OceanBaseはV4.3.3バージョンからベクトル型データの格納、ベクトルインデックス、そしてembeddingベクトル検索機能をサポートしています。これにより、ベクトル化したデータをOceanBaseに保存し、次の検索処理で利用することが可能になります。
Ollamaは、オープンソースツールであり、ローカル環境で大規模言語モデル（GPT-oss、Gemma 3、DeepSeek-R1、Qwen3など）を簡単に実行および管理できるようにします。
このチュートリアルでは、OceanBase Cloudのベクトル検索機能と Ollamaを連携させ、類似性検索や検索タスクを実行する方法を説明します。
前提条件
- ご利用の環境にトランザクション型（MySQL）クラスタインスタンスが利用可能であること。
テナントの作成については、テナントの作成をご参照ください。その後、以下の手順を実行してください。
ご利用の環境に、使用可能なMySQL互換モードのテナント、MySQLデータベース、およびデータベースアカウントが既に存在し、データベースアカウントに対して読み書き権限が付与されていること。作成が必要な場合は、詳細については アカウントの作成および データベースの作成（MySQL専用）をご参照ください。
プロジェクト管理者またはインスタンス管理者ロールを持ち、プロジェクト内のインスタンスに対して読み書き操作を実行できること。権限がない場合は、組織管理者に連絡して権限の追加を依頼してください。
Python 3.11以降のバージョンをインストールしていること。
必要な依存関係をインストールしてください。
python3 -m pip install pyobvector requests sqlalchemy ollama tqdm
ステップ1：データベース接続情報を取得する
ドロップダウンリストから、ID でクラスタインスタンスを選択します。
**概要**ページに移動します。
接続をクリックし、**接続文字列を取得**を選択します。
ポップアップウィンドウで、**パブリックネットワークを使用**を選択します。
アクセスアドレスを取得し、**現在のブラウザIPアドレスを追加**を選択します。
データベース関連情報を入力し、**接続文字列をコピー**します。
ステップ2：AIアシスタントを構築する
環境変数の設定
OceanBase接続情報を取得し、環境変数に設定します。
export OCEANBASE_DATABASE_URL=YOUR_OCEANBASE_DATABASE_URL
export OCEANBASE_DATABASE_USER=YOUR_OCEANBASE_DATABASE_USER
export OCEANBASE_DATABASE_DB_NAME=YOUR_OCEANBASE_DATABASE_DB_NAME
export OCEANBASE_DATABASE_PASSWORD=YOUR_OCEANBASE_DATABASE_PASSWORD
ollamaのインストールとモデルqwen3-embeddingの取得
curl -fsSL https://ollama.ai/install.sh | sh
export PATH="/usr/local/bin:$PATH"
ollama --version
ollama pull qwen3-embedding:latest
サンプルコード
データの読み込み
ここでは、qwen3-embedding埋め込みモデルを例に、OceanBase Vectorのベクトル検索よくある質問をプライベートナレッジとして使用し、「#」でファイル内の内容を区切ります。
import requests,os,json,ollama
from tqdm import tqdm
from sqlalchemy import Column, Integer, String
from pyobvector import ObVecClient, VECTOR, IndexParam, l2_distance
# text URL
url = "https://raw.githubusercontent.com/oceanbase/oceanbase-doc/refs/heads/V4.3.5/en-US/640.ob-vector-search/800.ob-vector-search-faq.md"
response = requests.get(url)
text_lines = []
file_text = response.text
text_lines += file_text.split("# ")
def emb_text(text):
response = ollama.embeddings(model="qwen3-embedding", prompt=text)
return response["embedding"]
data = []
for i, line in enumerate(tqdm(text_lines, desc="Creating embeddings")):
data.append({"text": line, "embedding": emb_text(line)})
ベクトルテーブル構造の定義とベクトルのOceanBaseへの格納
ollama_oceanbase_demo_documents という名前のテーブルを作成します。このテーブルには、テキストを格納する text 列、埋め込みベクトルを格納する embedding 列、およびベクトルインデックス情報が含まれます。qwen3-embeddingを使用して各テキストセグメントの埋め込みベクトルを生成し、OceanBaseに格納します。
OCEANBASE_DATABASE_URL = os.getenv('OCEANBASE_DATABASE_URL')
OCEANBASE_DATABASE_USER = os.getenv('OCEANBASE_DATABASE_USER')
OCEANBASE_DATABASE_DB_NAME = os.getenv('OCEANBASE_DATABASE_DB_NAME')
OCEANBASE_DATABASE_PASSWORD = os.getenv('OCEANBASE_DATABASE_PASSWORD')
client = ObVecClient(uri=OCEANBASE_DATABASE_URL, user=OCEANBASE_DATABASE_USER,password=OCEANBASE_DATABASE_PASSWORD,db_name=OCEANBASE_DATABASE_DB_NAME)
table_name = "ollama_oceanbase_demo_documents"
client.drop_table_if_exist(table_name)
cols = [
Column("id", Integer, primary_key=True, autoincrement=True),
Column("text", String(255), nullable=False),
Column("embedding", VECTOR(4096))
]
# Create vector index
vector_index_params = IndexParam(
index_name="idx_question_embedding",
field_name="embedding",
index_type="HNSW",
distance_metric="l2"
)
client.create_table_with_index_params(
table_name=table_name,
columns=cols,
vidxs=[vector_index_params]
)
print('- Inserting Data to OceanBase...')
client.insert(table_name, data=data)
セマンティック検索
qwen3-embedding埋め込みモデルを使用してクエリテキストの埋め込みベクトルを生成し、その後、クエリテキストの埋め込みベクトルとベクトルテーブル内の各埋め込みベクトルとのL2距離に基づいて、最も関連性の高いドキュメントを検索します。
question = "Which mode supports vector search?"
search_res = client.ann_search(
table_name,
vec_data=emb_text(question),
vec_column_name="embedding",
distance_func=l2_distance,
with_dist=True,
topk=1,
output_column_names=["id","text"],
)
print('- The Most Relevant Document and Its Distance to the Query:')
for row in search_res.fetchall():
print(f' - ID: {row[0]}\n'
f' content: {row[1]}\n'
f' distance: {row[2]}')
期待される結果
- ID: 3
content: Which mode supports vector search?
Vector search is supported only in the MySQL mode of OceanBase Database.
distance: 0.509979758468682