embedding-strategies について
ベクトル検索や RAG アプリケーション向けに、埋め込みモデルの選択と調整を解説するスキルです。モデル選定、チャンク化、前処理、多言語コンテンツを扱います。
主な機能
- 01埋め込みモデルの比較
- 02チャンク化と前処理の指針
- 03ドメイン別ファインチューニング
- 04ベクトル次元の削減
- 05多言語埋め込みの指針
活用シーン
- 01RAG 用モデルの選定
- 02ベクトル検索のチャンク改善
- 03特定ドメインへの埋め込み適応
- 04多言語モデルの比較
インストール
コマンドをコピーしてターミナルで実行します。
$
npx skills add https:/インストール後、Claude Code で/embedding-strategiesを入力して読み込まれたか確認します。
同梱ファイルreferences/details.md
詳細
埋め込み戦略
ベクトル検索アプリケーション向けの埋め込みモデルの選択と最適化に関するガイドです。
このスキルを使用する場面
- RAG 向けの埋め込みモデルの選択
- チャンキング戦略の最適化
- ドメイン向けの埋め込みのファインチューニング
- 埋め込みモデルのパフォーマンスの比較
- 埋め込みの次元数の削減
- 多言語コンテンツの取り扱い
中核となる概念
1. 埋め込みモデルの比較 (2026)
| モデル | 次元数 | 最大トークン数 | 最適な用途 |
|---|---|---|---|
| voyage-3-large | 1024 | 32000 | Claude アプリ (Anthropic 推奨) |
| voyage-3 | 1024 | 32000 | Claude アプリ、コスト効率重視 |
| voyage-code-3 | 1024 | 32000 | コード検索 |
| voyage-finance-2 | 1024 | 32000 | 金融ドキュメント |
| voyage-law-2 | 1024 | 32000 | 法務ドキュメント |
| text-embedding-3-large | 3072 | 8191 | OpenAI アプリ、高精度 |
| text-embedding-3-small | 1536 | 8191 | OpenAI アプリ、コスト効率重視 |
| bge-large-en-v1.5 | 1024 | 512 | オープンソース、ローカルデプロイ |
| all-MiniLM-L6-v2 | 384 | 256 | 高速、軽量 |
| multilingual-e5-large | 1024 | 512 | 多言語 |
2. 埋め込みパイプライン
Document → Chunking → Preprocessing → Embedding Model → Vector
↓
[Overlap, Size] [Clean, Normalize] [API/Local]
テンプレートと詳細な実例
テンプレートの完全なライブラリと詳細な実例は references/details.md にあります。具体的なテンプレートが必要な場合は、そのファイルを参照してください。
ベストプラクティス
推奨事項
- モデルをユースケースに合わせる: コードか、散文か、多言語か
- 慎重にチャンク分割する: 意味的な境界を保つ
- 埋め込みを正規化する: コサイン類似度検索向けに
- リクエストをバッチ処理する: 1 件ずつより効率的
- 埋め込みをキャッシュする: 静的コンテンツの再計算を避ける
- Claude アプリには Voyage AI を使用する: Anthropic が推奨
非推奨事項
- トークン上限を無視しない: 切り詰めると情報が失われる
- 埋め込みモデルを混在させない: ベクトル空間に互換性がない
- 前処理を省略しない: ゴミを入れればゴミが出る
- 過度にチャンク分割しない: 重要なコンテキストが失われる
- メタデータを忘れない: フィルタリングとデバッグに不可欠
コメント
Markdown 対応