Skip to Content
RAGクエリハイブリッドベクトル検索

ハイブリッドベクトル検索

ベクトル類似性検索をメタデータフィルターと組み合わせると、より正確で効率的なハイブリッド検索を作成できます。 このアプローチは次の要素を組み合わせます:

  • 最も関連性の高いドキュメントを見つけるためのベクトル類似性検索
  • 追加の基準に基づいて検索結果を絞り込むためのメタデータフィルター

この例では、MastraとPGVectorを使用したハイブリッドベクトル検索の方法を示します。

概要

このシステムはMastraとPGVectorを使用してフィルタリングされたベクトル検索を実装しています。以下がその機能です:

  1. メタデータフィルターを使用してPGVector内の既存の埋め込みをクエリする
  2. 異なるメタデータフィールドでフィルタリングする方法を示す
  3. ベクトル類似性とメタデータフィルタリングを組み合わせる方法を実演する

注意:ドキュメントからメタデータを抽出する方法の例については、メタデータ抽出ガイドを参照してください。

埋め込みを作成して保存する方法については、埋め込みのアップサートガイドを参照してください。

セットアップ

環境セットアップ

環境変数を設定してください:

.env
OPENAI_API_KEY=your_openai_api_key_here POSTGRES_CONNECTION_STRING=your_connection_string_here

依存関係

必要な依存関係をインポートします:

src/index.ts
import { embed } from 'ai'; import { PgVector } from '@mastra/pg'; import { openai } from '@ai-sdk/openai';

ベクターストアの初期化

接続文字列を使用してPgVectorを初期化します:

src/index.ts
const pgVector = new PgVector(process.env.POSTGRES_CONNECTION_STRING!);

使用例

メタデータ値でフィルタリング

src/index.ts
// クエリの埋め込みを作成 const { embedding } = await embed({ model: openai.embedding('text-embedding-3-small'), value: '[ここにドキュメントに基づくクエリを挿入]', }); // メタデータフィルタを使用したクエリ const result = await pgVector.query({ indexName: 'embeddings', queryVector: embedding, topK: 3, filter: { 'path.to.metadata': { $eq: 'value', }, }, }); console.log('結果:', result);





GitHubで例を見る