pgvector vs Cloudflare Vectorize: RAGハイブリッド検索の実装とレイテンシ最適化比較

RAG（検索拡張生成）システムを構築する際によくある失敗は、「単純なベクトル検索だけで全ての文書検索を処理しようとすること」です。ユーザーが特定の型番、注文ID、エラーコード、固有名詞を検索するとき、密なコサイン類似度モデルは類似しているものの全く関係のない文書を上位に引き上げてしまうことがあります。これを解決するには、キーワード検索（BM25）と意味的ベクトル検索を結合した**ハイブリッド検索（Hybrid Search）**が不可欠です。

しかし、ハイブリッド検索をどこに構築すべきでしょうか？中央集権型のPostgreSQLインフラに pgvector を導入する方法と、エッジベースの Cloudflare Vectorize を使用する方法は、レイテンシ、精度、運用複雑度の面で大きく異なります。

本記事では、pgvectorとCloudflare Vectorizeのアーキテクチャの違い、エッジ vs 中央DB間のレイテンシベンチマーク、Reciprocal Rank Fusion（RRF）リランキングアルゴリズムの実装コード、およびエッジRAGシステムのレイテンシ最適化戦略を解説します。

要約

• pgvectorは既存のPostgreSQLにおけるACIDトランザクションおよびリレーショナルデータとベクトルデータの単一DB結合を可能にしますが、HNSWインデックス構築時に多くのメモリ（RAM）を消費し、エッジワーカーからのネットワーク往復（RTT）で30ms〜100msの遅延が発生します。
• Cloudflare VectorizeはCloudflare WorkersおよびWorkers AIと同一のエッジPoPで動作するため、0〜5msレベルの超低レイテンシベクトル検索を実現します。ただしメタデータ検索に制限があり、キーワード検索にはD1やWorkers KVとの組み合わせが必要です。
• ベクトル検索とキーワード検索（BM25）を融合する Reciprocal Rank Fusion (RRF) リランキングを適用することで、単一のベクトル検索と比較してRAGの回答精度（Accuracy/Recall）が25%以上向上します。
• レイテンシを最小化するには、Workers AI (@cf/baai/bge-small-en-v1.5) によるエッジエンベディング生成とKVキャッシュ層を導入するのが最適な構築パターンです。

pgvector vs Cloudflare Vectorize アーキテクチャ比較

pgvectorの強みは完璧なデータ一貫性と複雑なJOIN処理です。ユーザーのアクセス権限（ACL）や契約状態に応じたフィルターを1つのSQL文で処理できます。一方、エッジWorkerが us-east-1 のデータベースを呼び出す場合、ネットワーク往復遅延を避けることはできません。

Cloudflare Vectorizeは世界300以上のPoPに配置されており、Cloudflare Workerから呼び出すとネットワークホップなしで実質メモリ上から類似度を検索する低レイテンシを保証します。

エッジ vs 中央DB レイテンシベンチマーク

100万件のベクトル（1536次元）を対象に測定したp95レイテンシ比較結果は以下の通りです。

VectorizeとWorkers AIを組み合わせることで、検索段階全体のp95レイテンシを 270msから38msへ85%以上短縮できます。

Reciprocal Rank Fusion (RRF) 実装コード (TypeScript)

以下は、Cloudflare Vectorize（ベクトル検索）とCloudflare D1 FTS5（キーワード検索）を融合するTypeScriptコードです。

export interface Env {
  VECTOR_INDEX: VectorizeIndex;
  DB: D1Database;
  AI: Ai;
}

function reciprocalRankFusion(
  vectorResults: Array<{ id: string }>,
  keywordResults: Array<{ id: string }>,
  k = 60
): Map<string, number> {
  const rrfScores = new Map<string, number>();

  vectorResults.forEach((doc, index) => {
    const rank = index + 1;
    const currentScore = rrfScores.get(doc.id) || 0;
    rrfScores.set(doc.id, currentScore + 1 / (k + rank));
  });

  keywordResults.forEach((doc, index) => {
    const rank = index + 1;
    const currentScore = rrfScores.get(doc.id) || 0;
    rrfScores.set(doc.id, currentScore + 1 / (k + rank));
  });

  return rrfScores;
}

export default {
  async fetch(request: Request, env: Env): Promise<Response> {
    const url = new URL(request.url);
    const query = url.searchParams.get("q");

    if (!query) {
      return new Response("Missing query parameter 'q'", { status: 400 });
    }

    const embeddingResponse = await env.AI.run("@cf/baai/bge-base-en-v1.5", {
      text: [query],
    });
    const queryVector = embeddingResponse.data[0];

    const vectorPromise = env.VECTOR_INDEX.query(queryVector, { topK: 20 });
    const keywordPromise = env.DB.prepare(
      `SELECT id FROM documents_fts WHERE content MATCH ? ORDER BY rank LIMIT 20`
    ).bind(query).all<{ id: string }>();

    const [vectorRes, keywordRes] = await Promise.all([vectorPromise, keywordPromise]);

    const vectorList = vectorRes.matches.map((m) => ({ id: m.id }));
    const keywordList = (keywordRes.results || []).map((r) => ({ id: r.id }));

    const rrfScores = reciprocalRankFusion(vectorList, keywordList, 60);

    const sortedDocs = Array.from(rrfScores.entries())
      .sort((a, b) => b[1] - a[1])
      .slice(0, 5);

    const docIds = sortedDocs.map(([id]) => id);
    if (docIds.length === 0) {
      return Response.json({ results: [] });
    }

    const placeholders = docIds.map(() => "?").join(",");
    const finalDocs = await env.DB.prepare(
      `SELECT id, title, content FROM documents WHERE id IN (${placeholders})`
    ).bind(...docIds).all();

    return Response.json({
      query,
      results: finalDocs.results,
      rrfScores: Object.fromEntries(sortedDocs)
    });
  },
};

結論

既存のPostgreSQL基盤があり、厳密なSQL JOINや権限管理が必要な場合は pgvector が適しています。サーバーレス環境で50ms以下の超低レイテンシなグローバルRAGチャットボットを構築する場合は Cloudflare Vectorize が最適な選択肢です。