ベクトルデータベースへの埋め込みの保存

ベクターデータベースへの埋め込みの保存

埋め込みを生成した後は、ベクトル類似検索をサポートするデータベースに保存する必要があります。Mastra は、複数のベクターデータベースにまたがって埋め込みの保存と検索を行える統一的なインターフェースを提供します。

対応データベース

MongoDB

vector-store.ts


import { MongoDBVector } from '@mastra/mongodb'
 
const store = new MongoDBVector({
  uri: process.env.MONGODB_URI,
  dbName: process.env.MONGODB_DATABASE
})
await store.createIndex({
  indexName: "myCollection",
  dimension: 1536,
});
await store.upsert({
  indexName: "myCollection",
  vectors: embeddings,
  metadata: chunks.map(chunk => ({ text: chunk.text })),
});

MongoDB Atlas Vector Search を使う

セットアップ手順やベストプラクティスの詳細は、MongoDB Atlas Vector Search の公式ドキュメントをご覧ください。

Pg Vector

vector-store.ts


import { PgVector } from '@mastra/pg';
 
const store = new PgVector({ connectionString: process.env.POSTGRES_CONNECTION_STRING })
 
await store.createIndex({
  indexName: "myCollection",
  dimension: 1536,
});
 
await store.upsert({
  indexName: "myCollection",
  vectors: embeddings,
  metadata: chunks.map(chunk => ({ text: chunk.text })),
});

pgvector を使った PostgreSQL の利用

pgvector 拡張機能を備えた PostgreSQL は、すでに PostgreSQL を利用していて、インフラの複雑さを抑えたいチームにとって適したソリューションです。セットアップ手順やベストプラクティスの詳細は、公式の pgvector リポジトリをご覧ください。

Pinecone

vector-store.ts


import { PineconeVector } from '@mastra/pinecone'
 
const store = new PineconeVector({
  apiKey: process.env.PINECONE_API_KEY,
})
await store.createIndex({
  indexName: "myCollection",
  dimension: 1536,
});
await store.upsert({
  indexName: "myCollection",
  vectors: embeddings,
  metadata: chunks.map(chunk => ({ text: chunk.text })),
});

Qdrant

vector-store.ts


import { QdrantVector } from '@mastra/qdrant'
 
const store = new QdrantVector({
  url: process.env.QDRANT_URL,
  apiKey: process.env.QDRANT_API_KEY
})
 
await store.createIndex({
  indexName: "myCollection",
  dimension: 1536,
});
 
await store.upsert({
  indexName: "myCollection",
  vectors: embeddings,
  metadata: chunks.map(chunk => ({ text: chunk.text })),
});

Chroma

vector-store.ts


import { ChromaVector } from '@mastra/chroma'
 
// Chroma をローカルで実行
// const store = new ChromaVector()
 
// Chroma Cloud で実行
const store = new ChromaVector({
  apiKey: process.env.CHROMA_API_KEY,
  tenant: process.env.CHROMA_TENANT,
  database: process.env.CHROMA_DATABASE
})
 
await store.createIndex({
  indexName: "myCollection",
  dimension: 1536,
});
 
await store.upsert({
  indexName: "myCollection",
  vectors: embeddings,
  metadata: chunks.map(chunk => ({ text: chunk.text })),
});

Astra

vector-store.ts


import { AstraVector } from '@mastra/astra'
 
const store = new AstraVector({
  token: process.env.ASTRA_DB_TOKEN,
  endpoint: process.env.ASTRA_DB_ENDPOINT,
  keyspace: process.env.ASTRA_DB_KEYSPACE
})
 
await store.createIndex({
  indexName: "myCollection",
  dimension: 1536,
});
 
await store.upsert({
  indexName: "myCollection",
  vectors: embeddings,
  metadata: chunks.map(chunk => ({ text: chunk.text })),
});

LibSQL

vector-store.ts


import { LibSQLVector } from "@mastra/core/vector/libsql";
 
const store = new LibSQLVector({
  connectionUrl: process.env.DATABASE_URL,
  authToken: process.env.DATABASE_AUTH_TOKEN // オプション: Turso のクラウドデータベース向け
})
 
await store.createIndex({
  indexName: "myCollection",
  dimension: 1536,
});
 
await store.upsert({
  indexName: "myCollection",
  vectors: embeddings,
  metadata: chunks.map(chunk => ({ text: chunk.text })),
});

