Voyageai Cli

Name: Voyageai Cli
Author: mrlynn

ローカル

github.com/mrlynnメモリ・ナレッジ1110 週間前に更新

リポジトリ

Voyageai Cli について

Voyageai Cliは、Voyage AIの埋め込みとMongoDB Atlasを使ってセマンティック検索やRAGを構築するCLIおよびMCPサーバーです。文書の分割・取り込みからベクトル検索、再ランキング、コスト見積もりまで扱います。

主な機能

01文書の分割と取り込み
02Voyage AIの埋め込み生成
03MongoDB Atlasのベクトル検索
04検索結果の再ランキング
05埋め込みコストの見積もり

活用シーン

01文書コレクションのセマンティック検索インデックス作成
02再ランキング付き検索パイプラインの構築
03取り込み前のモデルコスト見積もり

MCP 対応

MCPクライアントに11個のツールを公開し、Voyage AIの埋め込み・再ランキング、MongoDB Atlasのベクトル検索、文書取り込み、コスト見積もり、モデル探索を提供します。

#voyage-ai #embeddings #vector-search #mongodb #rag #reranking #semantic-search #retrieval

設定

ローカルサーバーの設定はどのクライアントでも共通です。コピーしてクライアントの MCP 設定ファイルに貼り付けてください。

mcp.json · 共通設定

{
  "mcpServers": {
    "voyageai-cli": {
      "command": "npx",
      "args": [
        "-y",
        "voyageai-cli"
      ],
      "env": {
        "VOYAGE_API_KEY": "<VOYAGE_API_KEY>"
      }
    }
  }
}

起動コマンドnpx -y voyageai-cli

設定が必要な環境変数

VOYAGE_API_KEYシークレット

ローカルサーバーにはマシン上の実行環境（Node.js 18 以上など）が必要です。設定ファイルの場所はクライアントごとに異なります。

パッケージ

npmvoyageai-clistdio

ツール

掲載時のツール一覧 · 3 週間前に更新

パラメーター	型	必須	説明
query	string	はい	自然言語の質問または検索クエリ
db	string	いいえ	MongoDB データベース名。省略した場合は、vai 設定のデフォルト値を使用します。
collection	string	いいえ	埋め込み済みドキュメントを含むコレクション。省略した場合は、デフォルトの vai 設定を使用します。
limit	integer	いいえ	返す結果の最大数
model	string	いいえ	Voyage AI の埋め込みモデル。デフォルト：voyage-4-large
rerank	boolean	いいえ	Voyage AI のリランカーを使用して結果を再ランキングするかどうか
filter	object	いいえ	ベクトル検索用の MongoDB の事前フィルター（例：{ 'metadata.type': 'api-doc' }）

詳細

voyageai-cli

voyageai-cli のデモ

ドキュメントからセマンティック検索を始める最速の方法です。ファイルをチャンクに分割し、Voyage AI の埋め込みを生成して MongoDB Atlas に保存し、2 段階検索でクエリを実行できます。ターミナル、ブラウザー、デスクトップアプリから利用できます。

**⚠️ 免責事項：**これはコミュニティが独自に構築したツールであり、MongoDB, Inc. または Voyage AI の公式製品ではありません。詳細は免責事項をご覧ください。

Voyage AI を選ぶ理由

Voyage AI は、業界最高の品質とコストの比率を備えた最先端の埋め込みモデルを提供しています。開発者が Voyage AI を選ぶ理由は次のとおりです。

メリット	意味
🎯 RTEB で第 1 位	Voyage 4 は検索ベンチマークで 1 位を獲得し、OpenAI、Cohere などのプロバイダーを上回っています
💰 コストを最大 83% 削減	非対称検索：ドキュメントの埋め込みには `voyage-4-lite`、クエリには `voyage-4-large` を使用することで、同じ品質をわずかなコストで実現します
🔗 共有埋め込み空間	Voyage 4 のすべてのモデルは互換性のある埋め込みを生成するため、コストと品質のバランスに合わせて自由に組み合わせられます
🏢 ドメイン特化型モデル	コード、金融、法律、多言語コンテンツに特化したモデルがあり、汎用モデルを上回ります
⚡ 2 段階検索	Rerank-2.5 は、高性能なクロスエンコーダーで候補を再スコアリングし、検索精度を高めます

始めましょう：

# Get a free API key at https://dash.voyageai.com
vai quickstart    # Interactive tutorial — zero to semantic search in 2 minutes

