Vytvoření vektorového dotazu v Azure AI Vyhledávač

Poznámka

Azure AI Vyhledávač je k dispozici prostřednictvím portálu Azure, rozhraní REST API a Sady Azure SDK. Podporuje také Foundry IQ, spravovanou znalostní vrstvu, která transformuje podnikový obsah na opakovaně použitelné znalostní báze s podporou oprávnění pro agenty na portálu Microsoft Foundry.

Pokud máte v Azure AI Vyhledávač vector index, vysvětluje tento článek postupy:

Pole vektoru dotazu
Dotazování více vektorových polí najednou
Nastavení vektorových vah
Dotazování pomocí integrované vektorizace
Nastavení prahových hodnot pro vyloučení výsledků s nízkým skóre (Preview)

Tento článek používá REST pro ilustraci. Jakmile porozumíte základnímu pracovnímu postupu, pokračujte v ukázkách kódu Azure SDK v úložišti azure-search-vector-samples, která poskytují ucelená řešení, která zahrnují vektorové dotazy.

Můžete také použít Vyhledávací průzkumník na portálu Azure.

Požadavky

Služba Azure AI Vyhledávač v libovolné oblasti a na libovolné úrovni.
Vektorový index. Zkontrolujte oddíl v indexu vectorSearch a ověřte jeho přítomnost.
Volitelně můžete do indexu přidat vektorizátor pro předdefinovaný převod textu na vektor nebo převod obrázků na vektor během dotazů.
Visual Studio Code s klientem REST a ukázkovými daty, pokud chcete tyto příklady spustit sami. Pokud chcete začít s klientem REST, přečtěte si článek Rychlý start: Fulltextové vyhledávání pomocí REST.

Převod vstupu řetězce dotazu na vektor

Pokud chcete dotazovat vektorové pole, musí být samotný dotaz vektorem.

Jedním z přístupů k převodu textového řetězce dotazu uživatele na jeho vektorové vyjádření je volání vložené knihovny nebo rozhraní API do kódu aplikace. Osvědčeným postupem je vždy použít stejné modely vkládání, které se používají k vygenerování vkládání ve zdrojových dokumentech. Můžete najít ukázky kódu ukazující, jak generovat embeddingy, v úložišti azure-search-vector-samples.

Druhým přístupem je užití integrované vektorizace, která je nyní obecně dostupná, aby Azure AI Vyhledávač zpracovávala vstupy a výstupy vektorizace dotazů.

Tady je příklad dotazovacího řetězce REST API odeslaného do nasazení modelu pro vkládání Azure OpenAI.

POST https://{{openai-service-name}}.openai.azure.com/openai/deployments/{{openai-deployment-name}}/embeddings?api-version={{openai-api-version}}
Content-Type: application/json
api-key: {{admin-api-key}}
{
    "input": "what azure services support generative AI'"
}

Očekávaná odpověď je 202 pro úspěšné volání nasazeného modelu.

Pole embedding v těle odpovědi je vektorové znázornění řetězce inputdotazu . Pro účely testování byste zkopírovali hodnotu embedding pole do vectorQueries.vector požadavku dotazu pomocí syntaxe uvedené v následujících několika částech.

Skutečná odpověď na toto volání POST nasazeného modelu zahrnuje 1 536 vkládání. Pro čitelnost tento příklad ukazuje pouze několik prvních vektorů.

{
    "object": "list",
    "data": [
        {
            "object": "embedding",
            "index": 0,
            "embedding": [
                -0.009171937,
                0.018715322,
                ...
                -0.0016804502
            ]
        }
    ],
    "model": "ada",
    "usage": {
        "prompt_tokens": 7,
        "total_tokens": 7
    }
}

V tomto přístupu zodpovídá kód aplikace za připojení k modelu, generování vložených objektů a zpracování odpovědi.

Žádost o vektorový dotaz

Tato část ukazuje základní strukturu vektorového dotazu. K formulování vektorového dotazu můžete použít portál Azure, rozhraní REST API nebo Sady Azure SDK.