Upstash

vector-store.ts


import { UpstashVector } from '@mastra/upstash'
 
// Upstash ではストアを index と呼びます
const store = new UpstashVector({
  url: process.env.UPSTASH_URL,
  token: process.env.UPSTASH_TOKEN
})
 
// ここでは store.createIndex の呼び出しは不要です。Upstash では upsert 時に、
// 該当の namespace がまだ存在しない場合、自動的に index（Upstash では namespace とも呼ばれます）を作成します。
await store.upsert({
  indexName: "myCollection", // Upstash における namespace 名
  vectors: embeddings,
  metadata: chunks.map(chunk => ({ text: chunk.text })),
});

Cloudflare

vector-store.ts


import { CloudflareVector } from '@mastra/vectorize'
 
const store = new CloudflareVector({
  accountId: process.env.CF_ACCOUNT_ID,
  apiToken: process.env.CF_API_TOKEN
})
await store.createIndex({
  indexName: "myCollection",
  dimension: 1536,
});
await store.upsert({
  indexName: "myCollection",
  vectors: embeddings,
  metadata: chunks.map(chunk => ({ text: chunk.text })),
});

OpenSearch

vector-store.ts


import { OpenSearchVector } from '@mastra/opensearch'
 
const store = new OpenSearchVector({ url: process.env.OPENSEARCH_URL })
 
await store.createIndex({
  indexName: "my-collection",
  dimension: 1536,
});
 
await store.upsert({
  indexName: "my-collection",
  vectors: embeddings,
  metadata: chunks.map(chunk => ({ text: chunk.text })),
});

Couchbase

vector-store.ts


import { CouchbaseVector } from '@mastra/couchbase'
 
const store = new CouchbaseVector({
  connectionString: process.env.COUCHBASE_CONNECTION_STRING,
  username: process.env.COUCHBASE_USERNAME,
  password: process.env.COUCHBASE_PASSWORD,
  bucketName: process.env.COUCHBASE_BUCKET,
  scopeName: process.env.COUCHBASE_SCOPE,
  collectionName: process.env.COUCHBASE_COLLECTION,
})
await store.createIndex({
  indexName: "myCollection",
  dimension: 1536,
});
await store.upsert({
  indexName: "myCollection",
  vectors: embeddings,
  metadata: chunks.map(chunk => ({ text: chunk.text })),
});

LanceDB

vector-store.ts


import { LanceVectorStore } from '@mastra/lance'
 
const store = await LanceVectorStore.create('/path/to/db')
 
await store.createIndex({
  tableName: "myVectors",
  indexName: "myCollection",
  dimension: 1536,
});
 
await store.upsert({
  tableName: "myVectors",
  vectors: embeddings,
  metadata: chunks.map(chunk => ({ text: chunk.text })),
});

LanceDB の利用

LanceDB は Lance 列指向フォーマットの上に構築された組み込み型のベクターデータベースで、ローカル開発やクラウド環境へのデプロイに適しています。
詳細なセットアップ手順やベストプラクティスは、公式 LanceDB ドキュメントを参照してください。

S3 Vectors

vector-store.ts


import { S3Vectors } from "@mastra/s3vectors";
 
const store = new S3Vectors({
  vectorBucketName: "my-vector-bucket",
  clientConfig: {
    region: "us-east-1",
  },
  nonFilterableMetadataKeys: ["content"],
});
 
await store.createIndex({
  indexName: "my-index",
  dimension: 1536,
});
await store.upsert({
  indexName: "my-index",
  vectors: embeddings,
  metadata: chunks.map(chunk => ({ text: chunk.text })),
});

ベクターストレージの使用

初期化が完了すると、すべてのベクターストアは、インデックス作成、埋め込みのアップサート、クエリの実行に同じインターフェースを共有します。

インデックスの作成

埋め込みを保存する前に、使用する埋め込みモデルに適した次元数でインデックスを作成する必要があります:

store-embeddings.ts


// 次元数 1536 のインデックスを作成（text-embedding-3-small 用）
await store.createIndex({
  indexName: "myCollection",
  dimension: 1536,
});

