Azure Tartalomértés képesség

A Azure Content Understanding képesség dokumentum analizátorokat használja a Azure Content Understanding in Foundry Tools elemzésére strukturálatlan dokumentumok és egyéb tartalomtípusok elemzésére, így szervezett, kereshető kimeneteket generál, amelyek integrálhatók automatizált munkaterhelésekbe. Ez a képesség mind szöveget, mind képeket kinyer, beleértve a helyszíni metaadatokat is, amelyek megőrzik a képek pozícióját a dokumentumban. A kép közelsége a kapcsolódó tartalomhoz különösen hasznos multimodális keresésben, ügynöki lekérdezésben és a retrieval-augmented generációban (RAG).

A Azure tartalommegértés készsége egy számlázható Microsoft Foundry forrás kötött. Ellentétben más Azure AI erőforrás-készségekkel, mint például a Document Layout skill, a Azure Content Understanding képesség nem biztosít napi 20 ingyenes dokumentumot indexelőnként. Ennek a készségnek a végrehajtása Azure Content Understanding ár díj számít.

Az Azure Content Understanding képességet használhatod mind tartalomkivonásra, mind a chunkingre. Nem kell a Text Split képességet használni a képességkészletedben. Ez a képesség ugyanazt a felületet valósítja meg, mint a Document Layout képesség, amely a Azure Document Intelligence in Foundry Tools layout modelljét amikor a -re van állítva. Az Azure Content Understanding képesség azonban több előnnyel is rendelkezik a Document Layout képességgel szemben:

• A táblázatok és az alakok Markdown formátumban jelennek meg, így könnyebb megérteni őket a nagy nyelvi modellek (LLM-ek) számára. Ezzel szemben a Document Layout képesség táblázatokat és ábrákat ad letiszta szövegként, ami információvesztéshez vezethet.

• A többoldalas táblázatok esetében a Azure Tartalomértés képesség egyetlen egységként képes felismerni és kinyerni a többoldalas táblázatokat.

• A Azure Tartalomértés képesség lehetővé teszi, hogy az adattömbök szemantikai egységeken keresztül több oldalt is átfogjanak.

• Az Azure Content Understanding képesség költséghatékonyabb, mint a Document Layout képesség, mivel a Content Understanding API olcsóbb.

• Azure Tartalomértés mesterséges intelligencián alapuló leírásokat hozhat létre képekhez, diagramokhoz, diagramokhoz és beágyazott ábrákhoz. A beágyazott ábraleírások közvetlenül beolvashatók a lekéréshez létrehozott Markdown-tartalmakba. Ezek a leírások kereshetők, és javíthatják a RAG földelését és a multimodális lekérés minőségét.

A Azure Tartalomértés képesség általánosan elérhető a 2026-04-01 REST API. A képesség a 2026-05-01-previewkezdőtől kezdve a dokumentumba ágyazott képek, diagramok és diagramok (előzetes verzió) AI-alapú képleírásait is létrehozhatja. A leírások engedélyezéséhez üzembe kell helyeznie egy Azure OpenAI-csevegés-befejezési modellt a képességkészlethez csatolt Foundry-erőforrásban. Ez az API-verzió szemantikai adattömböket (előzetes verzió) is hozzáad, amely egy elrendezésérzékeny beállítás, amely tiszteletben tartja a bekezdéshatárokat, és méri az adattömbök hosszát a jogkivonatokban. Mindkét képességhez be kell jelentkezni. Az új paraméterek kihagyásakor a képesség ugyanúgy viselkedik, mint a stabil 2026-04-01 API-verzióban.

Limitations

Az Azure Content Understanding képesség a következő korlátokkal rendelkezik:

• Ez a képesség nem alkalmas nagy dokumentumokhoz, amelyek több mint öt perc feldolgozást igényelnek a Content Understanding dokumentumanalizátorban. A képesség időzítésre jár, de a költségek továbbra is érvényesek a képességhez csatolt Öntödő erőforrásra. Biztosítsd a dokumentumok optimalizálását a feldolgozási határokon belül tartsák, hogy elkerüljék a felesleges költségeket.

• Ez a képesség a Azure Content Understanding dokumentumanalizátort hívja, így minden dokumentált szolgáltatási viselkedés különböző dokumentumtípusokhoz érvényes a kimenetre. Például a Word (DOCX) és a PDF fájlok eltérő eredményeket adhatnak a képkezelés eltérő módja miatt. Ha következetes képi viselkedésre van szükség a DOCX és PDF között, fontold meg dokumentumok PDF-re konvertálását vagy a multimodális keresési dokumentáció átnézését alternatív megközelítések céljából.

