生成AI・LLM
ベクトルDB（ベクトルデータベース）とは？意味・仕組みをわかりやすく解説
Vector Database ／ 最終更新日：2026年7月7日
30秒でわかる定義
ベクトルDBとは、テキストや画像をEmbeddingで数値ベクトルに変換したデータを格納し、「意味の近さ（類似度）」で高速に検索できるデータベースです。キーワードの一致ではなく意味の近さで探せるため、RAG（検索拡張生成）で関連文書を見つける中核部品として使われます。Pinecone・Chroma・pgvector・Weaviateなどが代表例です。
仕組み・基本の流れ
- 1文書をEmbeddingモデルでベクトル化する
- 2ベクトルをベクトルDBに格納し、索引（インデックス）を作る
- 3検索時は質問もベクトル化する
- 4質問ベクトルに近いベクトル（＝意味が近い文書）を高速に探す（近似最近傍探索）
- 5見つかった文書をRAGのコンテキストなどに利用する
実務でのポイント：近似最近傍探索（ANN）により、大量のベクトルからでも高速に類似検索ができます。実務では、キーワード検索とベクトル検索を組み合わせるハイブリッド検索や、検索後の再ランキング（reranking）で精度を高めます。PostgreSQLの拡張であるpgvectorのように、既存DBに機能を足す選択肢もあります。
関連する用語
このスキルを活かせる職種と年収は？
ベクトルDBの運用（インデックス設計・検索精度の改善）はRAG案件で頻出のスキルです。RAG全体の設計とあわせて実装できると評価されます。
よくある質問
Q. ベクトルDBは普通のデータベースと何が違いますか？
A. 通常のデータベースは値の完全一致や範囲で検索しますが、ベクトルDBは『意味の近さ（類似度）』で検索します。Embeddingで数値化したベクトル同士の距離を計算し、意味が近いデータを高速に探せる点が特徴です。RAGのように『関連する文書を意味で探す』用途に向いています。
Q. どのベクトルDBを選べばいいですか？
A. 規模・運用体制・既存構成で変わります。手軽に始めるならChroma、フルマネージドならPinecone、既存のPostgreSQLを活かすならpgvectorといった選択肢があります。まずは要件（データ量・更新頻度・検索速度・運用コスト）を整理して選ぶのが実務的です。