次元数は、選択した埋め込みモデルの出力次元と一致している必要があります。一般的な次元数は次のとおりです:

OpenAI text-embedding-3-small: 1536 次元（またはカスタム。例: 256）
Cohere embed-multilingual-v3: 1024 次元
Google text-embedding-004: 768 次元（またはカスタム）

重要: インデックスの次元数は作成後に変更できません。別のモデルを使用する場合は、インデックスを削除し、新しい次元数で再作成してください。

データベースの命名規則

各ベクターデータベースは、互換性の確保と競合の防止のため、インデックスやコレクションに特定の命名規則を設けています。

MongoDB

コレクション（インデックス）名は次の要件を満たす必要があります:

文字またはアンダースコアで始まること
最大120バイトであること
文字、数字、アンダースコア、またはドットのみを含むこと
$ またはヌル文字を含まないこと
例: my_collection.123 は有効
例: my-index は無効（ハイフンを含むため）
例: My$Collection は無効（$ を含むため）

Pg Vector

インデックス名は次の条件を満たす必要があります:

文字またはアンダースコアで始まること
文字、数字、アンダースコアのみを含むこと
例: my_index_123 は有効
例: my-index は無効（ハイフンを含むため）

Pinecone

インデックス名は次を満たす必要があります:

小文字、数字、ハイフンのみを使用すること
ドットを含まないこと（DNS ルーティングで使用されるため）
非ラテン文字や絵文字を使用しないこと
プロジェクト ID を含めた合計の長さが 52 文字未満であること
- 例: my-index-123 は有効
- 例: my.index は無効（ドットを含むため）

Qdrant

コレクション名は次の条件を満たす必要があります:

1〜255文字であること
次の特殊文字を含まないこと:
- < > : " / \ | ? *
- Null 文字（\0）
- ユニットセパレータ（\u{1F}）
例: my_collection_123 は有効
例: my/collection は無効（スラッシュを含む）

Chroma

コレクション名は次の条件を満たす必要があります:

3〜63文字であること
文字または数字で始まり、文字または数字で終わること
文字、数字、アンダースコア、ハイフンのみを含むこと
連続するピリオド（..）を含まないこと
有効なIPv4アドレスでないこと
例: my-collection-123 は有効
例: my..collection は無効（連続するピリオド）

Astra

コレクション名は次の条件を満たす必要があります:

空でないこと
48文字以下であること
英数字とアンダースコアのみを含むこと
例: my_collection_123 は有効です
例: my-collection は無効です（ハイフンを含むため）

LibSQL

インデックス名は次を満たす必要があります:

先頭は英字またはアンダースコアであること
使用できるのは英字、数字、アンダースコアのみであること
例: my_index_123 は有効
例: my-index は無効（ハイフンを含むため）

Upstash

Namespace 名は次を満たす必要があります:

2〜100文字であること
次のみを含むこと:
- 英数字 (a-z, A-Z, 0-9)
- アンダースコア、ハイフン、ドット
特殊文字（_, -, .）で始めたり終わったりしないこと
大文字と小文字を区別することがある
例: MyNamespace123 は有効
例: _namespace は無効（アンダースコアで始まるため）

Cloudflare

インデックス名は次の条件を満たす必要があります:

英字で始まること
32文字未満であること
小文字のASCII英字、数字、ダッシュのみを含むこと
スペースの代わりにダッシュを使用すること
例: my-index-123 は有効
例: My_Index は無効（大文字とアンダースコアのため）

OpenSearch

インデックス名は次を満たす必要があります：

小文字のみを使用すること
先頭をアンダースコアまたはハイフンにしないこと
空白やカンマを含めないこと
次の特殊文字を含めないこと（例: :, ", *, +, /, \, |, ?, #, >, <）
例: my-index-123 は有効
例: My_Index は無効（大文字を含むため）
例: _myindex は無効（先頭がアンダースコアのため）

S3 Vectors

インデックス名は次を満たす必要があります：

同じベクターバケット内で一意であること
3〜63文字であること
小文字（a–z）、数字（0–9）、ハイフン（-）、ドット（.）のみを使用すること
英字または数字で始まり、英字または数字で終わること
例：my-index.123 は有効
例：my_index は無効（アンダースコアを含む）
例：-myindex は無効（ハイフンで始まる）
例：myindex- は無効（ハイフンで終わる）
例：MyIndex は無効（大文字を含む）