Támogatott régiók

A Azure Tartalom Megértése készség a Content Understanding 2025-11-01 REST API-t hívja. Az Ön Foundry erőforrásának egy támogatott régióban kell lennie, amelyet a Azure Tartalom Megértés és Nyelvi támogatás ír le.

A kereső szolgáltatásod bármely támogatott Azure AI Keresés régióban található. Ha a Foundry erőforrás és az Azure AI Keresés szolgáltatás nem ugyanabban a régióban van, a régiók közötti hálózati késleltetés befolyásolja az indexelő teljesítményét.

Támogatott fájlformátumok

Az Azure Content Understanding képesség felismeri a következő fájlformátumokat:

• .PDF
• . JPEG
• .JPG
• .PNG
• .BMP
• . HEIF
• . TIFF
• .DOCX
• . XLSX
• .PPTX
• .HTML
• .TXT
• . MD
• . RTF
• . EML

Támogatott nyelvek

Nyomtatott szövegért lásd: Azure Tartalom Megértés régió és nyelvi támogatás.

@odata.type

Microsoft.Skills.Util.ContentUnderstandingSkill

Adatkorlátok

• Még akkor is, ha a dokumentumok elemzéséhez szükséges fájlméret a 200 MB határon belül van, ahogy azt a Azure Content Understanding szolgáltatási kvóták és korlátok leírja, az indexelés továbbra is alá van vetve a keresési szolgáltatás indexelő korlátainak előírásainak.

• A képméreteknek 50 pixel x 50 pixel vagy 10 000 pixel x 10 000 pixel között kell lenniük.

• Ha a PDF-jeid jelszóval zároltak, távolítsd el a zárolást, mielőtt elindítanád az indexert.

Képességparaméterek

A paraméterek megkülönböztetik a kis- és nagybetűket.

Készségbemenetek

A file_data bemenetnek egy objektumnak kell lennie, amely így definiálható:

{
  "$type": "file",
  "data": "BASE64 encoded string of the file"
}

Alternatívaként definiálható a következőként:

{
  "$type": "file",
  "url": "URL to download the file",
  "sasToken": "OPTIONAL: SAS token for authentication if the provided URL is for a file in blob storage"
}

A fájlreferencia objektum az alábbi módok egyikén generálható:

• Az indexer definíción a allowSkillsetToReadFileData paramétert beállítjuk .true Ez a beállítás egy /document/file_data olyan útvonalat hoz létre, amely az eredeti fájladatot jelképezi, amit a blob adatforrásból töltenek le. Ez a paraméter csak az Azure Blob Storage-ban lévő fájlokra vonatkozik.

  allowSkillsetToReadFileData a letöltött fájladatokat elérhetővé teszi a képesség számára. Nem növeli a blobindexelő vagy a Tartalomértés szolgáltatás adatkorlátokban leírt korlátait.

• Egyedi képességgel rendelkező JSON objektumdefiníciót adnak vissza, amely , $type, vagy data és url.sastoken A $type paramétert be kell állítani file, és data annak kell lennie a fájltartalom alap 64-es kódolt bájttömbjének. A url paraméternek érvényes URL-nek kell lennie, amely lehetővé teszi a fájl letöltéséhez ezen a helyen.

Képességkimenetek

Minden elem a text_sections következő mezőkkel rendelkezik:

Minden elem a normalized_images következő mezőkkel rendelkezik:

Examples

Az első példa rögzített méretű adattömböket használ, és bemutatja, hogyan lehet szöveges tartalmat kiírni rögzített méretű adattömbökben, és hogyan nyerhet ki képeket a hely metaadataival együtt a dokumentumból. A második, a 2026-05-01-preview REST API-val kezdődően elérhető példa szemantikai adattömböket használ az AI által generált képleírásokkal.

1. példa: Rögzített méretű adattömbelés kép- és metaadatok kinyerésével

{
  "skills": [
    {
      "description": "Analyze a document",
      "@odata.type": "#Microsoft.Skills.Util.ContentUnderstandingSkill",
      "context": "/document",
      "extractionOptions": ["images", "locationMetadata"],
      "chunkingProperties": {     
          "unit": "characters",
          "maximumLength": 1325, 
          "overlapLength": 0
      },
      "inputs": [
        {
          "name": "file_data",
          "source": "/document/file_data"
        }
      ],
      "outputs": [
        { 
          "name": "text_sections", 
          "targetName": "text_sections" 
        }, 
        { 
          "name": "normalized_images", 
          "targetName": "normalized_images" 
        } 
      ]
    }
  ]
}

