> For the complete documentation index, see [llms.txt](https://docs.maiagent.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.maiagent.ai/tech/ja/quickstart/embedding.md).
# Embedding モデル
RAG における Embedding モデルの役割、MaiAgent クラウドで現在有効な Embedding モデル、オンプレミス環境のデフォルトモデル、および独自の Embedding サービスのインターフェース要件を説明します。
## Embedding とは？
Embedding モデルは、テキストを数値の列（ベクトル）に変換します。意味が近いテキストは近いベクトルになるため、質問とドキュメントの表現が異なっていても、システムはベクトル間の距離を使って意味的に関連する段落を見つけられます。
MaiAgent の RAG 処理では、Embedding モデルが次の 2 つの処理を行います。
1. **インデックスの作成**：ナレッジベースの解析後の各段落をベクトルに変換し、ベクトルデータベースに保存します。
2. **質問の変換**：ユーザーの質問をベクトルに変換し、データベース内の段落との類似度を比較します。
RAG の処理フロー
検索処理の全体については、[RAG ナレッジベース検索システム](/tech/ja/quickstart/rag.md)をご覧ください。
## 選択前に知っておくこと
* **作成後は管理画面で変更できません**：Embedding モデルはナレッジベースの作成時に選択します。異なるモデルが生成したベクトル同士は比較できません。変更する場合は、新しいナレッジベースを作成するか、MaiAgent の担当者にお問い合わせください。
* **画像ファイルにはマルチモーダルモデルが必要です**：画像ファイル（`.png`、`.jpg` など）をナレッジベースに追加してインデックスを作成するには、マルチモーダルに対応した Embedding モデルを使用する必要があります。対応していない場合、そのファイルの解析は失敗します。
* **Agent は複数のモデルを併用できます**：同じ Agent に、異なる Embedding モデルを使うナレッジベースを接続できます。プラットフォームはそれぞれを検索し、結果を統合します。
## MaiAgent クラウドで有効なモデル
以下は、2026 年 10 月時点の本番環境で有効なモデルの一覧です。ナレッジベースの作成時に選択できるモデルは、管理画面の表示に従ってください。
| モデル（管理画面での名称） | プロバイダー | 画像ファイル対応 |
| ---------------------------------------- | ------------------------------------------- | -------- |
| OpenAI text-embedding-3 | OpenAI（`text-embedding-3-large`） | いいえ |
| Cohere Embed V4.0 | Cohere（`embed-v4.0`） | はい |
| Cohere Embed Multilingual v3.0 (Bedrock) | AWS Bedrock（`cohere.embed-multilingual-v3`） | いいえ |
## オンプレミス展開
オンプレミスおよびプライベートクラウドでは、Embedding モデルをローカルに展開する（展開パッケージのモデルカタログには、GPU が必要な `jina-embeddings-v3` が含まれています）か、既存のモデルサービスやクラウドプロバイダーに接続できます。利用可能なモデルと接続方法については、[オンプレミスのモデルサービス接続](/tech/ja/platform-development/onprem-model-services.md#local-model-catalog)をご覧ください。各クラウドプロバイダーの Embedding 対応については、[クラウドモデル推論 API サービス](/tech/ja/platform-development/cloud-model-inference-api-service.md)をご覧ください。
### 独自の Embedding サービスのインターフェース要件
自社構築またはサードパーティーの OpenAI 互換 Embedding サービスに接続する場合、URL に `/v1` を含め、サービスが MaiAgent の送信するパラメーターを受け付ける必要があります。対応していない場合、すべてのナレッジベースファイルの解析が失敗します。詳しい要件については、[オンプレミスのモデルサービス接続：独自の Embedding と Reranker の制限](/tech/ja/platform-development/onprem-model-services.md#embedding-reranker-limits)をご覧ください。
{% hint style="info" %}
Embedding モデルは、関連する内容を見つけられるかどうかに影響します。特定の質問で正しい段落が見つからないことが多い場合は、まず管理画面の[検索テスト](https://docs.maiagent.ai/build/knowledge-base/test-search-result)で結果を確認してください。そのうえで、[Reranker](/tech/ja/quickstart/reranker.md)や検索する段落数の調整、または別の Embedding モデルを使ったナレッジベースの再作成を検討してください。
{% endhint %}
---
# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.
## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation by asking a question.
Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:
```
GET https://docs.maiagent.ai/tech/ja/quickstart/embedding.md?ask=&goal=
```
`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.
Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.
.png?alt=media)