埋め込みのアップサート

インデックスを作成したら、基本的なメタデータと一緒に埋め込みを保存できます:

store-embeddings.ts


// 対応するメタデータとともに埋め込みを保存する
await store.upsert({
  indexName: "myCollection", // index name
  vectors: embeddings, // array of embedding vectors
  metadata: chunks.map((chunk) => ({
    text: chunk.text, // The original text content
    id: chunk.id, // Optional unique identifier
  })),
});

アップサート操作では次のことを行います:

埋め込みベクトルの配列と対応するメタデータを受け取る
同じIDの既存ベクトルを更新する
存在しない場合は新しいベクトルを作成する
大規模データセットに対して自動的にバッチ処理する

さまざまなベクトルストアでの埋め込みのアップサートの完全な例については、Upsert Embeddings ガイドを参照してください。

メタデータの追加

ベクターストアは、フィルタリングや整理のためにリッチなメタデータ（任意の JSON シリアライズ可能なフィールド）をサポートします。メタデータは固定スキーマなしで保存されるため、予期しないクエリ結果を避けるにはフィールド名を一貫させてください。

重要: メタデータはベクターストレージにとって不可欠です。これがないと、元のテキストを返したり結果をフィルタリングしたりする手段のない数値埋め込みしか残りません。少なくともソーステキストはメタデータとして必ず保存してください。


// より良い整理とフィルタリングのために、リッチなメタデータとともに埋め込みを保存する
await store.upsert({
  indexName: "myCollection",
  vectors: embeddings,
  metadata: chunks.map((chunk) => ({
    // 基本的な内容
    text: chunk.text,
    id: chunk.id,
 
    // ドキュメントの整理
    source: chunk.source,
    category: chunk.category,
 
    // 時系列メタデータ
    createdAt: new Date().toISOString(),
    version: "1.0",
 
    // カスタムフィールド
    language: chunk.language,
    author: chunk.author,
    confidenceScore: chunk.score,
  })),
});

メタデータに関する主なポイント:

フィールド名は厳密に統一すること — ‘category’ と ‘Category’ の不一致はクエリに影響します
フィルタやソートに使う予定のあるフィールドのみ含めること — 余分なフィールドはオーバーヘッドになります
コンテンツの鮮度を追跡できるようにタイムスタンプ（例: ‘createdAt’、‘lastUpdated’）を追加すること

ベストプラクティス

一括挿入の前にインデックスを作成する
大量挿入にはバッチ処理を使用する（upsert メソッドは自動でバッチ化されます）
クエリに使用するメタデータのみを保存する
埋め込みの次元数をモデルに合わせる（例：text-embedding-3-small は 1536）

ベクターデータベースへの埋め込みの保存

対応データベース

MongoDB

vector-store.ts


import { MongoDBVector } from '@mastra/mongodb'
 
const store = new MongoDBVector({
  uri: process.env.MONGODB_URI,
  dbName: process.env.MONGODB_DATABASE
})
await store.createIndex({
  indexName: "myCollection",
  dimension: 1536,
});
await store.upsert({
  indexName: "myCollection",
  vectors: embeddings,
  metadata: chunks.map(chunk => ({ text: chunk.text })),
});

MongoDB Atlas Vector Search を使う

セットアップ手順やベストプラクティスの詳細は、MongoDB Atlas Vector Search の公式ドキュメントをご覧ください。

Pg Vector

vector-store.ts


import { PgVector } from '@mastra/pg';
 
const store = new PgVector({ connectionString: process.env.POSTGRES_CONNECTION_STRING })
 
await store.createIndex({
  indexName: "myCollection",
  dimension: 1536,
});
 
await store.upsert({
  indexName: "myCollection",
  vectors: embeddings,
  metadata: chunks.map(chunk => ({ text: chunk.text })),
});

pgvector を使った PostgreSQL の利用

Pinecone

vector-store.ts


import { PineconeVector } from '@mastra/pinecone'
 
const store = new PineconeVector({
  apiKey: process.env.PINECONE_API_KEY,
})
await store.createIndex({
  indexName: "myCollection",
  dimension: 1536,
});
await store.upsert({
  indexName: "myCollection",
  vectors: embeddings,
  metadata: chunks.map(chunk => ({ text: chunk.text })),
});

