サーバーデータベースWorkers AI料金・無料枠

Cloudflare Vectorizeとは?ベクトルDBの料金・無料枠と使い方

フレアはゆるフレアはゆる
こんな人におすすめ
・社内の資料をAIで検索できるようにしたい
・似た商品や記事のおすすめを作りたい
・AI Searchと自作のどちらにするか迷っている

Cloudflare Vectorize は、Cloudflare Workers から使うベクトルデータベース(数値の並びを保存し、近いものを探すデータベース)です。文章や画像を AI モデルで数値の並び(埋め込み)にして入れておくと、言葉が一致しなくても意味の近いものを探せます。社内文書の検索や RAG に使え、Workers の無料プランでも利用できます。

この記事では、仕組み、できること、「次元の数」で決まる料金、AI Search との使い分け、始め方と注意点を整理します。内容は2026年11月時点の Vectorize の公式ドキュメントに沿っています。

この記事のゴール(読了目安 約8分)

Vectorizeの仕組みと料金の数え方を理解し、自分で組むかAI Searchに任せるか判断できるようになる

Vectorizeとは?意味で探すベクトルDB

Vectorize は、Workers から使う、世界に分散したベクトルデータベースです。一般提供(GA)されていて、Workers の無料・有料のどちらのプランでも使えます。

扱うのは埋め込み(エンベディング)で、文章・画像・音声などを数値の並びに表したものです。モデルが「似ている」と見なした入力どうしは、ベクトル(数値の並び)の距離が近くなります。

  • 保存するもの:埋め込み(元の文章や画像は保存しない)
  • 探し方:問い合わせたベクトルに近い順
  • 使う場所:Workers のコード、Wrangler、REST API

埋め込みは Workers AI のモデルで作っても、OpenAI など外部で作って持ち込んでもかまいません。Vectorize では、データベース1つを「インデックス」と呼びます。

問い合わせのたびにデータ全体を AI に渡さずに済むのが、ベクトルデータベースの利点です。 AI モデルには入力の大きさに上限があるためです。

仕組み:埋め込みを近さで探す

入れるときも探すときも、同じモデルでベクトルにするのが要です。流れは次の4段です。

  1. 手元の文書や画像を埋め込みモデルでベクトルにし、インデックスに入れる
  2. 検索の言葉も同じモデルでベクトルにする
  3. 問い合わせると、近い順に ID とスコア(近さを表す数値)が返る。既定は5件
  4. 返った ID を手がかりに、元のデータを取り出す

元のデータは R2・Workers KV・D1 などに置き、ベクトルのメタデータ(付帯情報)に ID や置き場所を入れておきます。

元の文章や商品データを表の形で持つなら D1 が向いています。D1 の料金と使い分けは Cloudflare D1とはで解説しています。キーで引くだけの小さな文書なら Workers KV に置く方法もあります。

資料と質問を同じ埋め込みモデルでベクトルにする。資料のベクトルは Vectorize に入れ、質問のベクトルで探すと、近い順に ID とスコアが返る
資料も質問も同じモデルでベクトルにし、返った ID で元のデータを引きます。

インデックスを作るときは、次元数(ベクトルの数値の個数)と距離の測り方を決めます。どちらも作った後には変えられません。 次元数はモデルの出力に合わせます。

モデル(提供元)次元数
bge-base-en-v1.5(Workers AI)768
ada-002(OpenAI)1536

距離の測り方は cosine・euclidean・dot-product の3つです。公式は、文章の検索には cosine、画像や音声の認識には euclidean が向くことがあるとしています。

できること:意味検索・推薦・RAG

公式が挙げる使い道は次の4つで、RAG にも使えます。

使い道何を返すか
意味検索入力に近い結果
分類いちばん近いグループ
推薦過去の購入や履歴に似たもの
異常検知既存のデータと似ているか違うか

インデックスにすでにあるベクトルを起点に、似たものを探す queryById() もあります。

RAG(検索拡張生成。検索で見つけた資料を添えて AI に答えさせる方法)では、資料を埋め込みにして先に入れておき、質問が来たら次の順に進みます。

  1. 質問を同じモデルで埋め込みにする
  2. その埋め込みで Vectorize を検索する
  3. 返ったベクトルから元の内容を引く(メタデータにあれば省ける)
  4. 内容を質問に添えて LLM(大規模言語モデル)に渡す

