Rychlý návod: Agentické načítání v portálu Azure

V tomto rychlém úvodu použijte na portálu Azure funkci agentické načítání k vytvoření konverzačního vyhledávacího prostředí využívajícího dokumenty indexované ve službě Azure AI Vyhledávač a velký jazykový model (LLM) z Azure OpenAI ve Foundry Models.

Portál vás provede procesem vytváření následujících objektů:

• Zdroj knowledge, který odkazuje na kontejner v Azure Blob Storage. Když vytvoříte znalostní zdroj blob, Azure AI Vyhledávač automaticky vygeneruje index a další objekty kanálu pro získávání a obohacení obsahu pro agentem podporované načítání.

• Znalostní báze, která používá plánování dotazů na základě LLM (Preview) k odvození potřeb podkladových informací a provádění poddotazů a syntézy odpovědí (Preview) k formulování odpovědi v přirozeném jazyce.

Následně otestujete znalostní bázi odesláním složitého dotazu, který vyžaduje informace z více dokumentů a kontrolu syntetizované odpovědi.

Požadavky

• Účet Azure s aktivním předplatným. Vytvořte si bezplatný účet.

• Služba Azure AI Vyhledávač v libovolném regionu , který nabízí agentní vyhledávání. Tento rychlý start vyžaduje úroveň Basic nebo vyšší pro podporu spravované identity.

• Účet úložiště Azure Blob Storage.

• Projekt Microsoft Foundry a zdroj. Při vytváření projektu se zdroj vytvoří automaticky.

• Vložený model nasazený do projektu pro převod textu na vektor. Můžete použít libovolný text-embedding model, například text-embedding-3-large.

• LLM nasazený do projektu pro plánování dotazů a generování odpovědí. Můžete použít libovolný LLM podporovaný portálem.

Podporované LLM

I když agentní vyhledávání programově podporuje několik LLM, portál v současné době podporuje následující LLM:

• gpt-4o
• gpt-4o-mini
• gpt-5
• gpt-5-mini
• gpt-5-nano

Konfigurace přístupu

Než začnete, ujistěte se, že máte oprávnění pro přístup k obsahu a operacím. Tento rychlý start používá Microsoft Entra ID pro ověřování a přístup na základě role k autorizaci. Abyste mohli přiřadit role, musíte být vlastníkem nebo správcem uživatelských přístupů . Pokud role nejsou proveditelné, použijte místo toho ověřování založené na klíči .

Pro konfiguraci přístupu pro tento rychlý průvodce postupujte následovně:

1. Přihlaste se k portálu Azure.

2. Ve službě Azure AI Vyhledávač:

   1. Povolte přístup na základě role.

   2. Vytvořte spravovanou identitu přiřazenou systémem.

   3. Přiřaďte k vašemu uživatelskému účtu následující role: Přispěvatel vyhledávací služby, Přispěvatel datindexu vyhledávání a Čtenář dat indexu vyhledávání.

3. V účtu Azure Blob Storage přiřaďte identitu vyhledávací služby ke spravované identitě Storage Blob Data Contributor.

4. Na prostředku Microsoft Foundry přiřaďte Uživatel služby Cognitive Services spravované identitě vyhledávací služby.

Příprava ukázkových dat

V tomto rychlém průvodci se používají ukázkové dokumenty JSON z e-knihy "Země v noci" od NASA, ale můžete také použít vlastní soubory. Dokumenty popisují obecná témata vědy a obrázky Země v noci, jak bylo pozorováno z vesmíru.

Příprava ukázkových dat pro účely tohoto rychlého startu:

1. Na portálu Azure přejděte na svůj účet Azure Storage.

2. V levém podokně vyberteKontejnery> dat.

3. Vytvořte kontejner s názvem earth-at-night-data.

4. Nahrajte ukázkové dokumenty JSON do kontejneru.

Vytvoření zdroje znalostí

Zdroj znalostí je opakovaně použitelný odkaz na zdrojová data. V této části vytvoříte zdroj znalostí objektů blob, který aktivuje vytvoření zdroje dat, sady dovedností, indexu a indexeru pro automatizaci indexování a rozšiřování dat. Tyto objekty si prohlédnete v další části.