Qdrant

vector-store.ts


import { QdrantVector } from '@mastra/qdrant'
 
const store = new QdrantVector({
  url: process.env.QDRANT_URL,
  apiKey: process.env.QDRANT_API_KEY
})
 
await store.createIndex({
  indexName: "myCollection",
  dimension: 1536,
});
 
await store.upsert({
  indexName: "myCollection",
  vectors: embeddings,
  metadata: chunks.map(chunk => ({ text: chunk.text })),
});

Chroma

vector-store.ts


import { ChromaVector } from '@mastra/chroma'
 
// Chroma をローカルで実行
// const store = new ChromaVector()
 
// Chroma Cloud で実行
const store = new ChromaVector({
  apiKey: process.env.CHROMA_API_KEY,
  tenant: process.env.CHROMA_TENANT,
  database: process.env.CHROMA_DATABASE
})
 
await store.createIndex({
  indexName: "myCollection",
  dimension: 1536,
});
 
await store.upsert({
  indexName: "myCollection",
  vectors: embeddings,
  metadata: chunks.map(chunk => ({ text: chunk.text })),
});

Astra

vector-store.ts


import { AstraVector } from '@mastra/astra'
 
const store = new AstraVector({
  token: process.env.ASTRA_DB_TOKEN,
  endpoint: process.env.ASTRA_DB_ENDPOINT,
  keyspace: process.env.ASTRA_DB_KEYSPACE
})
 
await store.createIndex({
  indexName: "myCollection",
  dimension: 1536,
});
 
await store.upsert({
  indexName: "myCollection",
  vectors: embeddings,
  metadata: chunks.map(chunk => ({ text: chunk.text })),
});

LibSQL

vector-store.ts


import { LibSQLVector } from "@mastra/core/vector/libsql";
 
const store = new LibSQLVector({
  connectionUrl: process.env.DATABASE_URL,
  authToken: process.env.DATABASE_AUTH_TOKEN // オプション: Turso のクラウドデータベース向け
})
 
await store.createIndex({
  indexName: "myCollection",
  dimension: 1536,
});
 
await store.upsert({
  indexName: "myCollection",
  vectors: embeddings,
  metadata: chunks.map(chunk => ({ text: chunk.text })),
});

Upstash

vector-store.ts


import { UpstashVector } from '@mastra/upstash'
 
// Upstash ではストアを index と呼びます
const store = new UpstashVector({
  url: process.env.UPSTASH_URL,
  token: process.env.UPSTASH_TOKEN
})
 
// ここでは store.createIndex の呼び出しは不要です。Upstash では upsert 時に、
// 該当の namespace がまだ存在しない場合、自動的に index（Upstash では namespace とも呼ばれます）を作成します。
await store.upsert({
  indexName: "myCollection", // Upstash における namespace 名
  vectors: embeddings,
  metadata: chunks.map(chunk => ({ text: chunk.text })),
});

Cloudflare

vector-store.ts


import { CloudflareVector } from '@mastra/vectorize'
 
const store = new CloudflareVector({
  accountId: process.env.CF_ACCOUNT_ID,
  apiToken: process.env.CF_API_TOKEN
})
await store.createIndex({
  indexName: "myCollection",
  dimension: 1536,
});
await store.upsert({
  indexName: "myCollection",
  vectors: embeddings,
  metadata: chunks.map(chunk => ({ text: chunk.text })),
});

OpenSearch

vector-store.ts


import { OpenSearchVector } from '@mastra/opensearch'
 
const store = new OpenSearchVector({ url: process.env.OPENSEARCH_URL })
 
await store.createIndex({
  indexName: "my-collection",
  dimension: 1536,
});
 
await store.upsert({
  indexName: "my-collection",
  vectors: embeddings,
  metadata: chunks.map(chunk => ({ text: chunk.text })),
});