Pokud migrujete z verze 2023-07-01-preview, dojde k zásadním změnám. Další informace najdete v tématu Upgrade na nejnovější rozhraní REST API.

Stabilní verze podporuje:

vectorQueries je konstruktor pro vektorové vyhledávání.
vectorQueries.kind je nastaveno na vector pro vektorové pole nebo text pokud je vstup řetězec a máte nástroj pro vektorizaci.
vectorQueries.vector je dotaz (vektorové znázornění textu nebo obrázku).
vectorQueries.exhaustive (volitelné) vyvolá exhaustivní KNN při dotazu, i když je pole indexováno pro HNSW.
vectorQueries.fields (volitelné) cílí na konkrétní pole pro provádění dotazů (až 10 na dotaz).
vectorQueries.weight (volitelné) určuje relativní váhu každého vektorového dotazu zahrnutého do vyhledávacích operací. Další informace naleznete v tématu Hmotnost vektoru.
vectorQueries.k je počet shod, které mají být vráceny.

V následujícím příkladu je vektor reprezentací tohoto řetězce: "what Azure services support full text search". Dotaz cílí na contentVector pole a vrátí k výsledky. Skutečný vektor má 1 536 vkládání, které jsou v tomto příkladu oříznuté kvůli čitelnosti.

POST https://{{search-service-name}}.search.windows.net/indexes/{{index-name}}/docs/search?api-version=2026-04-01
Content-Type: application/json
api-key: {{admin-api-key}}
{
    "count": true,
    "select": "title, content, category",
    "vectorQueries": [
        {
            "kind": "vector",
            "vector": [
                -0.009154141,
                0.018708462,
                . . . 
                -0.02178128,
                -0.00086512347
            ],
            "exhaustive": true,
            "fields": "contentVector",
            "weight": 0.5,
            "k": 5
        }
    ]
}

2026-08-01-preview je nejnovější preview verze rozhraní API Search - POST. Podporuje stejnou syntaxi vektorového dotazu jako 2026-04-01, ale má další parametry pro hybridní vyhledávání a minimální prahové hodnoty pro vyloučení slabších výsledků.

Tato verze Preview podporuje:

threshold pro vyloučení výsledků s nízkým skóre.
hybridSearch.MaxTextRecallSize pro větší kontrolu nad vstupy hybridního dotazu.

POST https://{{search-service-name}}.search.windows.net/indexes/{{index-name}}/docs/search?api-version=2026-08-01-preview
Content-Type: application/json
api-key: {{admin-api-key}}
{
    "count": true,
    "select": "title, content, category",
    "hybridSearch": {
        "maxTextRecallSize": 100,
        "countAndFacetMode": "countAllResults"
        }
    "vectorQueries": [
        {
            "kind": "vector",
            "vector": [
                -0.009154141,
                0.018708462,
                . . . 
                -0.02178128,
                -0.00086512347
            ],
            "fields": "contentVector",
            "k": 5,
            "exhaustive": true,
            "weight": 2,
            "threshold": {
                "kind": "vectorSimilarity",
                "value": 0.8
            },

        }
    ]
}

Odpověď vektorových dotazů

V Azure AI Vyhledávač se odpovědi na dotazy ve výchozím nastavení skládají ze všech polí retrievable. Je ale běžné omezit výsledky hledání na podmnožinu retrievable polí jejich výpisem select v příkazu.

V vektorovém dotazu pečlivě zvažte, jestli v odpovědi potřebujete vektorová pole. Vektorová pole nejsou čitelná člověkem, takže pokud odesíláte odpověď na webovou stránku, měli byste zvolit nevectorová pole, která představují výsledek. Pokud se například dotaz provede proti contentVector, můžete místo toho vrátit content.

Pokud chcete ve výsledku vektorová pole, tady je příklad struktury odpovědi. contentVector je pole řetězců vložených objektů, které jsou v tomto příkladu oříznuté kvůli čitelnosti. Skóre hledání označuje relevanci. Další nevectorová pole jsou zahrnuta pro kontext.

