Hinweis
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, sich anzumelden oder das Verzeichnis zu wechseln.
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, das Verzeichnis zu wechseln.
Hinweis
Foundry IQ (Azure KI-Suche) bietet direkte Indizierungs- und Abfrage-APIs zusammen mit Wissensquellen- und Knowledge Base-APIs auf höherer Ebene für den verwalteten Abruf. Verwenden Sie das Azure Portal, REST-APIs oder Azure SDKs, um diese Funktionen zu konfigurieren, oder verbinden Sie Agents mit Wissensdatenbanken im Microsoft Foundry-Portal.
Important
Features oder Funktionen, die in diesem Artikel als "Vorschau" gekennzeichnet sind, befinden sich in der öffentlichen Vorschau und unterliegen den ergänzenden Nutzungsbedingungen für Microsoft Azure Previews.
Die für Foundry IQ (Azure KI-Suche) spezifischen Vorschaubedingungen finden Sie unter Vorschaufunktionen.
Verwenden Sie beim agentischen Abruf den Aufwand für die Abruflogik, um zu steuern, wie viel Abfrageplanung erfolgt, bevor Ihre Wissensdatenbank Inhalte abruft. Die GA-REST-API 2026-10-01 unterstützt minimal, lowund medium.
auto ist ein Vorschaufeature, das eine unterstützende Vorschau-API-Version erfordert. In der 2026-11-01-preview REST-API kann der Schlussfolgerungsaufwand auch auf die Abfrageplanung von Microsoft Retriever 1 angewendet werden. Weitere Informationen finden Sie unter Verwenden von Microsoft Retriever 1.
Legen Sie diese Eigenschaft in einer Wissensdatenbank oder einer Abrufanforderung fest. Die Anfrageeinstellung setzt die Wissensbasiseinstellung außer Kraft. Legen Sie sie explizit fest, anstatt sich auf einen Dienststandard zu verlassen, der je nach aktivierten Features variieren kann. Planungsaufwand und Antwortsynthese sind separate Auswahlmöglichkeiten.
Nutzungssupport
| Azure Portal | Microsoft Foundry-Portal | .NET SDK | Python SDK | Java SDK | JavaScript SDK | REST-API |
|---|---|---|---|---|---|---|
| ✔️ | ✔️ | ✔️ | ✔️ | ✔️ | ✔️ | ✔️ |
Voraussetzungen
Eine vorhandene Wissensbasis mit mindestens einer Wissensquelle. Ein Modell ist für
low,medium,auto(Vorschau), die Antwortsynthese oder die Webzusammenfassung erforderlich, jedoch nicht für modellfreie minimale Extraktion.Berechtigung zum Aktualisieren und Abfragen von Wissensdatenbanken. Konfigurieren Sie die schlüssellose Authentifizierung mit den Rollen "Suchdienstmitwirkender" und " Suchindexdatenleser ", die Ihrem Benutzerkonto zugewiesen sind (empfohlen), oder verwenden Sie einen Administrator-API-Schlüssel.
Das neueste
Azure.Search.DocumentsVorschaupaket:dotnet add package Azure.Search.Documents --prereleaseFür die schlüssellose Authentifizierung das Paket
Azure.Identity:dotnet add package Azure.Identity
Das neueste
azure-search-documentsVorschaupaket:pip install --pre azure-search-documentsFür die schlüssellose Authentifizierung das Paket
azure-identity:pip install azure-identity
Die
2026-10-01Search-REST-API gilt für GA-Leistungsstufen. Fürautoverwenden die REST-Beispiele 2026-11-01-preview, während SDK-Beispiele ihren bestehenden Vorschaupaketvertrag beibehalten.Fügen Sie für die schlüssellose Authentifizierung ein Microsoft Entra ID-Token in den
AuthorizationHeader jeder HTTP-Anforderung ein.
Wählen Sie einen Denkaufwand aus.
Wählen Sie einen Denkaufwand je nach dem gewünschten Kompromiss zwischen Latenz, Kosten und Abruftiefe.