Couchbase

vector-store.ts


import { CouchbaseVector } from '@mastra/couchbase'
 
const store = new CouchbaseVector({
  connectionString: process.env.COUCHBASE_CONNECTION_STRING,
  username: process.env.COUCHBASE_USERNAME,
  password: process.env.COUCHBASE_PASSWORD,
  bucketName: process.env.COUCHBASE_BUCKET,
  scopeName: process.env.COUCHBASE_SCOPE,
  collectionName: process.env.COUCHBASE_COLLECTION,
})
await store.createIndex({
  indexName: "myCollection",
  dimension: 1536,
});
await store.upsert({
  indexName: "myCollection",
  vectors: embeddings,
  metadata: chunks.map(chunk => ({ text: chunk.text })),
});

LanceDB

vector-store.ts


import { LanceVectorStore } from '@mastra/lance'
 
const store = await LanceVectorStore.create('/path/to/db')
 
await store.createIndex({
  tableName: "myVectors",
  indexName: "myCollection",
  dimension: 1536,
});
 
await store.upsert({
  tableName: "myVectors",
  vectors: embeddings,
  metadata: chunks.map(chunk => ({ text: chunk.text })),
});

LanceDB の利用

S3 Vectors

vector-store.ts


import { S3Vectors } from "@mastra/s3vectors";
 
const store = new S3Vectors({
  vectorBucketName: "my-vector-bucket",
  clientConfig: {
    region: "us-east-1",
  },
  nonFilterableMetadataKeys: ["content"],
});
 
await store.createIndex({
  indexName: "my-index",
  dimension: 1536,
});
await store.upsert({
  indexName: "my-index",
  vectors: embeddings,
  metadata: chunks.map(chunk => ({ text: chunk.text })),
});

ベクターストレージの使用

インデックスの作成

埋め込みを保存する前に、使用する埋め込みモデルに適した次元数でインデックスを作成する必要があります:

store-embeddings.ts


// 次元数 1536 のインデックスを作成（text-embedding-3-small 用）
await store.createIndex({
  indexName: "myCollection",
  dimension: 1536,
});

次元数は、選択した埋め込みモデルの出力次元と一致している必要があります。一般的な次元数は次のとおりです:

OpenAI text-embedding-3-small: 1536 次元（またはカスタム。例: 256）
Cohere embed-multilingual-v3: 1024 次元
Google text-embedding-004: 768 次元（またはカスタム）

重要: インデックスの次元数は作成後に変更できません。別のモデルを使用する場合は、インデックスを削除し、新しい次元数で再作成してください。

データベースの命名規則

各ベクターデータベースは、互換性の確保と競合の防止のため、インデックスやコレクションに特定の命名規則を設けています。

MongoDB

コレクション（インデックス）名は次の要件を満たす必要があります:

文字またはアンダースコアで始まること
最大120バイトであること
文字、数字、アンダースコア、またはドットのみを含むこと
$ またはヌル文字を含まないこと
例: my_collection.123 は有効
例: my-index は無効（ハイフンを含むため）
例: My$Collection は無効（$ を含むため）

Pg Vector

インデックス名は次の条件を満たす必要があります:

文字またはアンダースコアで始まること
文字、数字、アンダースコアのみを含むこと
例: my_index_123 は有効
例: my-index は無効（ハイフンを含むため）

Pinecone

インデックス名は次を満たす必要があります:

小文字、数字、ハイフンのみを使用すること
ドットを含まないこと（DNS ルーティングで使用されるため）
非ラテン文字や絵文字を使用しないこと
プロジェクト ID を含めた合計の長さが 52 文字未満であること
- 例: my-index-123 は有効
- 例: my.index は無効（ドットを含むため）

Qdrant

コレクション名は次の条件を満たす必要があります:

1〜255文字であること
次の特殊文字を含まないこと:
- < > : " / \ | ? *
- Null 文字（\0）
- ユニットセパレータ（\u{1F}）
例: my_collection_123 は有効
例: my/collection は無効（スラッシュを含む）

Chroma

コレクション名は次の条件を満たす必要があります:

3〜63文字であること
文字または数字で始まり、文字または数字で終わること
文字、数字、アンダースコア、ハイフンのみを含むこと
連続するピリオド（..）を含まないこと
有効なIPv4アドレスでないこと
例: my-collection-123 は有効
例: my..collection は無効（連続するピリオド）

Astra

コレクション名は次の条件を満たす必要があります:

