> ## Documentation Index > Fetch the complete documentation index at: https://docs.jinba.io/llms.txt > Use this file to discover all available pages before exploring further. # ベクトル検索 > ベクトル埋め込みを使用したナレッジベースの意味検索 ## 概要 Jinbaベクトル検索は、ベクトル埋め込みを使用してナレッジベースの意味検索機能を提供します。このツールはOpenAIのtext-embedding-3-largeを使用してクエリをベクトル化し、類似度スコアに基づいてナレッジベースから関連データを取得し、強力なRAG（Retrieval-Augmented Generation）機能を提供します。 ## 主要機能 * **意味検索**: 完全一致だけでなく、概念的に類似したコンテンツを検索 * **ナレッジベース統合**: アップロードされたドキュメントとファイル全体を検索 * **類似度スコア**: 類似度の閾値によって結果をフィルタリング * **設定可能な結果**: 返される結果の数を制御 * **RAGサポート**: 質問応答と情報取得ワークフローの構築に最適 ## 認証 このツールは、ナレッジベースにアクセスするためにJinba APIトークンが必要です。 **必要な設定:** * `token` (string): Jinba APIトークン（シークレットとして保存） ## 入力パラメータ | パラメータ | 型 | 必須 | デフォルト | 説明 | | ----------------- | ------ | --- | ----- | ----------------------- | | `query` | string | はい | - | 意味検索のための検索クエリ | | `knowledgeBaseId` | string | はい | - | 検索するナレッジベースのID | | `topK` | number | いいえ | 3 | 返すトップ結果の数（1-50） | | `threshold` | number | いいえ | 0.3 | 結果をフィルタリングする類似度の閾値（0-1） | ## 出力構造 以下の情報を含む検索結果の配列を返します: | フィールド | 型 | 説明 | | -------------- | ------ | --------------------------------- | | `chunk` | object | ID、ファイルID、コンテンツ、メタデータを含むコンテンツチャンク | | `score` | number | 類似度スコア（0-1、高いほど類似） | | `file` | object | ファイル名とコンテンツタイプを含むファイル情報 | | `query` | string | 元の検索クエリ | | `totalResults` | number | 見つかった結果の総数 | ## 例: ドキュメント Q\&A システム ```yaml theme={null} - id: search_knowledge_base name: search_knowledge_base tool: JINBA_VECTOR_SEARCH config: - name: token value: "{{secrets.JINBA_API_TOKEN}}" input: - name: query value: "当社の返品ポリシーは何ですか？" - name: knowledgeBaseId value: "{{secrets.KNOWLEDGE_BASE_ID}}" - name: topK value: 5 - name: threshold value: 0.4 - id: generate_answer name: generate_answer tool: OPENAI_INVOKE config: - name: version value: gpt-4 input: - name: prompt value: | ナレッジベースからの以下の検索結果に基づいて、返品ポリシーに関するユーザーの質問に答えてください。 検索結果: {{#each steps.search_knowledge_base.results}} **ソース: {{file.filename}}** 内容: {{chunk.content}} 類似度: {{score}} {{/each}} 質問: {{steps.search_knowledge_base.query}} 上記の検索結果に基づいて包括的な回答を提供してください。 ``` ## 例: リサーチアシスタント ```yaml theme={null} - id: research_query name: research_query tool: INPUT_TEXT input: - name: description value: "研究質問を入力してください" - id: search_research_base name: search_research_base tool: JINBA_VECTOR_SEARCH config: - name: token value: "{{secrets.JINBA_API_TOKEN}}" input: - name: query value: "{{steps.research_query.result}}" - name: knowledgeBaseId value: "{{secrets.RESEARCH_KB_ID}}" - name: topK value: 10 - name: threshold value: 0.3 - id: analyze_findings name: analyze_findings tool: PYTHON_SANDBOX_RUN input: - name: code value: | import json results = {{steps.search_research_base.results}} print("=== 研究結果 ===") print(f"クエリ: {results['query']}") print(f"合計結果: {results['totalResults']}") print() # ソースファイルごとに結果をグループ化 sources = {} for result in results['results']: filename = result['file']['filename'] if filename not in sources: sources[filename] = [] sources[filename].append({ 'content': result['chunk']['content'][:200] + "...", 'score': result['score'] }) print("=== 