Begründungsanstrengungsstufen
In der 2026-11-01-preview REST-API ändert das Hinzufügen von Microsoft Retriever 1 ({"kind":"microsoftRetriever1"}) zu einer Knowledge Base, wie minimale und automatische Planabfragen ausgeführt werden. Schritte zum Einrichten finden Sie unter Verwenden von Microsoft Retriever 1.
Minimal: Eine Wissensdatenbank mit nur Microsoft Retriever 1 unterstützt Minimal, aber nicht Auto, Niedrig oder Mittel.
- Mit genau einer semantischen Absicht, die die vollständige Frage enthält, kann Minimal Microsoft Retriever 1 für die Abfrageplanung verwenden.
- Mit mehreren semantischen Absichten überspringt Minimal die Planung mit Microsoft Retriever 1, führt für jede Absicht die normale Minimal-Suche aus und führt die Ergebnisse zusammen.
Auto (Vorschau): Erfordert ein Zwei-Modell-Paar: genau ein Microsoft Retriever 1-Modell und genau ein externes
azureOpenAIoderopenAICompatiblePlanungsmodell in beliebiger Reihenfolge. Microsoft Retriever 1 verarbeitet nur die Abrufplanung, daher erfordert die Antwortsynthese das externe Modell.- Bei einer zulässigen Anfrage mit einer semantischen Intention beginnt Auto mit einer anfänglichen Vertrauensbewertung und kann Ergebnisse sofort zurückgeben. Andernfalls kann Auto Microsoft Retriever 1 für eine eingehendere Suche verwenden und dann zum externen Modell auf Medium eskalieren.
- Mit mehreren semantischen Absichten überspringt Auto den anfänglichen Durchlauf und Microsoft Retriever 1 und beginnt mit dem externen Modell bei Medium.
| Ebene | Beschreibung | Empfehlung | Grenzen |
|---|---|---|---|
minimal |
Ordinary Minimal umgeht die modellbasierte Planung und durchsucht alle infrage kommenden Wissensquellen.
alwaysQuerySource: false schließt keine Quelle aus. |
Verwenden Sie minimal mit semantischen Intents, wenn Sie die Planung selbst verwalten. |
|
low |
Führt einen einzelnen Pass der LLM-basierten Planung und Quellauswahl aus und führt dann die Ergebnisse zusammen. Antwortsynthese ist optional. | Verwenden Sie low für die modellgestützte Planung ohne den tieferen iterativen Durchlauf. |
Erfordert ein Modell. Ausgabebudgets sind von konfigurations- und aktivierten Features abhängig, nicht von einer festen synthetisierten Antwortlänge. |
medium |
Fügt einen tieferen Abruf hinzu und bewertet, ob eine Nachverfolgungs iteration erforderlich ist. | Verwenden Sie medium für tiefere modellgestützte Abrufe. |
Erfordert ein Modell. Verfügbar in ausgewählten Regionen. |
auto (Vorschau) |
Beginnt mit einem einfachen Abrufdurchlauf und kann zur modellbasierten Planung eskalieren. | Verwenden Sie auto, um dem Dienst die Auswahl des Aufwands für eine Anforderung zu ermöglichen. |
Erfordert ein Modell und eine unterstützende Vorschau-API, z. B. 2026-08-01-preview oder 2026-11-01-preview. Wird in 2026-10-01nicht unterstützt. |
Ein GA-REST-Beispiel mit explizitem Aufwand finden Sie unter Abrufen mit 2026-10-01 REST. Ein separates 2026-11-01-preview Beispiel finden Sie unter Antwortsynthese mit REST verwenden.
Iterative Suche für mittlere Abrufe
Ein mittlerer Abruf von Gründen bietet iterative Suche, wenn die anfänglichen Ergebnisse nicht ausreichend relevant sind. Ein zusätzliches semantisches Klassifizierermodell wird aufgerufen, um festzustellen, ob eine zweite Iteration erforderlich ist.
Der semantische Klassifizierer:
Erkennt, wenn genügend Kontext vorhanden ist, um die Frage zu beantworten.
Erneute Versuche bei unzureichenden Ergebnissen unter Verwendung vorhandener Informationen für den Kontext. Neue Abfragen können einen Drilldown für genauere Details ausführen oder die Suche erweitern. Das Aktivitätsprotokoll in der Antwort zeigt die generierten Abfragen an, die für eine umfassendere Antwort verwendet werden.
