OllamaのEmbedding APIでテキスト埋め込みを取得する方法｜nomic-embed-textとmxbai-embed-largeで類似検索をローカル環境に構築する手順

この記事のポイント

・OllamaのEmbedding APIは/api/embedエンドポイントでテキストをベクトル化できる
・nomic-embed-text（768次元）またはmxbai-embed-large（1024次元）をモデルとして使う
・取得したベクトルとコサイン類似度でキーワード一致なしの意味検索が実現できる
・SQLiteに埋め込みを保存することで数千件規模の社内文書検索DBを低コストで構築できる

# nomic-embed-text をインストールする
$ ollama pull nomic-embed-text

pulling manifest
pulling 970aa74c0a90...  274 MB / 274 MB  ████████████ 100%
verifying sha256 digest
writing manifest
success

# インストール済みモデルを確認する
$ ollama list
NAME                    ID              SIZE    MODIFIED
nomic-embed-text:latest 0a109f422b47    274 MB  10 seconds ago

# Ollamaサービスの状態を確認する
$ systemctl status ollama
ollama.service - Ollama Service
     Loaded: loaded (/etc/systemd/system/ollama.service; enabled; vendor preset: enabled)
     Active: active (running) since Sat 2026-07-05 09:00:00 JST; 3h 20min ago
   Main PID: 1234 (ollama)

# APIが応答するか確認する
$ curl -s http://localhost:11434/api/version
{"version":"0.9.0"}

# /api/embed エンドポイントで単一テキストをベクトル化する
$ curl http://localhost:11434/api/embed \
  -X POST \
  -H "Content-Type: application/json" \
  -d '{"model": "nomic-embed-text", "input": "LinuxのcronジョブがPermission deniedで失敗する"}'

{
  "model": "nomic-embed-text",
  "embeddings": [
    [0.12341234, -0.56785678, 0.90120012, -0.34563456, 0.78907890, ...]
  ],
  "total_duration": 14143917,
  "load_duration": 1019200,
  "prompt_eval_count": 12
}

# 複数テキストを一度にベクトル化する（バッチ処理）
$ curl http://localhost:11434/api/embed \
  -X POST \
  -H "Content-Type: application/json" \
  -d '{
    "model": "nomic-embed-text",
    "input": [
      "LinuxのcronジョブがPermission deniedで失敗する",
      "SSH接続がタイムアウトする問題の対処法",
      "NFSマウントが自動的に切断される原因"
    ]
  }'

# ollama Pythonライブラリとnumpyをインストールする
$ pip install ollama numpy

import ollama

# 単一テキストのEmbeddingを取得する
response = ollama.embed(
    model='nomic-embed-text',
    input='LinuxのcronジョブがPermission deniedで失敗する'
)

vector = response['embeddings'][0]
print(f"次元数: {len(vector)}")
print(f"先頭5要素: {vector[:5]}")

# 出力例
# 次元数: 768
# 先頭5要素: [0.12341234, -0.56785678, 0.90120012, -0.34563456, 0.78907890]

import requests

def get_embedding(text, model='nomic-embed-text', host='http://localhost:11434'):
    """テキストをベクトルに変換して返す"""
    response = requests.post(
        f"{host}/api/embed",
        json={"model": model, "input": text}
    )
    response.raise_for_status()
    return response.json()['embeddings'][0]

# 使い方
vec = get_embedding("SSH接続がタイムアウトする問題")
print(f"次元数: {len(vec)}")    # 768

import numpy as np
import ollama

def get_embedding(text, model='nomic-embed-text'):
    response = ollama.embed(model=model, input=text)
    return np.array(response['embeddings'][0])

def cosine_similarity(vec_a, vec_b):
    """コサイン類似度を計算する（値域: -1～1）"""
    return float(np.dot(vec_a, vec_b) / (np.linalg.norm(vec_a) * np.linalg.norm(vec_b)))

# 検索クエリと候補ドキュメント
query = "SSHが途中で切れてしまう"
docs = [
    "SSH接続が切断される場合はClientAliveIntervalを設定してください",
    "cronジョブが実行されない場合はPATH環境変数を確認してください",
    "SSHのキープアライブを設定してセッションを維持する方法",
    "NFSマウントのタイムアウトエラーを解消する手順",
]

query_vec = get_embedding(query)

results = []
for doc in docs:
    doc_vec = get_embedding(doc)
    score = cosine_similarity(query_vec, doc_vec)
    results.append((score, doc))

results.sort(reverse=True)
for score, text in results:
    print(f"{score:.4f}  {text}")