詳細はこちら： Voyage AI のドキュメント · 料金 · ブログ

3 つの利用方法

🖥️ CLI

vai

22 個のコマンド · 5 つのチャンク分割方式
ターミナルからエンドツーエンドの RAG パイプラインを実行

curl -fsSL https://vaicli.com/install.sh | sh

🌐 Web プレイグラウンド

vai playground

7 つのインタラクティブなタブ + ワークフローストア
20 種類以上のインストール可能なワークフローパッケージを用意

ブラウザーで起動します

💻 デスクトップアプリ

単体で動作する Electron アプリ

安全なキーチェーンストレージ、ダーク／ライトテーマ、
MongoDB LeafyGreen デザインシステム

GitHub Releases からダウンロード

🏪 ワークフローストア

vai store またはプレイグラウンド

npm の構築済み RAG ワークフローを
閲覧、インストール、実行できます

公式パッケージ + コミュニティパッケージ

デスクトップアプリ

Electron と MongoDB LeafyGreen デザインシステムで構築された、単独で動作するデスクトップアプリケーションです。CLI やプレイグラウンドでできることをすべて、ネイティブアプリの使い心地で利用できます。

主な機能

🔐 API キーを安全に保存 — Voyage AI API キーと MongoDB URI を OS のキーチェーン（macOS Keychain、Windows Credential Vault、Linux Secret Service）に保存します。平文の設定ファイルは作成されません。
🎨 ダークテーマとライトテーマ — MongoDB の LeafyGreen デザイントークンを基盤とし、システム設定の自動検出を含む完全なテーマサポートを備えています。
🍃 MongoDB LeafyGreen UI — LeafyGreen のコンポーネントとアイコンを全体に採用した、MongoDB ネイティブのルック＆フィールです。
📱 サイドバーナビゲーション — Embed、Compare、Search、Benchmark、Explore、Settings など、すべての機能にすばやくアクセスできる、すっきりとした折りたたみ可能なサイドバーです。
⚡ プレイグラウンドの全機能 — ウェブプレイグラウンドのすべてのタブに加え、システムトレイ連携など、デスクトップならではの便利な機能も利用できます。

インストール

GitHub Releases から、お使いのプラットフォーム向けの最新リリースをダウンロードしてください。

プラットフォーム	ダウンロード
macOS（Apple Silicon）	`.dmg`
macOS（Intel）	`.dmg`
Windows	`.exe` インストーラー
Linux	`.AppImage` / `.deb`

CLI をお使いですか？ curl -fsSL https://vaicli.com/install.sh | sh または brew install mrlynn/vai/vai でインストールできます。

ウェブプレイグラウンド

コードを書かずに Voyage AI の埋め込みを試せる、ブラウザー上のインタラクティブなインターフェースです。CLI に同梱されています。次を実行するだけです。

vai playground

既定のブラウザーで、充実した機能を備えた UI が開きます。

タブ	機能
Embed	任意のテキストの埋め込みを生成し、ベクトルを確認して、次元数やモデルを調整します
Compare	2 つ以上のテキストを並べて比較し、コサイン類似度スコアを確認します
Search	MongoDB Atlas に接続し、フィルターと再ランキングを使ったベクトル類似検索を実行します
Benchmark	独自データを使い、Voyage 4 ファミリーのモデルのレイテンシー、コスト、品質を比較します
Explore	次元削減（PCA/t-SNE）とクラスタリングを使って、埋め込み空間を可視化します
Workflow Store	公式およびコミュニティのワークフローパッケージ 20 種類以上を閲覧、インストール、実行します
About	プロジェクト情報、リンク、バージョンの詳細を確認します
Settings	API キー、MongoDB URI、既定のモデル、設定を構成します

プレイグラウンドは CLI と同じバックエンドに接続します。vai config で設定した API キーや MongoDB URI は、自動的に利用できます。

CLI — クイックスタート

22 個のコマンド · 1,000 件以上のテスト · 5 種類のチャンク分割戦略 · エンドツーエンドの RAG パイプライン

インストール

# Fastest — one command, no dependencies
curl -fsSL https://vaicli.com/install.sh | sh

# Via npm
npm install -g voyageai-cli

# Via Homebrew
brew install mrlynn/vai/vai

5 分で作る RAG パイプライン

ドキュメントのフォルダーから、検索可能なベクトルデータベースを作成できます。

# Set credentials
export VOYAGE_API_KEY="your-key"
export MONGODB_URI="mongodb+srv://user:[email protected]/"

# Initialize project
vai init --yes

# Chunk → embed → store (one command)
vai pipeline ./docs/ --db myapp --collection knowledge --create-index

# Search with two-stage retrieval
vai query "How do I configure replica sets?" --db myapp --collection knowledge

これで完了です。ドキュメントはチャンクに分割され、voyage-4-large で埋め込みが生成され、メタデータとともに Atlas に保存されます。ベクトルインデックスが作成され、再ランキングを使った検索が可能になります。

