文章や画像を数百〜数千次元のベクトル（数値配列）に変換します。似た意味ほど近い位置に集まるよう学習されており、意味の類似度を数値で比較できます。
バイブ特有
452
Embedding
エンベディング
体験区分：少しだけ触った
推奨読者レベル：Level 3-4
何をしてくれるか
どこで出会うか
社内ドキュメントの意味検索や RAG 構築で登場します。OpenAI の text-embedding-3-small や sentence-transformers などの API で見かけます。
構造図
2026.04·ready
「社内 FAQ を Embedding にしてベクトル DB に入れれば、自然な質問でも拾えます。」
Embeddingの見方
453
この用語の見どころ
1
役割
テキスト・画像などのデータを意味付きの数値配列に変換します。
2
うれしさ
「意味の近さ」を数値で測れるため、曖昧な質問でも関連文書を拾えます。
3
注意点
モデルごとに次元数・言語対応が異なるため、用途に合った選択が必要です。
4
どこで役立つか
RAG 構築・類似商品検索・クラスタリングなど、意味検索が要る場面全般です。
5
はじめに
「AI が言葉を数字の配列で記憶している」という理解で実務には十分です。
6
深掘り先
RAG（G-15）、ベクトル DB（G-17）、Transformer（J-13）
非エンジニアのつまずき
- テキストを数値に変換するといっても、何が似ていて何が違うかが分かりません。
- 人間が直接読めないため概念は理解できても腑に落ちにくいです。
- 結局エージェントに丸投げするしかなく、手に馴染んだ感じがしません。
私のコメント
- 第一印象:RAG を作るときに必要らしい、というくらいで、よく分からない。
- 良い点:マルチモーダル化していくときに相性が良いのかもしれない。
- ダメな点:概念が難しい。再学習や再配置のあたりがどうなるのかは気になるので調べておきたい。
- 誰向けか:基本的には RAG をやる人向け。
開発フローでの位置
データ準備
Embedding 変換
ベクトル DB 登録
類似検索
結果活用
関連用語
G-16·term_llm
バイブコーディング図鑑