Nakonfigurujete také vektorizátor, který používá nasazený vložený model k převodu textu na vektory a porovnávání dokumentů na základě sémantické podobnosti. Vektorizátor, vektorová pole a vektory se přidají do automaticky generovaného indexu.

Vytvoření zdroje znalostí pro tento rychlý start:

1. Přejděte do vyhledávací služby na portálu Azure.

2. V levém podokně vyberte Načítání agentů>Zdroje znalostí.

3. Vyberte Přidat zdroj znalostí> znalostí.

4. Vyberte Azure datový objekt (indexovaný).

5. Zadejte název earth-at-night-ks a pak vyberte své předplatné, účet úložiště a kontejner s ukázkovými daty.

6. Zaškrtněte políčko Ověřit pomocí spravované identity . Typ identity ponechte přiřazený systémem.

7. V části Povolit vektorizaci textu vyberte Přidat vektorizátor.

8. Jako typ vyberte Microsoft Foundry a pak vyberte své předplatné, projekt a nasazení vložení modelu.

9. Vyberte identitu přiřazenou systémem pro typ ověřování.

10. Uložte vektorizátor.

11. Vytvořte zdroj znalostí.

    

Vytvoření znalostní báze

Znalostní báze používá váš zdroj znalostí a nasadí LLM k orchestraci načítání agentů. Když uživatel odešle složitý dotaz, vygeneruje plánování dotazů založené na LLM (Preview) poddotazy, které se odesílají současně do vašeho zdroje znalostí. Azure AI Vyhledávač výsledky se pak sémanticky řadí podle relevance a kombinuje nejlepší výsledky do jedné sjednocené odpovědi.

Výstupní režim určuje, jak znalostní báze formuluje odpovědi. Pro generování odpovědí v přirozeném jazyce můžete použít extrahová data pro doslovný obsah nebo syntézu odpovědí (Preview ). Ve výchozím nastavení portál používá syntézu odpovědí.

Vytvoření znalostní báze pro tento rychlý start:

1. V levém podokně vyberte Načítání agentů>Znalostní báze.

2. VybertePřidat znalostní bázi Přidat znalostní bázi.>

3. Zadejte název earth-at-night-kb.

4. V části Model dokončení chatu vyberte Přidat nasazení modelu.

5. Jako druh vyberte Microsoft Foundry a pak vyberte své předplatné, projekt a nasazení LLM.

6. Vyberte identitu přiřazenou systémem pro typ ověřování.

7. Uložte nasazení modelu.

8. V části Zdroje znalostí vyberte earth-at-night-ks.

9. Vytvořte znalostní bázi.

   

Testování agentního načítání

Portál poskytuje chatovací hřiště, kde můžete odesílat retrieve žádosti do znalostní báze. Odpovědi obsahují odkazy na vaše znalostní zdroje a informace o ladění procesu vyhledávání.

Dotazování znalostní báze:

1. Pomocí chatovacího pole odešlete následující dotaz.

   Why do suburban belts display larger December brightening than urban cores even though absolute light levels are higher downtown? Why is the Phoenix nighttime street grid is so sharply visible from space, whereas large stretches of the interstate between midwestern cities remain comparatively dim?
   

2. Zkontrolujte syntetizovanou odpověď na základě citace, která by měla být podobná následujícímu příkladu.

   Suburban belts show larger December brightening in satellite nighttime lights than urban cores mainly because of relative (percentage) change effects and differences in how light is used and distributed. Areas with lower baseline light (suburbs, residential streets) can increase lighting use or reflect more light in winter and so show a bigger percent change, while bright urban cores are already near sensor saturation so their relative increase is small. The retrieved material explains that brightest lights are generally the most urbanized but not necessarily the most populated, and that poor or low‑light areas can have large populations but low availability or use of electric lights; thus lower‑light suburbs can exhibit larger relative changes when seasonal lighting rises.
   