プロジェクト設定

毎回のコマンドで --db myapp --collection docs を入力する必要はありません。

vai init

デフォルト設定（モデル、データベース、コレクション、チャンク分割戦略）を含む .vai.json を作成します。すべてのコマンドがこの設定を自動的に読み込みます。必要に応じて CLI フラグで上書きできます。

{
  "model": "voyage-4-large",
  "db": "myapp",
  "collection": "knowledge",
  "field": "embedding",
  "dimensions": 1024,
  "chunk": {
    "strategy": "recursive",
    "size": 512,
    "overlap": 50
  }
}

コード生成とスキャフォールディング

`vai generate` — 本番環境向けコードスニペット

.vai.json の設定をもとに、すぐに使えるコードを生成します。

# List available components
vai generate --list

# Generate and pipe to files
vai generate client > lib/voyage.js
vai generate retrieval > lib/retrieval.js
vai generate search-api > routes/search.js

# Different targets
vai generate client --target python    # Flask
vai generate retrieval --target nextjs # Next.js + MUI

コンポーネント：client、connection、retrieval、ingest、search-api

ターゲット：vanilla（Node.js/Express）、nextjs（Next.js + MUI）、python（Flask）

`vai scaffold` — 完全なスタータープロジェクト

必要なファイルをすべて設定済みの状態で、プロジェクトディレクトリを作成します。

# Node.js + Express API (9 files)
vai scaffold my-rag-api

# Next.js + Material UI (13 files)
vai scaffold my-app --target nextjs

# Python + Flask (8 files)
vai scaffold flask-api --target python

# Preview without creating files
vai scaffold my-app --dry-run

各プロジェクトには、サーバー、API ルート、Voyage AI クライアント、MongoDB 接続、検索モジュール、データ取り込みパイプライン、.env.example、README が含まれます。

データのライフサイクル

`vai purge` — 古い埋め込みを削除

条件に基づいて MongoDB から埋め込みを削除します。

# Remove docs embedded with an old model
vai purge --model voyage-3.5

# Remove docs whose source files no longer exist
vai purge --stale

# Remove docs older than a date
vai purge --before 2026-01-01

# Filter by source pattern
vai purge --source "docs/old/*.md"

# Preview before deleting
vai purge --model voyage-3.5 --dry-run

`vai refresh` — 新しい設定で再埋め込み

新しいモデル、次元数、またはチャンク設定を使って、ドキュメントをその場で再埋め込みします。

# Upgrade to a new model
vai refresh --model voyage-4-large

# Change dimensions for cost savings
vai refresh --model voyage-4-large --dimensions 256

# Re-chunk with a better strategy, then re-embed
vai refresh --rechunk --strategy markdown --chunk-size 1024

# Preview what would change
vai refresh --model voyage-4-large --dry-run

コアワークフロー

`vai pipeline` — チャンク分割 → 埋め込み → 保存

エンドツーエンドのコマンドです。ファイルまたはディレクトリを受け取り、チャンクに分割し、バッチ単位で埋め込み、MongoDB Atlas に保存します。

# Directory of docs
vai pipeline ./docs/ --db myapp --collection knowledge --create-index

# Single file
vai pipeline whitepaper.pdf --db myapp --collection papers

# Preview without API calls
vai pipeline ./docs/ --dry-run

# Custom chunking
vai pipeline ./docs/ --strategy markdown --chunk-size 1024 --overlap 100

対応形式：.txt、.md、.html、.json、.jsonl、.pdf（pdf-parse 依存関係は任意）。Markdown ファイルを自動検出し、見出しを考慮したチャンク分割を行います。