AI モデルを呼ぶのは1と4です。その呼び出しを見える化・制御したいときは、Cloudflare AI Gatewayとはを参考にしてください。

検索の範囲は、メタデータ(顧客 ID や商品カテゴリーなど)と名前空間(インデックスの中を顧客や店舗ごとに区切る仕組み)で絞れます。絞り込みが先に行われ、絞った中から近い順に選ばれます。

料金と無料枠:次元の数で数える

2026年11月時点の公式ページでは、請求の元は「問い合わせた次元」「保存した次元」「インデックスの数」の3つです。変わることがあるので、Vectorize の料金ページで確かめてください。

項目無料プラン有料プラン
問い合わせた次元月3,000万月5,000万込み、超過は100万あたり0.01ドル
保存した次元500万1,000万込み、超過は1億あたり0.05ドル
インデックスの数1005万込み、超過は1つ月0.10ドル

有料プランは Workers の有料プラン(月5ドルから)です。数え方は次のとおりです。

  • 問い合わせた次元=(問い合わせの回数+保存しているベクトルの数)×次元数
  • 保存した次元=保存しているベクトルの数×次元数

問い合わせた次元には、回数だけでなく保存件数も入ります。 公式の例では、384次元を1万件入れて100回問い合わせると約388万です。

公式の数え方で計算すると、無料プランの保存枠(500万)に入るのは768次元で約6,500件です。公式の例のうち「384次元・5,000件・月1万回」は無料プランに収まり、「768次元・1万件・月3万回」は無料プランの枠を超えます。

CPU・メモリ・稼働時間・エグレス(外へ送り出す通信)には課金されません。Wrangler や HTTP API からの問い合わせも利用量に数え、空のインデックスもインデックスの数に入ります。埋め込みを作る費用は別で、Workers AI なら1日1万 Neurons(利用量の単位)まで無料です。Neurons の数え方は、Workers AI と Agents SDK の記事で解説しています。

アプリ全体の費用の中に Vectorize の料金がある。Vectorize の料金は次元の数とインデックス数で決まり、埋め込みの作成など AI の利用は別の料金
Vectorize の請求は次元とインデックスの数で決まり、AI の利用料は別です。

AI Searchとの違いと使い分け

AI Search は Vectorize の上に作られ、検索に要るほかの部分をまとめて提供する仕組みです。公式は、ベクトルを自分で管理するなら Vectorize、検索を任せるなら AI Search と使い分けを示しています。

項目VectorizeAI Search
渡すもの自分で作ったベクトルファイルやデータの置き場所
分割と埋め込み自分で行う任せられる
索引づくり自分で入れて管理自動で継続して同期
検索ベクトルの近さと絞り込みキーワード併用・並べ替えも
回答の生成含まない任意で付く

AI Search にも、R2 と Vectorize で動く保存先と索引が最初から付いています。編集部では、部品を自分で組むか、組み上がったものを使うかの違いと捉えています。埋め込みモデルや検索の流れを自分で決めたいなら Vectorize、手持ちのファイルに検索や RAG を早く付けたいなら AI Search が向きます。

AI Search の仕組みや料金は Cloudflare AI Searchとはで解説しています。

左は Vectorize で、ベクトルを自分で作って入れる。右は AI Search で、ファイルを渡せば分割・埋め込みから検索まで引き受ける
Vectorize は自分で組む部品、AI Search は中で Vectorize を使い検索まで引き受けます。

始め方:インデックス作成から検索まで

公式の Get started に沿った流れです。Cloudflare のアカウントと Node.js・npm を用意し、Wrangler(Workers のコマンドラインツール)は 3.71.0 以降を使います。

  1. Worker のプロジェクトを作る
  2. モデルの次元数に合わせてインデックスを作る
  3. wrangler.jsonc にバインディング(コードから機能を使う接続設定)を書く
  4. 絞り込むなら、ベクトルを入れる前にメタデータの索引を作る
  5. コードで埋め込みを作り、upsert で入れ、query で探す
  6. ログインして公開する
npm create cloudflare@latest -- vectorize-tutorial
npx wrangler vectorize create embeddings-index --dimensions=768 --metric=cosine
npx wrangler vectorize create-metadata-index embeddings-index --property-name=url --type=string
npx wrangler login
npx wrangler deploy
{
  "vectorize": [{ "binding": "VECTORIZE", "index_name": "embeddings-index" }],
  "ai": { "binding": "AI" }
}