3. Výběrem ikony ladění zkontrolujte protokol aktivit, který by se měl podobat následujícímu formátu JSON.

   [
     {
       "type": "modelQueryPlanning",
       "id": 0,
       "inputTokens": 1518,
       "outputTokens": 284,
       "elapsedMs": 3001
     },
     {
       "type": "azureBlob",
       "id": 1,
       "knowledgeSourceName": "earth-at-night-ks",
       "queryTime": "2025-12-12T18:54:28.792Z",
       "count": 1,
       "elapsedMs": 456,
       "azureBlobArguments": {
         "search": "causes of December brightening in satellite nighttime lights suburban vs urban cores"
       }
     },
     {
       "type": "azureBlob",
       "id": 2,
       "knowledgeSourceName": "earth-at-night-ks",
       "queryTime": "2025-12-12T18:54:29.389Z",
       "count": 3,
       "elapsedMs": 596,
       "azureBlobArguments": {
         "search": "factors affecting seasonal variation in nighttime lights December winter brightening suburban belts urban cores"
       }
     },
     {
       "type": "azureBlob",
       "id": 3,
       "knowledgeSourceName": "earth-at-night-ks",
       "queryTime": "2025-12-12T18:54:29.862Z",
       "count": 6,
       "elapsedMs": 472,
       "azureBlobArguments": {
         "search": "why is Phoenix street grid highly visible at night from space compared to dim interstates in the Midwest reasons lighting patterns road lighting urban form"
       }
     },
     {
       "type": "agenticReasoning",
       "id": 4,
       "retrievalReasoningEffort": {
         "kind": "low"
       },
       "reasoningTokens": 111243
     },
     {
       "type": "modelAnswerSynthesis",
       "id": 5,
       "inputTokens": 7514,
       "outputTokens": 1058,
       "elapsedMs": 12334
     }
   ]
   

   Protokol aktivit nabízí přehled o krocích provedených během načítání, včetně plánování a provádění dotazů, sémantického řazení a syntézy odpovědí. Další informace najdete v tématu Kontrola pole aktivit.

Kontrola vygenerovaných objektů

Azure AI Vyhledávač automaticky vygeneruje zdroj dat, sadu schopností, index a indexer pro každý blob knowledge source. Tyto objekty tvoří ucelený kanál pro příjem dat, rozšiřování, vytváření bloků dat a vektorizaci. Tyto objekty můžete prostudovat a zjistit, jakým způsobem se vaše data zpracovávají pro účely agentního získávání.

Kontrola automaticky generovaných objektů:

1. V levém podokně vyberte Správa hledání.

2. Zkontrolujte indexer kvůli zprávám o úspěchu nebo selhání. Tady se zobrazí chyby připojení nebo kvóty.

3. Zkontrolujte zdroj dat a zajistěte připojení ke kontejneru vašich blob storage.

4. Zkontrolujte schopnosti, abyste zjistili, jak je váš obsah členěný a vektorizovaný pomocí modelu zapouzdření.

5. Zkontrolujte index a podívejte se, jak se váš obsah indexuje a zobrazuje pro načtení, včetně polí, která jsou prohledávatelná a filtrovatelná a která pole ukládají vektory pro vyhledávání podobnosti. Pomocí Průzkumníka služby Search můžete spouštět dotazy na vygenerovaný index.

Vyčištění prostředků

Když pracujete ve vlastním předplatném, je vhodné dokončit projekt odebráním prostředků, které už nepotřebujete. Prostředky, které zůstávají spuštěné, vás mohou stát peníze.

Na portálu Azure vyberte Všechny prostředky nebo Zdrojové skupiny v levém podokně a vyhledejte a spravujte prostředky. Prostředky můžete odstranit jednotlivě nebo odstranit skupinu prostředků a odebrat tak všechny prostředky najednou.

Zdroj znalostí a znalostní bázi můžete také odstranit na příslušných stránkách portálu. Když odstraníte zdroj znalostí, portál vás vyzve k odstranění přidruženého zdroje dat, sady dovedností, indexu a indexeru.

Další krok