`vai query` — 検索 + リランキング

1 つのコマンドで 2 段階の検索を実行します。クエリを埋め込み → ベクトル検索 → リランキング → 結果を取得します。

# Search with reranking (default)
vai query "How does authentication work?" --db myapp --collection knowledge

# Vector search only (skip rerank)
vai query "auth setup" --no-rerank

# With pre-filter
vai query "performance tuning" --filter '{"category": "guides"}' --top-k 10

`vai chunk` — ドキュメントのチャンク分割

パイプラインを細かく制御したい場合に使う、単独で実行できるチャンク分割コマンドです。

# Chunk a directory, output JSONL
vai chunk ./docs/ --output chunks.jsonl --stats

# Specific strategy
vai chunk paper.md --strategy markdown --chunk-size 1024

# Preview
vai chunk ./docs/ --dry-run

5 つの戦略：fixed、sentence、paragraph、recursive（デフォルト）、markdown。

`vai estimate` — コスト見積もり

導入前に、対称型と非対称型の埋め込み戦略を比較します。

vai estimate --docs 10M --queries 100M --months 12

非対称検索（ドキュメントは voyage-4-large で埋め込み、クエリは voyage-4-lite で処理 — 同等の品質で、コストを大幅に削減）を含め、Voyage 4 のすべてのモデルの組み合わせについてコストの内訳を表示します。

個別コマンド

細かく制御したい場合に使用します。

# Embed text
vai embed "What is MongoDB?" --model voyage-4-large --dimensions 512

# Rerank documents
vai rerank --query "database performance" \
  --documents "MongoDB is fast" "PostgreSQL is relational" "Redis is cached"

# Compare similarity
vai similarity "MongoDB is a database" "Atlas is a cloud database"

# Store a single document
vai store --db myapp --collection docs --field embedding \
  --text "MongoDB Atlas provides managed cloud databases"

# Bulk import from file
vai ingest --file corpus.jsonl --db myapp --collection docs --field embedding

# Vector search (raw)
vai search --query "cloud database" --db myapp --collection docs

# Manage indexes
vai index create --db myapp --collection docs --field embedding
vai index list --db myapp --collection docs

モデルとベンチマーク

# List models with architecture and shared space info
vai models --wide

# Show RTEB benchmark scores
vai models --benchmarks

Voyage 4 ファミリー

モデル	アーキテクチャ	100 万トークンあたりの価格	RTEB スコア	最適な用途
voyage-4-large	MoE	$0.12	71.41	最高品質 — 本番環境向けとして初の MoE 埋め込みモデル
voyage-4	Dense	$0.06	70.07	品質とコストのバランス
voyage-4-lite	Dense	$0.02	68.10	大量処理、低予算
voyage-4-nano	Dense	無料（オープンウェイト）	—	ローカル開発、エッジ、HuggingFace

共通の埋め込み空間： Voyage 4 のすべてのモデルが互換性のある埋め込みを生成します。ドキュメントを voyage-4-large で埋め込み、クエリを voyage-4-lite で処理できます。ベクトル化し直す必要はありません。

競合モデルの比較（RTEB NDCG@10）

モデル	スコア
voyage-4-large	71.41
voyage-4	70.07
Gemini Embedding 001	68.66
voyage-4-lite	68.10
Cohere Embed v4	65.75
OpenAI v3 Large	62.57

次のモデルも利用できます：voyage-code-3（コード）、voyage-finance-2（金融）、voyage-law-2（法律）、rerank-2.5 / rerank-2.5-lite。

ローカル推論

voyage-4-nano を使って埋め込みをローカルで実行できます。API キーもネットワーク接続も不要で、コストもかかりません。 Nano は Voyage 4 API モデルと同じ埋め込み空間を共有しているため、ローカルでプロトタイプを作成し、準備ができたら API に移行できます。

前提条件： Python 3.10 以降、およびモデル用に約 700MB のディスク容量。

セットアップ（初回のみ）

vai nano setup      # Creates venv, installs deps, downloads model
vai nano status     # Verify everything is ready

使用方法

# Embed text locally
vai embed "What is MongoDB?" --local

# Run the full pipeline locally
vai pipeline ./docs/ --local --db myapp --collection knowledge

# Bulk ingest with local embeddings
vai ingest --file corpus.jsonl --local --db myapp --collection docs

インタラクティブデモ

vai demo nano       # Zero-dependency guided walkthrough

類似度行列、MRL 次元の比較、インタラクティブ REPL を利用できます。 API キーも MongoDB 接続も必要ありません。

Nano コマンド

コマンド	説明
`vai nano setup`	Python の venv を設定し、依存関係をインストールして、モデルをダウンロードします
`vai nano status`	ローカル推論の準備状況を確認します
`vai nano test`	ローカル推論のスモークテストを実行します
`vai nano info`	モデルの詳細とキャッシュの保存場所を表示します
`vai nano clear-cache`	キャッシュされたモデルファイルを削除します

