はじめに

ruri-v3は cl-nagoya チームが開発した日本語特化の埋め込みモデルで、JMTEB ランキングでも上位水準です。RAG（Retrieval-Augmented Generation）で活躍するこのモデルですが、プレフィックスルールを忘れると検索精度が激減します。

エラーにならないから気づきにくい、この落とし穴について解説します。

ruri-v3 のプレフィックスルール

ruri-v3 を使う際の必須ルール：

クエリ埋め込み時："クエリ: " プレフィックスを付ける
ドキュメント埋め込み時："文章: " プレフィックスを付ける

このプレフィックスがないと、ベクトル空間での距離計算がズレます。

実装例（完全版）

from sentence_transformers import SentenceTransformer

# ruri-v3-310m を読み込み
model = SentenceTransformer("cl-nagoya/ruri-v3-310m")

# ❌ NG: プレフィックスなし（エラーにはならないが精度が下がる）
query_embedding_wrong = model.encode("褥瘡の処置手順を教えてください")

# ✅ OK: クエリには「クエリ: 」プレフィックスを付ける
query_embedding = model.encode("クエリ: 褥瘡の処置手順を教えてください")

# ✅ OK: ドキュメント登録時には「文章: 」プレフィックスを付ける
doc_embedding = model.encode("文章: 褥瘡（床ずれ）の処置手順は以下の通りです...")

# バッチ処理の場合
queries = ["クエリ: " + q for q in query_list]
docs = ["文章: " + d for d in doc_list]
query_embeddings = model.encode(queries)
doc_embeddings = model.encode(docs)

精度の落ちを確認する

プレフィックスありとなしで、コサイン類似度を比較してみましょう：

from sklearn.metrics.pairwise import cosine_similarity

# プレフィックスなしのクエリ
q_no_prefix = model.encode("褥瘡の処置手順を教えてください")

# プレフィックス付きのクエリ
q_with_prefix = model.encode("クエリ: 褥瘡の処置手順を教えてください")

# ドキュメント（プレフィックス付き）
doc = model.encode("文章: 褥瘡（床ずれ）の処置手順について説明します")

# 類似度を計算
sim_without = cosine_similarity([q_no_prefix], [doc])[0][0]
sim_with = cosine_similarity([q_with_prefix], [doc])[0][0]

print(f"プレフィックスなし: {sim_without:.4f}")   # 低い値
print(f"プレフィックスあり: {sim_with:.4f}")     # 高い値（正しい）

実際に実行すると、プレフィックス付きの方が明らかに高い類似度が得られます。

実装時の注意点

プレフィックスは ruri-v3 の公式仕様 — HuggingFace のモデルカードに明記されています
ruri-v3 専用 — multilingual-e5 など他のモデルには不要（むしろ邪魔になる可能性）
既存ベクトルDB の再埋め込み — Qdrant など既に登録済みのドキュメントも、プレフィックス付きで再埋め込みが必要
検索時も統一 — クエリもドキュメントも同じルールで埋め込み、同じプレフィックスで統一する

環境

Python 3.10+
sentence-transformers 3.x
cl-nagoya/ruri-v3-310m

参考資料

cl-nagoya/ruri-v3-310m - Hugging Face

プレフィックスは一行の追加で済みますが、忘れると RAG の精度が大きく下がります。実装時は必ずチェックリストに入れておきましょう！