0.9187  SSHのキープアライブを設定してセッションを維持する方法
0.8834  SSH接続が切断される場合はClientAliveIntervalを設定してください
0.4012  NFSマウントのタイムアウトエラーを解消する手順
0.3756  cronジョブが実行されない場合はPATH環境変数を確認してください

import sqlite3
import json
import numpy as np
import ollama

# DBの初期化
conn = sqlite3.connect('knowledge_base.db')
cursor = conn.cursor()
cursor.execute('''
    CREATE TABLE IF NOT EXISTS documents (
        id        INTEGER PRIMARY KEY AUTOINCREMENT,
        title     TEXT NOT NULL,
        content   TEXT NOT NULL,
        model     TEXT NOT NULL,
        embedding TEXT NOT NULL
    )
''')
conn.commit()

def store_document(title, content, model='nomic-embed-text'):
    """ドキュメントをベクトル化してDBに保存する"""
    response = ollama.embed(model=model, input=content)
    vec = response['embeddings'][0]
    cursor.execute(
        'INSERT INTO documents (title, content, model, embedding) VALUES (?, ?, ?, ?)',
        (title, content, model, json.dumps(vec))
    )
    conn.commit()
    print(f"保存完了: {title}")

# 社内FAQの例
faq_entries = [
    ("SSH切断対処", "SSH接続が切断される場合はsshd_configのClientAliveIntervalを30に設定してください"),
    ("cronPATH問題", "cronジョブが動かない場合はcrontabの先頭でPATH=/usr/local/bin:/usr/binを設定してください"),
    ("NFSタイムアウト", "NFSマウントがタイムアウトする場合はmountオプションのtimeoとretransを調整してください"),
    ("Apache起動失敗", "Apacheが起動しない場合はhttpd -tで設定ファイルの構文チェックを実行してください"),
    ("ディスク容量不足", "ディスクが満杯の場合はdu -sh /* で使用量の多いディレクトリを特定してください"),
]

for title, content in faq_entries:
    store_document(title, content)

def search_similar(query, top_k=3, model='nomic-embed-text'):
    """クエリに意味的に近いドキュメントをスコア順で返す"""
    response = ollama.embed(model=model, input=query)
    query_vec = np.array(response['embeddings'][0])

    cursor.execute(
        'SELECT title, content, embedding FROM documents WHERE model = ?', (model,)
    )
    rows = cursor.fetchall()

    results = []
    for title, content, emb_json in rows:
        doc_vec = np.array(json.loads(emb_json))
        score = float(np.dot(query_vec, doc_vec) / (
            np.linalg.norm(query_vec) * np.linalg.norm(doc_vec)
        ))
        results.append((score, title, content))

    results.sort(reverse=True)
    return results[:top_k]

# 検索テスト
results = search_similar("SSHがしばらくすると切れる")
for score, title, content in results:
    print(f"スコア {score:.4f} [{title}]")
    print(f"  {content}")
    print()

スコア 0.9134 [SSH切断対処]
  SSH接続が切断される場合はsshd_configのClientAliveIntervalを30に設定してください

スコア 0.5201 [NFSタイムアウト]
  NFSマウントがタイムアウトする場合はmountオプションのtimeoとretransを調整してください

スコア 0.4103 [cronPATH問題]
  cronジョブが動かない場合はcrontabの先頭でPATH=/usr/local/bin:/usr/binを設定してください

# サービス起動後のウォームアップリクエスト例
$ curl -s http://localhost:11434/api/embed \
  -X POST \
  -H "Content-Type: application/json" \
  -d '{"model": "nomic-embed-text", "input": "warmup"}' > /dev/null \
  && echo "ウォームアップ完了"

def embed_in_batches(texts, batch_size=10, model='nomic-embed-text'):
    """テキストリストをバッチ分割してEmbeddingを取得する"""
    all_embeddings = []
    for i in range(0, len(texts), batch_size):
        batch = texts[i:i + batch_size]
        response = ollama.embed(model=model, input=batch)
        all_embeddings.extend(response['embeddings'])
        print(f"進捗: {min(i + batch_size, len(texts))}/{len(texts)}件")
    return all_embeddings

# 使い方（100件のテキストを10件ずつ処理）
embeddings = embed_in_batches(large_text_list)
print(f"取得完了: {len(embeddings)}件")

ローカルEmbeddingと類似検索を2日間のハンズオンで体験する

OllamaのEmbedding APIやRAGシステムの構築を、設定から動作確認まで手を動かして習得したい方向けに、「ローカルAIマスターセミナー」を開催しています。
少人数（最大8名）ZOOMハンズオン形式で実施しています。