アップグレードパス

nano は Voyage 4 の埋め込み空間を共有するため、ローカルの埋め込みは voyage-4、voyage-4-lite、voyage-4-large と互換性があります。API キーを追加しても、ベクトル化し直す必要はありません。

データのベンチマーク

公開ベンチマークでは、標準化されたデータセット全体の平均品質を測定します。vai benchmark では、ご自身のユースケースで重要な項目を測定します。

# Compare model latency and cost
vai benchmark embed --models voyage-4-large,voyage-4,voyage-4-lite --rounds 5

# Test asymmetric retrieval on your data
vai benchmark asymmetric --file your-corpus.txt --query "your actual query"

# Validate shared embedding space
vai benchmark space

# Compare quantization tradeoffs
vai benchmark quantization --model voyage-4-large --dtypes float,int8,ubinary

# Project costs at scale
vai benchmark cost --tokens 500 --volumes 100,1000,10000,100000

評価

検索品質を測定して比較します。

# Evaluate retrieval pipeline
vai eval --test-set test.jsonl --db myapp --collection docs

# Save results for later comparison
vai eval --test-set test.jsonl --save baseline.json

# Compare against a baseline (shows deltas)
vai eval --test-set test.jsonl --baseline baseline.json

# Compare multiple configurations
vai eval compare --test-set test.jsonl --configs baseline.json,experiment.json

# Evaluate reranking in isolation
vai eval --mode rerank --test-set rerank-test.jsonl

# Compare rerank models
vai eval --mode rerank --models "rerank-2.5,rerank-2.5-lite" --test-set test.jsonl

指標： MRR、nDCG@K、Recall@K、MAP、Precision@K

テストセットの形式（JSONL）：

{"query": "What is vector search?", "relevant": ["doc_id_1", "doc_id_2"]}

学ぶ

主要な概念について、対話形式で解説します。

vai explain embeddings        # What are vector embeddings?
vai explain moe               # Mixture-of-experts architecture
vai explain shared-space      # Shared embedding space & asymmetric retrieval
vai explain rteb              # RTEB benchmark scores
vai explain quantization      # Matryoshka dimensions & quantization
vai explain two-stage         # The embed → search → rerank pattern
vai explain nano              # voyage-4-nano open-weight model
vai explain models            # How to choose the right model

埋め込み、再ランキング、ベクトル検索、RAG などを扱う 17 のトピックがあります。

環境変数と認証

変数	必要な機能	説明
`VOYAGE_API_KEY`	すべての埋め込み／再ランキング機能	MongoDB Atlas から取得するモデル API キー
`MONGODB_URI`	store、search、query、pipeline、index	MongoDB Atlas の接続文字列

認証情報は、環境変数 → .env ファイル → ~/.vai/config.json の順に解決されます。

# Or use the built-in config store
echo "your-key" | vai config set api-key --stdin
vai config set mongodb-uri "mongodb+srv://..."

すべての設定キー

CLI キー	説明	例
`api-key`	Voyage AI API キー	`vai config set api-key pa-...`
`mongodb-uri`	MongoDB Atlas の接続文字列	`vai config set mongodb-uri "mongodb+srv://..."`
`base-url`	API エンドポイントを上書きします（Atlas AI または Voyage）	`vai config set base-url https://ai.mongodb.com/v1`
`default-model`	デフォルトの埋め込みモデル	`vai config set default-model voyage-3`
`default-dimensions`	デフォルトの出力次元数	`vai config set default-dimensions 512`
`default-db`	ワークフロー／コマンドで使用するデフォルトの MongoDB データベース	`vai config set default-db my_knowledge_base`
`default-collection`	ワークフロー／コマンドで使用するデフォルトの MongoDB コレクション	`vai config set default-collection documents`
`llm-provider`	チャット／生成機能で使用する LLM プロバイダー（`anthropic`、`openai`、`ollama`）	`vai config set llm-provider anthropic`
`llm-api-key`	LLM プロバイダーの API キー	`vai config set llm-api-key sk-...`
`llm-model`	LLM モデルの上書き設定	`vai config set llm-model claude-sonnet-4-5-20250929`
`llm-base-url`	LLM エンドポイントの上書き設定（Ollama 用など）	`vai config set llm-base-url http://localhost:11434`
`show-cost`	操作後にコストの見積もりを表示します	`vai config set show-cost true`
`telemetry`	匿名の使用状況テレメトリーを有効／無効にします	`vai config set telemetry false`

