Supabase Vector（pgvector）と Antigravity で RAG アプリを作る — セマンティック検索実装ガイド

# Next.js プロジェクトへの依存追加
npm install @supabase/supabase-js @ai-sdk/google ai
 
# 環境変数（.env.local）
# NEXT_PUBLIC_SUPABASE_URL=https://xxxx.supabase.co
# NEXT_PUBLIC_SUPABASE_ANON_KEY=your-anon-key
# GOOGLE_GENERATIVE_AI_API_KEY=YOUR_GEMINI_API_KEY

-- pgvector 拡張を有効化
create extension if not exists vector;
 
-- ドキュメントテーブル（embedding は 768 次元 = text-embedding-004 の出力）
create table documents (
  id uuid default gen_random_uuid() primary key,
  content text not null,
  metadata jsonb default '{}',
  embedding vector(768),
  created_at timestamptz default now()
);
 
-- コサイン類似度での近傍探索インデックス
create index on documents
  using ivfflat (embedding vector_cosine_ops)
  with (lists = 100);

// lib/embeddings.ts
import { createClient } from "@supabase/supabase-js";
import { GoogleGenerativeAI } from "@google/generative-ai";
 
const supabase = createClient(
  process.env.NEXT_PUBLIC_SUPABASE_URL!,
  process.env.NEXT_PUBLIC_SUPABASE_ANON_KEY!
);
 
const genai = new GoogleGenerativeAI(process.env.GOOGLE_GENERATIVE_AI_API_KEY!);
const embeddingModel = genai.getGenerativeModel({ model: "text-embedding-004" });
 
// ドキュメントを埋め込みベクトルに変換して Supabase に保存
export async function upsertDocument(
  content: string,
  metadata: Record<string, unknown> = {}
): Promise<{ id: string }> {
  // テキストを 768 次元のベクトルに変換
  const result = await embeddingModel.embedContent(content);
  const embedding = result.embedding.values;
 
  const { data, error } = await supabase
    .from("documents")
    .insert({ content, metadata, embedding })
    .select("id")
    .single();
 
  if (error) throw new Error(`Supabase insert error: ${error.message}`);
  return { id: data.id };
}

// lib/rag.ts
import { generateText } from "ai";
import { google } from "@ai-sdk/google";
 
// クエリに類似するドキュメントを取得
async function searchDocuments(query: string, topK = 5) {
  // クエリ文もベクトル化
  const result = await embeddingModel.embedContent(query);
  const queryEmbedding = result.embedding.values;
 
  // pgvector のコサイン類似度でトップ K 件を取得
  const { data, error } = await supabase.rpc("match_documents", {
    query_embedding: queryEmbedding,
    match_threshold: 0.7,  // 類似度の閾値
    match_count: topK,
  });
 
  if (error) throw new Error(`Search error: ${error.message}`);
  return data as Array<{ content: string; metadata: unknown; similarity: number }>;
}
 
// RAG: 検索 → コンテキスト構築 → Gemini で回答生成
export async function ragQuery(userQuestion: string): Promise<string> {
  const relevantDocs = await searchDocuments(userQuestion);
 
  if (relevantDocs.length === 0) {
    return "関連するドキュメントが見つかりませんでした。";
  }
 
  // コンテキストを結合
  const context = relevantDocs
    .map((doc, i) => `[ドキュメント ${i + 1}]\n${doc.content}`)
    .join("\n\n");
 
  const { text } = await generateText({
    model: google("gemini-2.0-flash"),
    prompt: `以下のドキュメントを参照して、質問に回答してください。\n\n${context}\n\n質問: ${userQuestion}`,
  });
 
  return text;
}

-- ベクトル類似度検索のストアドファンクション
create or replace function match_documents (
  query_embedding vector(768),
  match_threshold float,
  match_count int
)
returns table (
  id uuid,
  content text,
  metadata jsonb,
  similarity float
)
language sql stable
as $$
  select
    id,
    content,
    metadata,
    1 - (embedding <=> query_embedding) as similarity
  from documents
  where 1 - (embedding <=> query_embedding) > match_threshold
  order by similarity desc
  limit match_count;
$$;