{
    "@odata.count": 3,
    "value": [
        {
            "@search.score": 0.80025613,
            "title": "Azure Search",
            "category": "AI + Machine Learning",
            "contentVector": [
                -0.0018343845,
                0.017952163,
                0.0025753193,
                ...
            ]
        },
        {
            "@search.score": 0.78856903,
            "title": "Azure Application Insights",
            "category": "Management + Governance",
            "contentVector": [
                -0.016821077,
                0.0037742127,
                0.016136652,
                ...
            ]
        },
        {
            "@search.score": 0.78650564,
            "title": "Azure Media Services",
            "category": "Media",
            "contentVector": [
                -0.025449317,
                0.0038463024,
                -0.02488436,
                ...
            ]
        }
    ]
}

Klíčové body:

k určuje, kolik výsledků nejbližšího souseda se vrátí, v tomto případě tři. Vektorové dotazy vždy vrací k výsledky za předpokladu, že existují alespoň k dokumenty, i když některé dokumenty mají špatnou podobnost. Důvodem je to, že algoritmus najde jakékoliv nejbližší k sousedy k vektoru dotazu.
Algoritmus vektorového vyhledávání určuje @search.score.
Pole ve výsledcích hledání jsou všechna retrievable pole nebo pole v select klauzuli. Při provádění dotazů na vektorová data se srovnává pouze vektorová data. Odpověď však může obsahovat libovolné retrievable pole v indexu. Vzhledem k tomu, že neexistuje žádné zařízení pro dekódování výsledku vektorového pole, je zahrnutí nevectorových textových polí užitečné pro jejich hodnoty čitelné člověkem.

Více vektorových polí

Vlastnost můžete nastavit vectorQueries.fields na více vektorových polí. Vektorový dotaz se provede pro každé vektorové pole, které zadáte v fields seznamu. Můžete zadat až 10 polí.

Při dotazování více vektorových polí se ujistěte, že každý z nich obsahuje vkládání ze stejného modelu vkládání. Dotaz by se měl vygenerovat také ze stejného modelu vkládání.

POST https://{{search-service-name}}.search.windows.net/indexes/{{index-name}}/docs/search?api-version=2026-04-01
Content-Type: application/json
api-key: {{admin-api-key}}
{
    "count": true,
    "select": "title, content, category",
    "vectorQueries": [
        {
            "kind": "vector",
            "vector": [
                -0.009154141,
                0.018708462,
                . . . 
                -0.02178128,
                -0.00086512347
            ],
            "exhaustive": true,
            "fields": "contentVector, titleVector",
            "k": 5
        }
    ]
}

Více vektorových dotazů

Víceotázové vektorové vyhledávání odesílá více dotazů napříč více vektorovými poli ve vyhledávacím indexu. Tento typ dotazu se běžně používá s modely, jako je CLIP pro multimodální vyhledávání, kde stejný model může vektorizovat text i obrázky.

Následující příklad dotazu hledá podobnosti v obou myImageVector a myTextVector a odesílá dvě zakotvení dotazů, z nichž každé se vykonává paralelně. Výsledek tohoto dotazu je hodnocen pomocí Reciprocal Rank Fusion (RRF).

vectorQueries poskytuje pole vektorových dotazů.
vector obsahuje vektory obrázků a textové vektory v indexu vyhledávání. Každá instance je samostatný dotaz.
fields určuje, na které vektorové pole cílit.
k je počet shod nejbližších sousedů, které se mají zahrnout do výsledků.

{
    "count": true,
    "select": "title, content, category",
    "vectorQueries": [
        {
            "kind": "vector",
            "vector": [
                -0.009154141,
                0.018708462,
                . . . 
                -0.02178128,
                -0.00086512347
            ],
            "fields": "myimagevector",
            "k": 5
        },
        {
            "kind": "vector"
            "vector": [
                -0.002222222,
                0.018708462,
                -0.013770515,
            . . .
            ],
            "fields": "mytextvector",
            "k": 5
        }
    ]
}

Indexy vyhledávání nemůžou ukládat obrázky. Za předpokladu, že index obsahuje pole pro soubor obrázku, výsledky hledání by zahrnovaly kombinaci textu a obrázků.