設定は ~/.vai/config.json に保存されます。vai config get ですべての値（シークレットはマスクされます）を確認するか、vai config get <key> で特定の値を確認できます。デスクトップアプリの「Settings → Database」ページでも、このファイルの読み書きが行われます。

テレメトリー

vai は CLI とデスクトップアプリの匿名の使用状況テレメトリーを収集します。初回起動時には、テレメトリーが送信される前に、vai から一度限りのお知らせが表示されます。CLI とデスクトップアプリは、~/.vai/config.json を介して同じテレメトリー設定とお知らせの表示状態を共有します。

組み込みのテレメトリー設定を使用します。

vai telemetry
vai telemetry off
vai telemetry on
vai telemetry status
vai telemetry reset

環境変数を使ってテレメトリーを無効にすることもできます。

export VAI_TELEMETRY=0
export DO_NOT_TRACK=1

ローカルで監査するには、次のように設定します。

export VAI_TELEMETRY_DEBUG=1

これにより、テレメトリーペイロードが送信されずに stderr に出力されます。

シェル補完

# Bash
vai completions bash >> ~/.bashrc

# Zsh
mkdir -p ~/.zsh/completions
vai completions zsh > ~/.zsh/completions/_vai

22 個すべてのコマンド、サブコマンド、フラグ、モデル名、説明トピックに対応しています。

すべてのコマンド

コマンド	説明
プロジェクトのセットアップ
`vai init`	`.vai.json` を使ってプロジェクトを初期化します
`vai generate`	コードスニペットを生成します（retrieval、ingest、client）
`vai scaffold`	完全なスタータープロジェクトを作成します
RAG パイプライン
`vai pipeline`	チャンク化 → 埋め込み → 保存（エンドツーエンド）
`vai query`	検索 + 再ランク付け（2 段階検索）
`vai chunk`	ドキュメントをチャンク化します（5 つの戦略）
`vai estimate`	コストを見積もります（対称型と非対称型）
埋め込み
`vai embed`	埋め込みを生成します
`vai rerank`	関連度に基づいてドキュメントを再ランク付けします
`vai similarity`	テキストの類似度を比較します
データ管理
`vai store`	単一のドキュメントを埋め込み、保存します
`vai ingest`	進捗を表示しながら一括インポートします
`vai search`	ベクトル類似検索を実行します
`vai index`	Atlas Vector Search インデックスを管理します
`vai purge`	条件に基づいて埋め込みを削除します
`vai refresh`	新しいモデルや設定で再度埋め込みを生成します
評価
`vai eval`	検索品質を評価します（MRR、nDCG、Recall）
`vai eval compare`	設定を並べて比較します
`vai benchmark`	モデル比較用の 8 つのサブコマンド
ワークフローストア
`vai store list`	利用可能なワークフローを閲覧します（公式 + コミュニティ）
`vai store install`	npm からワークフローパッケージをインストールします
`vai store run`	インストール済みのワークフローを実行します
`vai store uninstall`	インストール済みのワークフローを削除します
MCP サーバー
`vai mcp`	MCP サーバーを起動します（vai のツールを AI エージェントに公開）
`vai mcp install`	vai を AI ツールの設定にインストールします（Claude、Cursor など）
`vai mcp uninstall`	AI ツールの設定から vai を削除します
`vai mcp status`	すべてのツールにおけるインストール状況を表示します
`vai mcp generate-key`	HTTP サーバー認証用の API キーを生成します
ツールと学習
`vai models`	モデル、ベンチマーク、アーキテクチャを一覧表示します
`vai explain`	25 個の対話型コンセプト解説
`vai config`	永続的な設定を管理します
`vai ping`	API と MongoDB の接続をテストします
`vai playground`	対話型のウェブプレイグラウンド
`vai demo`	ガイド付きのウォークスルー
`vai completions`	シェル補完スクリプト
`vai about`	このツールについて
`vai version`	バージョンを表示します

ワークフローストア

Playground UI または CLI から、構築済みの RAG ワークフローを閲覧、インストール、実行できます。ワークフローストアには公式ワークフローが 20 個あり、npm で公開されるコミュニティパッケージのエコシステムも拡大しています。