Példakimenet

{
  "text_sections": [
      {
        "id": "1_d4545398-8df1-409f-acbb-f605d851ae85",
        "content": "What is Azure Content Understanding (preview)?09/16/2025Important· Azure Al Content Understanding is available in preview. Public preview releases provide early access to features that are in active development.· Features, approaches, and processes can change or have limited capabilities, before General Availability (GA).. For more information, see Supplemental Terms of Use for Microsoft Azure PreviewsAzure Content Understanding is a Foundry Tool that uses generative AI to process/ingest content of many types (documents, images, videos, and audio) into a user-defined output format.Content Understanding offers a streamlined process to reason over large amounts of unstructured data, accelerating time-to-value by generating an output that can be integrated into automation and analytical workflows.<figure>\n\nInputs\n\nAnalyzers\n\nOutput\n\n0\nSearch\n\nContent Extraction\n\nField Extraction\n\nDocuments\n\nNew\n\nAgents\n\nPreprocessing\n\nEnrichments\n\nReasoning\n\nImage\n\nNormalization\n(resolution,\nformats)\n\nSpeaker\nrecognition\n\nGen Al\nContext\nwindows\n\nPostprocessing\nConfidence\nscores\nGrounding\nNormalization\n\nMulti-file input\nReference data\n\nDatabases\n\nVideo\n\nOrientation /\nde-skew\n\nLayout and\nstructure\n\nPrompt tuning\n\nStructured\noutput\n\nAudio\n\nFace grouping\n\nMarkdown or JSON schema\n\nCopilots\n\nApps\n\n\\+\n\nFaurIC\n\n</figure>",
        "locationMetadata": {
          "pageNumberFrom": 1,
          "pageNumberTo": 1,
          "ordinalPosition": 0,
          "source": "D(1,0.6348,0.3598,7.2258,0.3805,7.223,1.2662,0.632,1.2455);D(1,0.6334,1.3758,1.3896,1.3738,1.39,1.5401,0.6338,1.542);D(1,0.8104,2.0716,1.8137,2.0692,1.8142,2.2669,0.8109,2.2693);D(1,1.0228,2.5023,7.6222,2.5029,7.6221,3.0075,1.0228,3.0069);D(1,1.0216,3.1121,7.3414,3.1057,7.342,3.6101,1.0221,3.6165);D(1,1.0219,3.7145,7.436,3.7048,7.4362,3.9006,1.0222,3.9103);D(1,0.6303,4.3295,7.7875,4.3236,7.7879,4.812,0.6307,4.8179);D(1,0.6304,5.0295,7.8065,5.0303,7.8064,5.7858,0.6303,5.7849);D(1,0.635,5.9572,7.8544,5.9573,7.8562,8.6971,0.6363,8.6968);D(1,0.6381,9.1451,5.2731,9.1476,5.2729,9.4829,0.6379,9.4803)"
        }
      },
      ...
      {
        "id": "2_e0e57fd4-e835-4879-8532-73a415e47b0b",
        "content": "<table>\n<tr>\n<th>Application</th>\n<th>Description</th>\n</tr>\n<tr>\n<td>Post-call analytics</td>\n<td>Businesses and call centers can generate insights from call recordings to track key KPIs, improve product experience, generate business insights, create differentiated customer experiences, and answer queries faster and more accurately.</td>\n</tr>\n<tr>\n<th>Application</th>\n<th>Description</th>\n</tr>\n<tr>\n<td>Media asset management</td>\n<td>Software and media vendors can use Content Understanding to extract richer, targeted information from videos for media asset management solutions.</td>\n</tr>\n<tr>\n<td>Tax automation</td>\n<td>Tax preparation companies can use Content Understanding to generate a unified view of information from various documents and create comprehensive tax returns.</td>\n</tr>\n<tr>\n<td>Chart understanding</td>\n<td>Businesses can enhance chart understanding by automating the analysis and interpretation of various types of charts and diagrams using Content Understanding.</td>\n</tr>\n<tr>\n<td>Mortgage application processing</td>\n<td>Analyze supplementary supporting documentation and mortgage applications to determine whether a prospective home buyer provided all the necessary documentation to secure a mortgage.</td>\n</tr>\n<tr>\n<td>Invoice contract verification</td>\n<td>Review invoices and contr",
        "locationMetadata": {
          "pageNumberFrom": 2,
          "pageNumberTo": 3,
          "ordinalPosition": 3,
          "source": "D(2,0.6438,9.2645,7.8576,9.2649,7.8565,10.5199,0.6434,10.5194);D(3,0.6494,0.3919,7.8649,0.3929,7.8639,4.3254,0.6485,4.3232)"
        }
        ...
      }
    ],
    "normalized_images": [
        { 
            "id": "1_335140f1-9d31-4507-8916-2cde758639cb", 
            "data": "aW1hZ2UgMSBkYXRh", 
            "imagePath": "aHR0cHM6Ly9henNyb2xsaW5nLmJsb2IuY29yZS53aW5kb3dzLm5ldC9tdWx0aW1vZGFsaXR5L0NVLnBkZg2/normalized_images_0.jpg",  
            "locationMetadata": {
              "pageNumberFrom": 1,
              "pageNumberTo": 1,
              "ordinalPosition": 0,
              "source": "D(1,0.635,5.9572,7.8544,5.9573,7.8562,8.6971,0.6363,8.6968)"
            }
        },
        { 
            "id": "3_699d33ac-1a1b-4015-9cbd-eb8bfff2e6b4", 
            "data": "aW1hZ2UgMiBkYXRh", 
            "imagePath": "aHR0cHM6Ly9henNyb2xsaW5nLmJsb2IuY29yZS53aW5kb3dzLm5ldC9tdWx0aW1vZGFsaXR5L0NVLnBkZg2/normalized_images_1.jpg",  
            "locationMetadata": {
              "pageNumberFrom": 3,
              "pageNumberTo": 3,
              "ordinalPosition": 1,
              "source": "D(3,0.6353,5.2142,7.8428,5.218,7.8443,8.4631,0.6363,8.4594)"
            } 
        }
    ] 
}