Dotazování pomocí integrované vektorizace

Tato část ukazuje vektorový dotaz, který vyvolá integrovanou vektorizaci pro převod textového nebo obrázkového dotazu na vektor. Pro tuto funkci doporučujeme stabilní 2026-04-01 rozhraní REST API, Průzkumník hledání nebo novější balíčky Azure SDK.

Předpokladem je index vyhledávání, který má nakonfigurovaný vektorizátor a přiřazený k vektorovým polím. Vektorizátor poskytuje informace o připojení k modelu vkládání použitému v době dotazu.

portál Azure
REST API

Průzkumník služby Search podporuje integrovanou vektorizaci v době dotazu. Pokud index obsahuje vektorová pole a vektorizátor, můžete použít předdefinovaný převod textu na vektor.

Přejděte do vyhledávací služby na portálu Azure.
V nabídce vlevo vyberte Správa vyhledávání>Indexy, a poté vyberte váš index.
Vyberte kartu Vektorové profily a potvrďte, že máte vektorizátor.
Vyberte kartu Průzkumník služby Search . Pomocí výchozího zobrazení dotazu můžete do vyhledávacího panelu zadat textový řetězec. Integrovaný vektorizátor převede řetězec na vektor, provede hledání a vrátí výsledky.

Případně můžete vybrat Zobrazit>zobrazení JSON a zobrazit nebo upravit dotaz. Pokud jsou vektory přítomné, Průzkumník služby Search automaticky nastaví vektorový dotaz. Pomocí zobrazení JSON můžete vybrat pole pro použití ve vyhledávání a odpovědi, přidat filtry a vytvořit pokročilejší dotazy, jako jsou hybridní dotazy. Pokud chcete zobrazit příklad JSON, vyberte kartu ROZHRANÍ REST API v této části.

Pomocí indexu – GET vrátíte definici indexu a zkontrolujete přítomnost konfigurace vektorizátoru. Vyhledejte vectorizers v definici indexu. Měl by zadat nasazený model vkládání.
Použijte funkci Hledat – POST pro požadavek dotazu.
- kind musí být nastaveno na text.
- text musí obsahovat textový řetězec. Předá se vektorizačnímu objektu přiřazeného k poli vektoru.
- fields je vektorové pole, které se má prohledávat.
- k je počet vektorových shod, které se mají vrátit.

Tady je jednoduchý příklad dotazu, který je vektorizovaný v době dotazu. Textový řetězec se vektorizuje a pak se použije k dotazování pole descriptionVector .

POST https://{{search-service}}.search.windows.net/indexes/{{index}}/docs/search?api-version=2026-04-01
{
    "select": "title, genre, description",
    "vectorQueries": [
        {
            "kind": "text",
            "text": "mystery novel set in London",
            "fields": "descriptionVector",
            "k": 5
        }
    ]
}

Tady je hybridní dotaz , který pro textové dotazy používá integrovanou vektorizaci. Tento dotaz obsahuje více vektorových polí dotazu, více nevectorových polí, filtr a sémantické řazení. Rozdíly jsou opět kind vektorový dotaz a text řetězec místo vector.

V tomto příkladu vyhledávací modul provádí tři vektorizační volání vektorizátorů přiřazených descriptionVectork , synopsisVectora authorBioVector v indexu. Výsledné vektory se používají k vyhledávání dokumentů vzhledem k jejich příslušným polí. Vyhledávací web také provede vyhledávání klíčových slov v search dotazu, což je "mystery novel set in London".

