はじめに

AI 搭載のチャットボットが進化する中で、Retrieval-Augmented Generation (RAG) は 精度とコンテキスト理解を向上させる重要な手法 となっています。本記事では、PostgreSQL のベクトル検索拡張機能である pgvector を用いて、RAG ベースの ヘルプデスクチャットボット を実装する方法を紹介します。

ヘルプデスクにおける 長文ドキュメント の処理では、チャットボットが単に一般的な回答をするのではなく、ユーザーの質問に最も関連する情報を適切に検索 することが重要になります。本記事では、長い文章を分割する チャンク化戦略 による検索精度向上についても解説します。

なぜヘルプデスクチャットボットに RAG + pgvector を使うのか？

従来のチャットボットは 事前学習された知識のみ に基づくため、動的な問い合わせに対応しにくい という制約があります。一方、RAG ベースのチャットボット では、以下のようなメリットがあります。

✅ リアルタイムでヘルプデスクの情報を検索可能
✅ 外部知識を活用し、回答の精度を向上
✅ ハルシネーション（事実に基づかない回答）を抑制

pgvector を選ぶ理由

FAISS、Pinecone、Weaviate などのベクトルデータベースが存在しますが、pgvector には以下の利点があります。

✅ PostgreSQL にネイティブ対応しており、既存のデータベースと統合しやすい
✅ Approximate Nearest Neighbor (ANN) 検索をサポートし、高速な検索が可能
✅ 適切なインデックス戦略を用いることでスケール可能

実装: RAG + pgvector によるヘルプデスクチャットボット

1. PostgreSQL に pgvector をセットアップ

まず、PostgreSQL で pgvector 拡張機能を有効化します。

CREATE EXTENSION vector;

次に、ベクトル埋め込みを格納するヘルプデスクドキュメントのテーブルを作成します。

CREATE TABLE helpdesk_articles (
    id SERIAL PRIMARY KEY,
    title TEXT,
    content TEXT,
    embedding vector(1536) -- OpenAIの ada-002 の埋め込みサイズ
);

2. ヘルプデスク記事の埋め込みを生成

OpenAI の text-embedding-ada-002 モデルを使用して、各ドキュメントのベクトル埋め込みを生成します。

import { OpenAI } from "openai";
import { Client } from "pg";

const openai = new OpenAI({ apiKey: "YOUR_OPENAI_API_KEY" });
const db = new Client({ connectionString: "YOUR_DATABASE_URL" });

async function generateEmbedding(text: string) {
  const response = await openai.embeddings.create({
    model: "text-embedding-ada-002",
    input: text,
  });
  return response.data[0].embedding;
}

async function storeEmbedding(id: number, title: string, content: string) {
  await db.connect();
  const embedding = await generateEmbedding(content);
  await db.query(
    "INSERT INTO helpdesk_articles (id, title, content, embedding) VALUES ($1, $2, $3, $4)",
    [id, title, content, embedding]
  );
  await db.end();
}

この処理により、ヘルプデスク記事の ベクトル表現 を PostgreSQL に格納し、高速な類似検索が可能になります。

3. 長文コンテンツの処理: チャンク化戦略

長文ドキュメントをそのまま検索対象にすると、非効率な検索結果 になりがちです。そのため、チャンク化（分割） することで、より適切な検索が可能になります。

function splitText(text: string, chunkSize: number = 512): string[] {
  const sentences = text.match(/[^.!?]+[.!?]+/g) || [text];
  let chunks: string[] = [];
  let currentChunk = "";

  for (const sentence of sentences) {
    if (currentChunk.length + sentence.length > chunkSize) {
      chunks.push(currentChunk.trim());
      currentChunk = sentence;
    } else {
      currentChunk += " " + sentence;
    }
  }
  if (currentChunk) chunks.push(currentChunk.trim());

  return chunks;
}

このように チャンク化 しておくことで、検索精度が向上します。

4. ベクトル検索を用いた情報取得

ユーザーの問い合わせがあった際に:

クエリを ベクトル埋め込み に変換
pgvector データベース で最も近いチャンクを検索
上位の結果を取得し、GPT にコンテキストとして渡す

類似検索の SQL クエリ

SELECT id, title, content, embedding <=> $1 AS distance
FROM helpdesk_articles
ORDER BY distance
LIMIT 3;

TypeScript での実装:

async function searchHelpdesk(query: string) {
  await db.connect();
  const queryEmbedding = await generateEmbedding(query);
  const result = await db.query(
    "SELECT title, content FROM helpdesk_articles ORDER BY embedding <=> $1 LIMIT 3",
    [queryEmbedding]
  );
  await db.end();
  return result.rows;
}

5. RAG パイプライン: 最終的な回答を生成

取得した関連ドキュメントを コンテキスト として OpenAI の GPT モデルに渡します。

async function generateResponse(userQuery: string) {
  const relevantDocs = await searchHelpdesk(userQuery);
  const context = relevantDocs.map(doc => `${doc.title}: ${doc.content}`).join("\n\n");

  const response = await openai.chat.completions.create({
    model: "gpt-4",
    messages: [
      { role: "system", content: "あなたはヘルプデスクのサポートエージェントです。" },
      { role: "user", content: `ユーザーの質問: ${userQuery}` },
      { role: "assistant", content: `関連情報:\n${context}` }
    ],
  });

  return response.choices[0].message.content;
}

まとめ

pgvector を活用した RAG システム を導入することで、ヘルプデスクチャットボットの 精度とコンテキスト理解が大幅に向上 しました。特に チャンク化とベクトル検索 を組み合わせることで、より適切な回答が可能になりました。

💬 ぜひ pgvector を活用した RAG の実装について、あなたの経験をシェアしてください！