閲覧とインストール

# Open the visual Workflow Store in the Playground
vai playground    # Click the grid icon → Store

# Or from the CLI
vai store list                    # Browse available workflows
vai store install model-shootout  # Install a workflow
vai store run model-shootout      # Run it

公式ワークフロー

ワークフロー	カテゴリ	機能
model-shootout	ユーティリティ	お使いのデータで voyage-4-large、voyage-4、voyage-4-lite を並べて比較します
asymmetric-search	検索	voyage-4-large で埋め込み、voyage-4-lite でクエリを実行します — コストを約 83% 削減
cost-optimizer	ユーティリティ	非対称検索による正確なコスト削減額を算出します
question-decomposition	検索	複雑な質問をサブクエリに分解し、並列検索して統合・再ランク付けします
knowledge-base-bootstrap	統合	エンドツーエンドの導入手順です：取り込み → 検証 → クエリテスト → ステータスレポート
hybrid-precision-search	検索	3 つの検索戦略を並列実行し、統合して再ランク付けします
embedding-drift-detector	分析	埋め込み品質を経時的に監視します
multilingual-search	検索	クエリを複数の言語に翻訳し、それぞれを並列検索します

コード移行、金融リスクスキャン、臨床プロトコルの照合、会議のアクション項目などを扱う、さらに 12 個のワークフローもあります。

コミュニティパッケージ

誰でも npm にワークフローを公開できます。パッケージに vai-workflow タグを付け、package.json に vai-workflow フィールドを追加してください：

{
  "name": "vai-workflow-my-pipeline",
  "keywords": ["vai-workflow"],
  "vai-workflow": {
    "category": "retrieval",
    "tags": ["custom", "my-use-case"],
    "tools": ["query", "rerank", "generate"]
  }
}

コミュニティワークフローは、公式パッケージと並んでストアに自動的に表示されます。

MCP サーバー

vai の RAG ツールを、Claude Desktop、Claude Code、Cursor、Windsurf、VS Code など、MCP 対応のあらゆる AI エージェントに公開できます。埋め込み、検索、再ランキング、取り込み、学習のための11 個のツールを、コードを書かずに利用できます。

ワンコマンドでセットアップ

# Install into your AI tool of choice
vai mcp install claude
vai mcp install cursor
vai mcp install all          # all supported tools at once

# Check what's configured
vai mcp status

インストールコマンドは既存の設定にマージされます。他の MCP サーバーに影響することはありません。

対応ツール

対象	AI ツール
`claude`	Claude Desktop
`claude-code`	Claude Code
`cursor`	Cursor
`windsurf`	Windsurf
`vscode`	VS Code

エージェントが利用できる機能

インストールすると、AI エージェントは次のツールを使えるようになります。

ツール	機能
`vai_query`	RAG 全体：埋め込み → ベクトル検索 → 再ランキング
`vai_search`	生のベクトル類似検索
`vai_rerank`	クエリに基づいてドキュメントを再ランキング
`vai_embed`	埋め込みベクトルを生成
`vai_similarity`	テキスト間のコサイン類似度
`vai_ingest`	ドキュメントを分割、埋め込み、保存
`vai_collections`	ベクトルインデックスを持つ MongoDB コレクションを一覧表示
`vai_models`	料金とベンチマーク付きでモデルを一覧表示
`vai_topics`	学習トピックを閲覧
`vai_explain`	概念の詳しい説明を取得
`vai_estimate`	埋め込みのコストを見積もり

トランスポートモード

vai mcp                                    # stdio (default, local)
vai mcp --transport http --port 3100       # HTTP (remote, multi-client)

📖 詳しいドキュメント： docs/mcp-server.md

スクリーンショット

デスクトップアプリ — ダークテーマ

Vai - Embed Tab (Dark)

デスクトップアプリ — 設定

Vai - Settings (Dark)

デスクトップアプリ — ライトテーマ

Vai - Embed Tab (Light)

検索と再ランキング

ベンチマーク

Vai - Benchmark Tab

プロジェクト構成

CLI とデスクトップアプリを分けた軽量モノレポです。

voyageai-cli/
├── src/            ← Core library + CLI + web playground (npm package)
├── electron/       ← Desktop app (distributed via GitHub Releases)
├── docs/           ← Shared documentation
├── test/           ← Test suites
└── .github/
    └── workflows/
        ├── ci.yml           ← Tests + npm publish for CLI
        └── release-app.yml  ← Electron builds + GitHub Releases