POST https://{{search-service}}.search.windows.net/indexes/{{index}}/docs/search?api-version=2026-04-01
Content-Type: application/json
api-key: {{admin-api-key}}
{
    "search":"mystery novel set in London", 
    "searchFields":"description, synopsis", 
    "semanticConfiguration":"my-semantic-config", 
    "queryType":"semantic",
    "select": "title, author, synopsis",
    "filter": "genre eq 'mystery'",
    "vectorFilterMode": "postFilter",
    "vectorQueries": [
        {
            "kind": "text",
            "text": "mystery novel set in London",
            "fields": "descriptionVector, synopsisVector",
            "k": 50
        },
        {
            "kind": "text"
            "text": "living english author",
            "fields": "authorBioVector",
            "k": 50
        }
    ]
}

Kdykoli použijete sémantické řazení s vektory, nastaví k se na hodnotu 50. Sémantický ranker používá jako vstup až 50 shod. Určení méně než 50 zbaví sémantických modelů řazení nezbytných vstupů.

Skóre výsledků ze všech čtyř dotazů jsou sloučeny pomocí hodnocení RRF. Sekundární sémantické řazení je vyvoláno pouze nad sloučenými výsledky hledání, searchFields zvýhodňující výsledky, které jsou nejvíce sémanticky zarovnány k "search":"mystery novel set in London".

Poznámka

Vektorizace probíhá během indexování a dotazování. Pokud v indexu nepotřebujete blokování a vektorizaci dat, můžete přeskočit kroky, jako je vytvoření indexeru, sady dovedností a zdroje dat. V tomto pracovním postupu se vektorizace používá pouze v době dotazu k převodu textového řetězce nebo obrázku na vložení. V indexu vyhledávání pro tento krok můžete definovat vektorizátor.

Počet seřazených výsledků v odpovědi vektorového dotazu

Vektorový dotaz určuje k parametr, který určuje, kolik shod se vrátí ve výsledcích. Vyhledávací web vždy vrátí k počet shod. Pokud k je větší než počet dokumentů v indexu, určuje počet dokumentů horní mez toho, co lze vrátit.

Pokud jste obeznámeni s fulltextovým vyhledáváním, víte, že očekáváte nulové výsledky, pokud index neobsahuje termín nebo frázi. Při vektorovém vyhledávání ale operace hledání identifikuje nejbližší sousedy a vždy vrací k výsledky, i když nejbližší sousedé nejsou tak podobné. Je možné získat výsledky pro nesmyslné dotazy nebo dotazy mimo téma, zejména pokud nepoužíváte výzvy k nastavení hranic. Méně relevantní výsledky mají horší skóre podobnosti, ale stále jsou "nejbližšími" vektory, pokud není nic bližšího. Odpověď bez smysluplných výsledků proto může stále vracet k výsledky, ale skóre podobnosti každého výsledku by bylo nízké.

Tento problém může zmírnit hybridní přístup , který zahrnuje fulltextové vyhledávání. Dalším řešením je nastavit minimální prahovou hodnotu pro skóre hledání, ale pouze v případě, že je dotaz čistě jedním vektorovým dotazem. Hybridní dotazy nejsou příznivé pro minimální prahové hodnoty, protože rozsahy RRF jsou mnohem menší a nestálější.

Mezi parametry dotazu, které ovlivňují počet výsledků, patří:

"k": n výsledky pro dotazy pouze s vektory.
"top": n výsledky pro hybridní dotazy, které obsahují search parametr.

Obě k a top jsou volitelné. Pokud není zadaný, výchozí počet výsledků v odpovědi je 50. Můžete nastavit top a skip tak, aby procházel více výsledků nebo změnit výchozí nastavení.

Algoritmy řazení používané ve vektorovém dotazu

Pořadí výsledků se vypočítá buď takto:

Metrika podobnosti.
RRF, pokud existuje více sad výsledků hledání.

Metrika podobnosti

Metrika podobnosti zadaná v části indexu vectorSearch dotazu jen pro vektor. Platné hodnoty jsou cosine, euclideana dotProduct.

Azure modely vkládání OpenAI používají kosinusovou podobnost, takže pokud používáte Azure modely vkládání OpenAI, cosine je doporučená metrika. Mezi další podporované metriky řazení patří euclidean a dotProduct.