locationMetadata a Azure Content Understanding által biztosított source tulajdonságon alapul. Az elem vizuális pozíciójának kódolásáról információért lásd: Dokumentumelemzés: Strukturált tartalom kinyerése.

imagePath a tárolt kép relatív útját képviseli. Ha a tudásraktár fájl vetítése be van állítva a képességkészletben, ez az út megegyezik a tudásraktárban tárolt kép relatív útjával.

2. példa: Szemantikai adattömbelés képleírással (előzetes verzió)

Ez a 2026-05-01-preview REST API-tól kezdve elérhető példa szemantikai adattömböket használ, és mesterséges intelligenciával létrehozott leírásokat készít beágyazott képekről, diagramokról és diagramokról. A képességkészlethez csatolt Foundry-erőforrásnak rendelkeznie kell a csevegővégzítési modellel, amelyet modelName a rendszer azonosított és üzembe helyezett modelDeployment.

{
  "skills": [
    {
      "description": "Extract and chunk document content with image descriptions",
      "@odata.type": "#Microsoft.Skills.Util.ContentUnderstandingSkill",
      "context": "/document",
      "modelName": "gpt-4.1",
      "modelDeployment": "myGpt41Deployment",
      "extractionOptions": ["images", "locationMetadata"],
      "chunkingProperties": {
        "method": "semantic",
        "unit": "tokens",
        "maximumLength": 500
      },
      "inputs": [
        {
          "name": "file_data",
          "source": "/document/file_data"
        }
      ],
      "outputs": [
        {
          "name": "text_sections",
          "targetName": "text_sections"
        },
        {
          "name": "normalized_images",
          "targetName": "normalized_images"
        }
      ]
    }
  ]
}

A szemantikai adattömbök minden egyes adattömbje text_sections Markdown-tartalmat tartalmaz, amely tartalmazza az AI által létrehozott leírásokat az általa lefedett számokról és táblázatokról. Ha egy adattömb átfedésben van egy vagy több ábrával, az adattömb objektum tartalmaz egy imagePath mezőt is, amely felsorolja a megfelelő kép elérési útjait:

{
  "id": "1_d4545398-8df1-409f-acbb-f605d851ae85",
  "content": "# Architecture overview\n\nThe following diagram summarizes the ingestion pipeline...\n\n<figure>The diagram shows three stages: Inputs, Analyzers, and Output. Inputs include documents, images, video, and audio. Analyzers perform preprocessing, enrichments, and reasoning. Output is structured Markdown or JSON consumed by search, agents, copilots, and apps.</figure>",
  "locationMetadata": {
    "pageNumberFrom": 1,
    "pageNumberTo": 1,
    "ordinalPosition": 0,
    "source": "D(1,0.6348,0.3598,7.2258,0.3805,7.223,1.2662,0.632,1.2455)"
  },
  "imagePath": "aHR0cHM6Ly9henNyb2xsaW5nLmJsb2IuY29yZS53aW5kb3dzLm5ldC9tdWx0aW1vZGFsaXR5L0NVLnBkZg2/normalized_images_0.jpg"
}

Kapcsolódó tartalom

• Mi az a Azure tartalommegértés a Foundry Tools-ban?
• Beépített készségek
• Alakíts ki egy készségkészletet
• Indexerek - Create (REST API)