配布チャネル

製品	チャネル	ユーザーが利用できるもの
CLI (`vai`)	`npm install -g voyageai-cli`	ターミナルツール、22 個のコマンド、RAG パイプライン
Web プレイグラウンド	`vai playground`	ローカルで実行。CLI 以外のインストールは不要
デスクトップアプリ	GitHub Releases	単体アプリ。Node は不要

開発用スクリプト

# CLI development
npm test                    # Run test suite
npm run test:watch         # Watch mode

# Electron app development  
npm run app:install        # Install electron dependencies
npm run app:start          # Launch electron app
npm run app:dev            # Launch with DevTools
npm run app:build          # Build for all platforms

要件

Node.js 18+
MongoDB Atlas アカウント（無料枠で利用可能）
Voyage AI モデル API キー（Atlas で作成）

作者

MongoDB のプリンシパルスタッフ・デベロッパーアドボケイトである Michael Lynn が開発しました。

免責事項

これはコミュニティ製ツールであり、MongoDB, Inc. または Voyage AI との提携、承認、サポートはありません。すべての商標は各所有者に帰属します。

公式ドキュメントとサポートについては、以下をご覧ください。

MongoDB： mongodb.com | Atlas | サポート
Voyage AI： MongoDB Voyage AI Docs

ライセンス

Markdown 対応

ログインしてコメント

MCP は初めてですか？

プロトコルの概要から最初のサーバーの導入まで、よくある疑問にまとめて答えます。

入門ガイドを読む

AI アプリケーションが外部のツールやデータソースに統一的な方法で接続するためのオープンなプロトコルです。クライアントはモデルとの対話を担い、MCP サーバーはツール・リソース・プロンプトテンプレートを提供します。標準メッセージでやり取りするため、1 つのサーバーを複数のクライアントで再利用できます。

Voyageai Cli

Voyageai Cli について

主な機能

活用シーン

MCP 対応

設定

ツール

詳細

voyageai-cli

Voyage AI を選ぶ理由

3 つの利用方法

🖥️ CLI

🌐 Web プレイグラウンド

💻 デスクトップアプリ

🏪 ワークフローストア

目次

デスクトップアプリ

主な機能

インストール

ウェブプレイグラウンド

CLI — クイックスタート

インストール

5 分で作る RAG パイプライン

プロジェクト設定

コード生成とスキャフォールディング

vai generate — 本番環境向けコードスニペット

vai scaffold — 完全なスタータープロジェクト

データのライフサイクル

vai purge — 古い埋め込みを削除

vai refresh — 新しい設定で再埋め込み

コアワークフロー

vai pipeline — チャンク分割 → 埋め込み → 保存

vai query — 検索 + リランキング

vai chunk — ドキュメントのチャンク分割

vai estimate — コスト見積もり

個別コマンド

モデルとベンチマーク

Voyage 4 ファミリー

競合モデルの比較（RTEB NDCG@10）

ローカル推論

セットアップ（初回のみ）

使用方法

インタラクティブデモ

Nano コマンド

アップグレードパス

データのベンチマーク

評価

学ぶ

環境変数と認証

すべての設定キー

テレメトリー

シェル補完

すべてのコマンド

ワークフローストア

閲覧とインストール

公式ワークフロー

コミュニティパッケージ

MCP サーバー

ワンコマンドでセットアップ

対応ツール

エージェントが利用できる機能

トランスポートモード

スクリーンショット

デスクトップアプリ — ダークテーマ

デスクトップアプリ — 設定

デスクトップアプリ — ライトテーマ

検索と再ランキング

ベンチマーク

プロジェクト構成

配布チャネル

開発用スクリプト

要件

作者

免責事項

ライセンス

コメント

MCP は初めてですか？

MCP（Model Context Protocol）とは？

MCP サーバーとクライアントの違いは？

ローカルとリモート、どちらを選ぶべき？

`vai generate` — 本番環境向けコードスニペット

`vai scaffold` — 完全なスタータープロジェクト

`vai purge` — 古い埋め込みを削除

`vai refresh` — 新しい設定で再埋め込み

`vai pipeline` — チャンク分割 → 埋め込み → 保存

`vai query` — 検索 + リランキング

`vai chunk` — ドキュメントのチャンク分割

`vai estimate` — コスト見積もり