見つかったソース ===") for filename, chunks in sources.items(): print(f"\n📄 {filename}") for i, chunk in enumerate(chunks[:3]): # ファイルごとに上位3つのチャンク print(f" {i+1}. スコア: {chunk['score']:.3f}") print(f" {chunk['content']}") # 平均類似度を計算 avg_score = sum(r['score'] for r in results['results']) / len(results['results']) print(f"\n📊 平均類似度: {avg_score:.3f}") - id: synthesize_response name: synthesize_response tool: ANTHROPIC_INVOKE config: - name: token value: "{{secrets.ANTHROPIC_API_KEY}}" input: - name: prompt value: | あなたは研究アシスタントです。以下の検索結果を包括的な回答に統合してください。 元のクエリ: {{steps.search_research_base.query}} 検索結果: {{#each steps.search_research_base.results}} **ソース: {{file.filename}}** (類似度: {{score}}) {{chunk.content}} --- {{/each}} 以下を提供してください: 1. 質問への直接的な回答 2. 複数のソースからの重要な洞察 3. 見つかった矛盾する情報 4. さらなる研究への提案 ``` ## 例: コンテンツ推薦 ```yaml theme={null} - id: get_user_interests name: get_user_interests tool: INPUT_TEXT input: - name: description value: "興味のあるトピックやコンテンツを説明してください" - id: find_related_content name: find_related_content tool: JINBA_VECTOR_SEARCH config: - name: token value: "{{secrets.JINBA_API_TOKEN}}" input: - name: query value: "{{steps.get_user_interests.result}}" - name: knowledgeBaseId value: "{{secrets.CONTENT_KB_ID}}" - name: topK value: 8 - name: threshold value: 0.25 - id: format_recommendations name: format_recommendations tool: PYTHON_SANDBOX_RUN input: - name: code value: | results = {{steps.find_related_content.results}} print("🔍 **コンテンツ推薦**") print(f"基準: *{results['query']}*\n") recommendations = [] for i, result in enumerate(results['results'][:5], 1): chunk = result['chunk'] file_info = result['file'] score = result['score'] # 最初の文または100文字を抽出 content_preview = chunk['content'][:100].split('.')[0] + "..." recommendations.append({ 'rank': i, 'title': file_info['filename'], 'preview': content_preview, 'relevance': f"{score:.1%}", 'content_type': file_info['contentType'] }) for rec in recommendations: print(f"**{rec['rank']}. {rec['title']}**") print(f" 📋 {rec['preview']}") print(f" 🎯 関連度: {rec['relevance']}") print(f" 📄 タイプ: {rec['content_type']}") print() if len(results['results']) == 0: print("関連するコンテンツが見つかりませんでした。検索語を調整するか、閾値を下げてみてください。") ``` ## ベストプラクティス ### クエリ最適化 * **自然言語を使用**: 人間に尋ねるような自然な文でクエリを作成 * **具体的に**: より具体的なクエリの方が良い結果が得られることが多い * **コンテキストを含める**: 関連するキーワードとコンテキスト語を追加 ### 閾値の選択 * **0.7-1.0**: 非常に高い類似度、完全または準完全一致 * **0.4-0.7**: 高い類似度、密接に関連するコンテンツ * **0.2-0.4**: 中程度の類似度、潜在的に関連するコンテンツ * **0.0-0.2**: 低い類似度、間接的に関連するコンテンツを含む可能性 ### パフォーマンスのコツ * **topKを制限**: 必要以上に多くの結果を取得しない * **閾値を調整**: 高い閾値 = より少ない、より関連性の高い結果 * **メタデータを活用**: 追加のフィルタリングにチャンクメタデータを活用 ## ナレッジベースの設定 ベクトル検索を使用する前に、ナレッジベースに関連ドキュメントが含まれていることを確認してください: 1. **ドキュメントのアップロード**: PDF、テキストファイル、その他のサポートされる形式を追加 2. **処理**: ドキュメントのチャンク化とベクトル化の時間を確保 3. **クエリのテスト**: データを理解するためにシンプルなクエリから開始 4. **反復**: 結果に基づいてクエリと閾値を調整 ## 使用事例 * **カスタマーサポート**: ユーザーの質問に関連する文書を検索 * **研究アシスタント**: 関連する研究論文や文書を発見 * **コンテンツ発見**: 類似の記事やリソースを推薦 * **FAQ自動化**: 一般的な質問に自動回答 * **ドキュメント分析**: 大きなドキュメントセットから特定情報を検索 * **ナレッジマネジメント**: 組織知識への迅速なアクセス * **法的研究**: 契約書や法的文書の検索 * **製品情報**: 技術仕様やマニュアルの検索