例は bge-base-en-v1.5 に合わせた768次元・cosine です。ai の行は Workers AI で埋め込みを作るときに足します。query に渡すのはベクトルの部分(.data[0])だけです。 Workers AI の応答をそのまま渡すとエラーになります。書き込みの反映は npx wrangler vectorize info で確かめられます。

使う前の注意点

本番の前に、次の点を確かめます。

  • 次元数と距離の測り方は変えられないので、埋め込みモデルを先に決めます
  • 書き込みは非同期で、検索に出るまでふつう数秒かかります(結果整合)
  • まとめて入れます。公式の例では、25万件を1件ずつ入れると1時間以上かかりうる一方、2,500件ずつなら数分で検索に出ます
  • insert は同じ ID を上書きしません。更新は upsert で、値とメタデータが丸ごと置き換わります
  • メタデータの索引は10個までで、作る前に入れたベクトルは入れ直しが要ります。文字列は先頭64バイトで絞り込みます
項目上限(2026年11月時点)
1ベクトルの次元数1536
1インデックスのベクトル数2,000万件
返す件数100件(値かメタデータも返すなら50件)
1ベクトルのメタデータ10KiB

よくある質問

日本語の文章も検索できますか?

埋め込みモデルしだいです。Get started の bge-base-en-v1.5 は英語向けですが、Workers AI には日本語用の plamo-embedding-1b や多言語の bge-m3 もあります。インデックスの次元数はモデルの出力に合わせ、1ベクトルは1536次元までなので、モデルを決めてからインデックスを作ります。

OpenAIの埋め込みも使えますか?

使えます。外部で作った埋め込みも持ち込めます。次元数はモデルに合わせ、公式の例では OpenAI の ada-002 が1536次元で上限ちょうどです。

手元の開発環境で試せますか?

Vectorize には手元で動く模擬がありません。開発中はバインディングに remote: true を付けて本物のインデックスにつなぎ、本番のデータを守るなら開発用のインデックスを別に指定します。

AI Search経由でもVectorizeの料金はかかる?

AI Search が代わりに使う Vectorize の分は、Vectorize の請求には出ず、AI Search の料金で数えます。料金の中身は AI Search の記事で確かめてください。

古いVectorize(V1)のインデックスは使えますか?

V1 は2024年8月に非推奨になり、12月から新しく作れなくなりました。既存の V1 への操作は動きますが、本番では勧められず、自動の移行もまだ提供されていません。Wrangler 3.71.0 より前で作ったものは V1 の可能性があります。

この記事のポイント

  • VectorizeはWorkersから使うベクトルDBで、埋め込みを保存する
  • 料金は問い合わせた次元・保存した次元・インデックス数で決まる
  • 次元数と距離の測り方は後で変えられず、モデルを先に決める
  • 検索やRAGをすぐ付けたいなら、上に作られたAI Searchも選べる

まとめ

Cloudflare Vectorize は、埋め込みを保存して「意味の近さ」で探すための部品です。元のデータは D1・Workers KV・R2 に置いて ID でつなぎます。料金は次元の数で数え、問い合わせた次元には保存件数も入ります。

次の一歩は、埋め込みモデルを決め、その次元数と距離の測り方でインデックスを作ることです。無料プランで小さく試してから本番に広げてください。検索ごと任せたいなら、AI Search も選択肢です。

無料ダウンロード資料「Cloudflareが漫画でわかる」資料を受け取る

この記事を書いた人

フレアはゆる

編集長

フレアはゆるフレア ハユル

Cloudflare を知り尽くした(未来形)、フレアはゆるの編集長。Webサイト制作とサーバー運用の現場で Cloudflare を使い、迷ったところ・つまずいたところをそのまま記事にしています。

フレアはゆるについて詳しく見る →

サーバーの記事一覧へ戻る
フレアはゆるとははゆるに相談