空でないこと
48文字以下であること
英数字とアンダースコアのみを含むこと
例: my_collection_123 は有効です
例: my-collection は無効です（ハイフンを含むため）

LibSQL

インデックス名は次を満たす必要があります:

先頭は英字またはアンダースコアであること
使用できるのは英字、数字、アンダースコアのみであること
例: my_index_123 は有効
例: my-index は無効（ハイフンを含むため）

Upstash

Namespace 名は次を満たす必要があります:

2〜100文字であること
次のみを含むこと:
- 英数字 (a-z, A-Z, 0-9)
- アンダースコア、ハイフン、ドット
特殊文字（_, -, .）で始めたり終わったりしないこと
大文字と小文字を区別することがある
例: MyNamespace123 は有効
例: _namespace は無効（アンダースコアで始まるため）

Cloudflare

インデックス名は次の条件を満たす必要があります:

英字で始まること
32文字未満であること
小文字のASCII英字、数字、ダッシュのみを含むこと
スペースの代わりにダッシュを使用すること
例: my-index-123 は有効
例: My_Index は無効（大文字とアンダースコアのため）

OpenSearch

インデックス名は次を満たす必要があります：

小文字のみを使用すること
先頭をアンダースコアまたはハイフンにしないこと
空白やカンマを含めないこと
次の特殊文字を含めないこと（例: :, ", *, +, /, \, |, ?, #, >, <）
例: my-index-123 は有効
例: My_Index は無効（大文字を含むため）
例: _myindex は無効（先頭がアンダースコアのため）

S3 Vectors

インデックス名は次を満たす必要があります：

同じベクターバケット内で一意であること
3〜63文字であること
小文字（a–z）、数字（0–9）、ハイフン（-）、ドット（.）のみを使用すること
英字または数字で始まり、英字または数字で終わること
例：my-index.123 は有効
例：my_index は無効（アンダースコアを含む）
例：-myindex は無効（ハイフンで始まる）
例：myindex- は無効（ハイフンで終わる）
例：MyIndex は無効（大文字を含む）

埋め込みのアップサート

インデックスを作成したら、基本的なメタデータと一緒に埋め込みを保存できます:

store-embeddings.ts


// 対応するメタデータとともに埋め込みを保存する
await store.upsert({
  indexName: "myCollection", // index name
  vectors: embeddings, // array of embedding vectors
  metadata: chunks.map((chunk) => ({
    text: chunk.text, // The original text content
    id: chunk.id, // Optional unique identifier
  })),
});

アップサート操作では次のことを行います:

埋め込みベクトルの配列と対応するメタデータを受け取る
同じIDの既存ベクトルを更新する
存在しない場合は新しいベクトルを作成する
大規模データセットに対して自動的にバッチ処理する

さまざまなベクトルストアでの埋め込みのアップサートの完全な例については、Upsert Embeddings ガイドを参照してください。

メタデータの追加


// より良い整理とフィルタリングのために、リッチなメタデータとともに埋め込みを保存する
await store.upsert({
  indexName: "myCollection",
  vectors: embeddings,
  metadata: chunks.map((chunk) => ({
    // 基本的な内容
    text: chunk.text,
    id: chunk.id,
 
    // ドキュメントの整理
    source: chunk.source,
    category: chunk.category,
 
    // 時系列メタデータ
    createdAt: new Date().toISOString(),
    version: "1.0",
 
    // カスタムフィールド
    language: chunk.language,
    author: chunk.author,
    confidenceScore: chunk.score,
  })),
});

メタデータに関する主なポイント:

フィールド名は厳密に統一すること — ‘category’ と ‘Category’ の不一致はクエリに影響します
フィルタやソートに使う予定のあるフィールドのみ含めること — 余分なフィールドはオーバーヘッドになります
コンテンツの鮮度を追跡できるようにタイムスタンプ（例: ‘createdAt’、‘lastUpdated’）を追加すること

ベストプラクティス

一括挿入の前にインデックスを作成する
大量挿入にはバッチ処理を使用する（upsert メソッドは自動でバッチ化されます）
クエリに使用するメタデータのみを保存する
埋め込みの次元数をモデルに合わせる（例：text-embedding-3-small は 1536）