書籍間で最も近い一致する文を見つけるには、クエリベクトルをテーブルに格納されている文ベクトル（例：列：book_id、sentence、vector）と比較する必要があります。最適な SQL 構造は、ORDER BY (A) を使用したネストされたクエリです。内部クエリは距離を計算し（例：SELECT sentence, VECTOR_DISTANCE(vector, :query_vector, COSINE) AS score FROM sentences）、外部クエリは結果をソートして制限します（例：SELECT * FROM (inner_query) ORDER BY score FETCH FIRST 5 ROWS ONLY）。これにより、特にインデックスを使用した場合、Oracle のベクトル機能を効率的に活用して、類似性に基づいて文をランク付けできます。
オプション B (完全一致検索) は構造ではなく手法を説明しており、インデックスなしではフルスキャンが遅くなるため、ここでは特異性に欠けます。オプション C (GROUP BY) は個々の文をランク付けするのではなく (たとえば書籍ごとに) 集計するため、「最も近い」という目的が達成されません。オプション D (FETCH PARTITIONS BY) は有効な句ではありません。IVF パーティショニングと混同される可能性がありますが、これはクエリ構文ではなくインデックスに関連するものです。ネストされた構造は柔軟性 (たとえば WHERE 句の追加) を可能にし、Oracle のベクトル検索の例と一致しているため、書籍が数千の文を生成する場合に重要な正確性と拡張性の両方を保証します。

Oracle Database 23ai では、類似性検索で使用されるベクトル埋め込みを格納するための VECTOR データ型 (C) が導入され、次元とフォーマット (FLOAT32、INT8 など) がサポートされています。VECTOR2 (A) は存在しません。BLOB (B) はベクトルを含むバイナリデータを格納できますが、VECTOR のような意味構造とインデックスのサポートがありません。VARCHAR2 (D) はテキスト用であり、数値配列用ではありません。Oracle のドキュメントによると、VECTOR はネイティブインデックス (HNSW、IVF など) を使用した AI ベクトル検索に最適化されています。

Oracle Database 23ai では、DBMS_VECTOR_CHAIN.UTL_TO_TEXT は、PDF、DOC、JSON、XML、HTML などの形式のドキュメントをプレーン テキストに変換する PL/SQL 関数であり、RAG ワークフローでベクトル化のためにデータを準備する重要なステップです。DBMS_VECTOR.TEXT_TO_PLAIN (A) は有効な関数ではありません。DBMS_VECTOR_CHAIN.UTL_TO_CHUNKS (C) は、テキストをより小さなセグメントに分割しますが、ドキュメントを変換するわけではありません。DBMS_VECTOR.CONVERT_TO_TEXT (D) は、ドキュメント化されたパッケージには存在しません。UTL_TO_TEXT は、ベクトル処理パイプライン用に設計された DBMS_VECTOR_CHAIN パッケージの一部であり、Oracle のドキュメントではドキュメント変換について明示的に記載されています。

Oracle 23ai のベクター プールは、ベクター操作専用の SGA メモリ領域 (VECTOR_MEMORY_SIZE で制御) であり、具体的には HNSW インデックス (グラフ構造) と IVF インデックスのメタデータ (セントロイドなど) (B) を格納します。これにより、ベクター検索のメモリ使用量が最適化され、重要なインデックス データに高速クエリでアクセスできるようになります。パーティショニング (A) は関係ありません。これは表領域の機能です。SQL 実行時間 (C) がメモリ効率の向上によって間接的に恩恵を受ける可能性はありますが、それが目的ではありません。非ベクター データ (D) は別の場所 (PGA、バッファ キャッシュなど) に存在します。Oracle は、AI ワークロードを強化するためにベクター プールを割り当て、インデックスが他のメモリと競合しないようにしています。これは、ベクター検索の重要性が高まっていることを反映した設計上の選択です。