Neubewertung unter Verwendung der L3-Klassifikation. Der Bereich ist identisch mit der L2-Rangfolge, einem absoluten Bereich von Null bis 4,0.
Es gibt nur einen Wiederholungsversuch. Jede Iteration fügt Latenz und Kosten hinzu, sodass das System den Wiederholungsversuche auf einen Durchlauf beschränkt. Eine zweite Iteration fügt der Abfragepipeline Eingabe-Token hinzu, was zur insgesamt in Rechnung stellbaren Eingabe-Token-Anzahl beiträgt.
Iteration kann vorhandene Wissensquellen wiederverwenden oder verschiedene Quellen auswählen. Der zweite Durchgang wählt die vielversprechendste Wissensquelle aus, um die fehlenden Informationen bereitzustellen.
Regionsunterstützung für mittleren Abruf
Sie können einen mittleren Abruf-Begründungsaufwand festlegen, wenn sich Ihr Foundry IQ-Dienst in einer der folgenden Regionen befindet:
- Ost-USA 2
- Ost-USA
- Süd-Mittel-USA
- USA, Westen 3
- USA, Westen 2
- USA, Westen
- Deutschland West Central
- Nordeuropa
- Schweiz Nord
- Schweden Zentral
- Spanien Zentral
- Vereinigtes Königreich Süd
- Korea Zentral
- Japan Ost
- Südostasien
Festlegen des Begründungsaufwands in einer Wissensbasis
Legen Sie retrievalReasoningEffort in einer Knowledge Base-Definition fest, um die Standardeinstellung für ihre Abfragen festzulegen. Der auto Argumentationsaufwand erfordert eine Modellkonfiguration. Das folgende Beispiel behält die bestehende Konfiguration knowledgeSources und auto bei, setzt den Reasoning-Aufwand auf models und aktualisiert die Wissensdatenbank.
using Azure.Identity;
using Azure.Search.Documents.Indexes;
using Azure.Search.Documents.Indexes.Models;
using Azure.Search.Documents.KnowledgeBases.Models;
var endpoint = new Uri("<search-endpoint>");
var credential = new DefaultAzureCredential();
var knowledgeBaseName = "<knowledge-base-name>";
var indexClient = new SearchIndexClient(endpoint, credential);
var knowledgeBase = (
await indexClient.GetKnowledgeBaseAsync(knowledgeBaseName)).Value;
knowledgeBase.RetrievalReasoningEffort =
new KnowledgeRetrievalAutoReasoningEffort();
await indexClient.CreateOrUpdateKnowledgeBaseAsync(knowledgeBase);
Referenz:KnowledgeBase
Wenn Sie eine andere Ebene verwenden möchten, ersetzen Sie diese durch KnowledgeRetrievalAutoReasoningEffort , oder KnowledgeRetrievalLowReasoningEffortKnowledgeRetrievalMediumReasoningEffort.KnowledgeRetrievalMinimalReasoningEffort
from azure.identity import DefaultAzureCredential
from azure.search.documents.indexes import SearchIndexClient
from azure.search.documents.knowledgebases.models import (
KnowledgeRetrievalAutoReasoningEffort,
)
endpoint = "<search-endpoint>"
credential = DefaultAzureCredential()
knowledge_base_name = "<knowledge-base-name>"
index_client = SearchIndexClient(endpoint, credential)
knowledge_base = index_client.get_knowledge_base(knowledge_base_name)
knowledge_base.retrieval_reasoning_effort = (
KnowledgeRetrievalAutoReasoningEffort()
)
index_client.create_or_update_knowledge_base(knowledge_base)
Referenz:KnowledgeBase
Wenn Sie eine andere Ebene verwenden möchten, ersetzen Sie diese durch KnowledgeRetrievalAutoReasoningEffort , oder KnowledgeRetrievalLowReasoningEffortKnowledgeRetrievalMediumReasoningEffort.KnowledgeRetrievalMinimalReasoningEffort
@api-version = 2026-11-01-preview
@knowledge-base-url = {{search-endpoint}}/knowledgebases/{{knowledge-base-name}}
PUT {{knowledge-base-url}}?api-version={{api-version}}
Content-Type: application/json
Authorization: Bearer {{search-access-token}}
{
"name": "{{knowledge-base-name}}",
"knowledgeSources": [
{
"name": "{{knowledge-source-name}}"
}
],
"models": [
{
"kind": "azureOpenAI",
"azureOpenAIParameters": {
"resourceUri": "{{aoai-endpoint}}",
"authIdentity": null,
"deploymentId": "{{model-deployment-name}}",
"modelName": "{{model-name}}"
}
}
],
"retrievalReasoningEffort": {
"kind": "auto"
}
}
Referenz:Wissensdatenbanken – Erstellen oder Aktualisieren
Um eine andere Ebene zu verwenden, setzen Sie retrievalReasoningEffort.kind auf minimal, low oder medium.