RRF

Více sad se vytvoří, pokud dotaz cílí na více vektorových polí, spustí paralelně více vektorových dotazů nebo je hybridní vektorové a fulltextové vyhledávání s sémantickým řazením nebo bez.

Během provádění dotazu může vektorový dotaz cílit pouze na jeden interní vektorový index. U více vektorových polí a více vektorových dotazů vygeneruje vyhledávací web více dotazů, které cílí na odpovídající vektorové indexy každého pole. Výstup je sada seřazených výsledků pro každý dotaz, které jsou sloučeny pomocí RRF. Další informace najdete v části Relevance scoring pomocí Reciprocal Rank Fusion.

Vektorové váhy

weight Přidejte parametr dotazu, který určuje relativní váhu každého vektorového dotazu zahrnutého do vyhledávacích operací. Tato hodnota se používá při kombinování výsledků více seznamů řazení vytvořených dvěma nebo více vektorovými dotazy ve stejném požadavku nebo z vektorové části hybridního dotazu.

Výchozí hodnota je 1,0 a hodnota musí být kladné číslo větší než nula.

Váhy se používají při výpočtu skóre RRF každého dokumentu. Výpočet je součinem weight hodnoty s pořadovým skóre dokumentu v příslušné sadě výsledků.

Následující příklad je hybridní dotaz se dvěma řetězci vektorového dotazu a jedním textovým řetězcem. Váhy se přiřazují vektorům dotazů. První dotaz má váhu 0,5 nebo poloviční, což snižuje jeho důležitost v žádosti. Druhý vektorový dotaz je dvakrát důležitý.

POST https://[service-name].search.windows.net/indexes/[index-name]/docs/search?api-version=2026-04-01

    { 
      "vectorQueries": [ 
        { 
          "kind": "vector", 
          "vector": [1.0, 2.0, 3.0], 
          "fields": "my_first_vector_field", 
          "k": 10, 
          "weight": 0.5 
        },
        { 
          "kind": "vector", 
          "vector": [4.0, 5.0, 6.0], 
          "fields": "my_second_vector_field", 
          "k": 10, 
          "weight": 2.0
        } 
      ], 
      "search": "hello world" 
    }

Hmotnost vektorů se vztahuje pouze na vektory. Textový dotaz v tomto příkladu "hello world"má implicitní neutrální váhu 1,0. V hybridním dotazu ale můžete zvýšit nebo snížit důležitost textových polí nastavením maxTextRecallSize.

Nastavení prahových hodnot pro vyloučení výsledků s nízkým skóre (Preview)

Vzhledem k tomu, že hledání nejbližšího souseda vždy vrací požadované k sousedy, je možné získat více shod s nízkým skóre v rámci splnění k požadavku na počet výsledků hledání. Pokud chcete vyloučit výsledky hledání s nízkým skóre, můžete přidat threshold parametr dotazu, který vyfiltruje výsledky na základě minimálního skóre. Filtrování probíhá před sloučením výsledků z různých sad vyhledávání.

Tento parametr je ve verzi Preview. Doporučujeme nejnovější verzi náhledu Vyhledávání dokumentů – Post (REST API).

V tomto příkladu jsou všechny shody, které mají skóre nižší než 0,8, vyloučeny z výsledků vektorového vyhledávání, i když počet výsledků klesne pod k.

POST https://[service-name].search.windows.net/indexes/[index-name]/docs/search?api-version=2026-08-01-preview
    Content-Type: application/json 
    api-key: [admin key] 

    { 
      "vectorQueries": [ 
        { 
          "kind": "vector", 
          "vector": [1.0, 2.0, 3.0], 
          "fields": "my-cosine-field", 
          "threshold": { 
            "kind": "vectorSimilarity", 
            "value": 0.8 
          } 
        }
      ]
    }

Další kroky

V dalším kroku si projděte příklady kódu vektorového dotazu v Python, C# nebo JavaScript.

Váš názor

Byla tato stránka užitečná?

Poslední aktualizace v 2026-05-12