える のが新しいところです。生成AIに社内資料を読ませるRAGという仕組みが広がるなかで、その「資料置き場」としてよく使われるようになりました。

どうやって動いてるの？

まず、ためておきたい文書をエンベディングに変換し、その数字の列をベクトルデータベースへ保存します。
質問が来たら、その質問も同じように数字へ変換します。そして、保存してある中から 数字どうしの距離が近い（＝意味が似ている）文書 を探し出します。

ポイントは「言葉の一致」ではなく「意味の近さ」で並んでいることです。だから「退会したい」で探しても、「解約方法」と書かれた文書を拾えます。多くの製品は、近いものを高速で見つけるための索引（インデックス）も持っています。

何ができるの？

大量のPDF、ヘルプ記事、議事録、過去の問い合わせ履歴などから、意味の近い資料をすばやく探せます。
利用者が自然な言い回しで質問しても、表現の違いを越えて関連資料を見つけられるので、社内検索やFAQ、チャットボットの土台に向いています。

一方で、古い資料や重複した資料を入れっぱなしにすると、検索の精度が落ちます。「ためる場所」であると同時に「掃除と更新が必要な場所」でもあります。

🌱 身近なたとえ

図書館の案内係で例えると、ベクトルデータベースは「言いたいことの近さで本棚をたどってくれる係」です。
書名をぴったり言えなくても、「眠れない夜に読む本ありますか」と相談すれば、近いテーマの棚へ案内してくれます。
ただし、もう置いていない本まで台帳に残っていると、空の棚へ案内されてしまいます。台帳をこまめに直してこそ役に立つ、というところもよく似ています。

✅ まず覚えるポイント

• ベクトルデータベースは、エンベディングをためて「意味の近さ」で探すデータベース
• キーワード一致ではなく、意味が近い文書を拾えるのが強み
• RAGの「資料置き場・検索担当」としてよく使われる
• 言い回しが違っても関連資料を見つけられる
• 古い・重複した資料を放置すると検索品質が落ちる

🧭 よくある勘違い

ベクトルデータベースだけでAIの回答が完成するの？

しません。ベクトルデータベースの役目は「関係しそうな資料を探してくる」ところまでです。
その資料を読んで実際に文章を作るのはLLM（言葉を扱うAI）です。両者が組み合わさって（＝RAGとして）はじめて、根拠つきの回答ができあがります。

ふつうのデータベースと何が違うの？

ふつうのデータベースは「ID」「日付」「名前」のような、はっきりした値で探すのが得意です。ベクトルデータベースは「意味の近さ」というあいまいな基準で探すのが得意です。
どちらが上ということではなく役割が違うので、用途に応じて使い分けたり、併用したりすることが多いです。

入れる文書はそのまま放り込めばいいの？

長い文書は、適切な大きさに区切ってから入れたほうが、検索の精度が上がることが多いです。
区切り（チャンク分割と呼びます）が大きすぎると的外れな部分まで拾い、小さすぎると文脈が切れてしまいます。あわせて、不要になった資料を消す運用もセットで考える必要があります。

🧩 関連して覚えると楽な言葉

• エンベディング: 文書を「意味を表す数字」に変える技術。中に保存される中身
• RAG: ベクトルデータベースで資料を探し、LLMに答えさせる仕組み全体
• LLM: 探してきた資料を読んで、最終的な回答を作る本体
• トークン: 探した資料をLLMに渡すときに数える、文章の分量の単位

🏁 ひとことでまとめ

ベクトルデータベースは、文書の「意味」を数字でためておき、質問に意味が近い資料を探し出す保管場所です。
RAGの中では、AIに見せる資料を選んでくる“探し役”として働きます。役立てるコツは、こまめに資料を更新して、棚をきれいに保つことです。