Festlegen des Aufwands für die Begründung in einer Abruf-Anforderung
Legen Sie retrievalReasoningEffort in einer Abrufanfrage fest, um den Standard der Knowledge Base für diese Anfrage außer Kraft zu setzen. Im folgenden Beispiel wird eine Nachricht gesendet, low verwendet, um den Standardwert auto aus dem vorherigen Abschnitt zu überschreiben, und die Antwortsynthese (Vorschau) aktiviert.
using Azure.Identity;
using Azure.Search.Documents.KnowledgeBases;
using Azure.Search.Documents.KnowledgeBases.Models;
var endpoint = new Uri("<search-endpoint>");
var credential = new DefaultAzureCredential();
var knowledgeBaseName = "<knowledge-base-name>";
var kbClient = new KnowledgeBaseRetrievalClient(
endpoint, knowledgeBaseName, credential);
var request = new KnowledgeBaseRetrievalRequest
{
RetrievalReasoningEffort =
new KnowledgeRetrievalLowReasoningEffort(),
OutputMode = KnowledgeRetrievalOutputMode.AnswerSynthesis
};
request.Messages.Add(
new KnowledgeBaseMessage(
content: new[] {
new KnowledgeBaseMessageTextContent("What is the return policy?")
}
) { Role = "user" }
);
var result = await kbClient.RetrieveAsync(request);
Referenz:KnowledgeBaseRetrievalRequest
from azure.identity import DefaultAzureCredential
from azure.search.documents.knowledgebases import KnowledgeBaseRetrievalClient
from azure.search.documents.knowledgebases.models import (
KnowledgeBaseMessage,
KnowledgeBaseMessageTextContent,
KnowledgeBaseRetrievalRequest,
KnowledgeRetrievalOutputMode,
KnowledgeRetrievalLowReasoningEffort,
)
endpoint = "<search-endpoint>"
credential = DefaultAzureCredential()
knowledge_base_name = "<knowledge-base-name>"
kb_client = KnowledgeBaseRetrievalClient(
endpoint,
credential,
knowledge_base_name=knowledge_base_name,
)
request = KnowledgeBaseRetrievalRequest(
messages=[
KnowledgeBaseMessage(
role="user",
content=[
KnowledgeBaseMessageTextContent(
text="What is the return policy?"
)
],
)
],
retrieval_reasoning_effort=KnowledgeRetrievalLowReasoningEffort(),
output_mode=KnowledgeRetrievalOutputMode.ANSWER_SYNTHESIS,
)
result = kb_client.retrieve(request)
Referenz:KnowledgeBaseRetrievalRequest
@api-version = 2026-11-01-preview
@retrieve-url = {{search-endpoint}}/knowledgebases/{{knowledge-base-name}}/retrieve
POST {{retrieve-url}}?api-version={{api-version}}
Content-Type: application/json
Authorization: Bearer {{search-access-token}}
{
"messages": [
{
"role": "user",
"content": [
{
"type": "text",
"text": "What is the return policy?"
}
]
}
],
"retrievalReasoningEffort": {
"kind": "low"
},
"outputMode": "answerSynthesis"
}
Reference:Knowledge Retrieval - Abrufen
Die Abrufanfrage gibt eine fundierte Antwort auf der Grundlage der in der Wissensbasis konfigurierten Wissensquellen zurück.