Rövid útmutató: Ügynöki lekérés az Azure portálon

Ebben a gyorsútmutatóban az Azure Portalon a ügynökalapú visszakeresés használatával hozhat létre beszélgetésalapú keresési élményt, amelyet az Azure AI Keresésben indexelt dokumentumok és az Azure OpenAI nagy nyelvi modellje (LLM) biztosít a Foundry Modelsben.

A portál végigvezeti a következő objektumok létrehozásának folyamatán:

• Egy knowledge forrás amely egy Azure Blob Storage tárolóra hivatkozik. Blob-tudásbázis létrehozásakor Azure AI Keresés automatikusan létrehoz egy indexet és más folyamatobjektumokat a tartalom betöltéséhez és bővítéséhez ügynöki lekérés céljából.

• Egy tudásbázis , amely LLM-alapú lekérdezéstervezést (előzetes verzió) használ az alapul szolgáló információk szükségletének feltárására, valamint rész-lekérdezések és válaszszintézisek (előzetes verzió) végrehajtására a természetes nyelvű válaszok megfogalmazásához.

Ezt követően egy összetett lekérdezés elküldésével tesztelheti a tudásbázist, amely több dokumentumból származó információkat igényel, és áttekinti a szintetizált választ.

Előfeltételek

• Aktív előfizetéssel rendelkező Azure fiók. Hozzon létre egy fiókot ingyenesen.

• Egy Azure AI Keresés szolgáltatás bármely olyan régióban, amely ügynöki lekérést biztosít. Ez a gyorsindító az alapszintű vagy annál magasabb szintet igényli a felügyelt identitások szolgáltatásához.

• Egy Azure Blob Storage fiók.

• Egy Microsoft Foundry-projekt és erőforrás. Projekt létrehozásakor az erőforrás automatikusan létrejön.

• A projektben üzembe helyezett beágyazási modell a szöveg-vektor konverzióhoz. Bármilyen text-embedding modellt használhat, például text-embedding-3-large.

• A projekt számára üzembe helyezett LLM a lekérdezések megtervezéséhez és válaszok generálásához. Bármilyen portál által támogatott LLM-et használhat.

Támogatott LLM-ek

Bár az ügynöki lekérés programozott módon több LLM-et is támogat, a portál jelenleg a következő LLM-eket támogatja:

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

Hozzáférés konfigurálása

Mielőtt hozzákezdene, győződjön meg arról, hogy rendelkezik a tartalomhoz és a műveletekhez való hozzáféréshez szükséges engedélyekkel. Ez a rövid útmutató a Microsoft Entra ID-t használja hitelesítéshez és szerepköralapú jogosultságkezeléshez. Szerepkörök hozzárendeléséhez tulajdonosnak vagy felhasználói hozzáférés-rendszergazdának kell lennie. Ha a szerepkörök nem megvalósíthatók, használja inkább a kulcsalapú hitelesítést .

A hozzáférés konfigurálása a gyors kezdéshez:

1. Jelentkezzen be a Azure portálra.

2. A Azure AI Keresés szolgáltatásban:

   1. Szerepköralapú hozzáférés engedélyezése.

   2. Rendszer által hozzárendelt felügyelt identitás létrehozása.

   3. Rendelje hozzá a következő szerepköröket a felhasználói fiókjához: Keresési szolgáltatás közreműködője, Keresési index adatszolgáltatója és Keresési index adatolvasója.

3. A Azure Blob Storage fiókjában rendeljen hozzá Storage Blob Data Contributor a keresési szolgáltatás felügyelt identitásához.

4. Az Microsoft Foundry-erőforráson rendelje hozzá a Cognitive Services User szerepkört a keresési szolgáltatás felügyelt identitásához.

Mintaadatok előkészítése

Ez a rövid útmutató jSON-mintadokumentumokat használ a NASA Earth at Night e-bookjából, de saját fájljait is használhatja. A dokumentumok az űrből megfigyelt általános tudományos témákat és a Föld éjszakai képeit írják le.

A mintaadatok előkészítése, hogy elkezdhesd ezt a gyors folyamatot:

1. Nyissa meg Azure Storage fiókját a Azure portálon.

2. A bal oldali panelen válassza az Adattárolás>Tárolók lehetőséget.

3. Hozzon létre egy tárolót, amelynek neve föld-at-night-data.

4. Töltse fel a Sample JSON-dokumentumokat a tárolóba.

Tudásbázis létrehozása

A tudásbázis a forrásadatok újrafelhasználható hivatkozása. Ebben a szakaszban egy blobalapú tudásbázist hoz létre, amely egy adatforrás, képességkészlet, index és indexelő létrehozását indítja el az adatindexelés és -bővítés automatizálásához. Ezeket az objektumokat egy későbbi szakaszban tekintheti át.

A vektorizálót is konfigurálhat, amely a telepített beágyazási modell segítségével konvertálja a szöveget vektorokká, és szemantikai hasonlóság alapján keresi a dokumentumokat. A vektorizáló, a vektormezők és a vektorok hozzá lesznek adva az automatikusan létrehozott indexhez.

A tudásbázis létrehozása ehhez a rövid útmutatóhoz:

1. Nyissa meg a keresőszolgáltatást a Azure portálon.

2. A bal oldali panelen válassza az Ügynöki beolvasási>tudásforrásokat.

3. Válassza a Tudásforrás hozzáadása>Tudásforrás hozzáadása lehetőséget.

4. Válassza Azure blob (indexelt) lehetőséget.

5. Írja be a föld-at-night-ks nevet, majd válassza ki az előfizetését, a tárfiókját és a tárolási konténerét a mintaadatokkal.

6. Jelölje be a Hitelesítés felügyelt identitással jelölőnégyzetet. Tartsa meg az identitástípust rendszer által hozzárendeltként.

7. A Szövegvektorizálás engedélyezése csoportban válassza a Vektorizáló hozzáadása lehetőséget.

8. A típushoz válassza a Microsoft Foundry lehetőséget, majd válassza ki az előfizetést, a projektet és a beágyazási modell üzembe helyezését.

9. Válassza ki a rendszer által hozzárendelt identitást a hitelesítési típushoz.

10. Mentse a vektorizálót.

11. Hozza létre a tudásbázist.

    

Tudásbázis létrehozása

A tudásbázis a tudásforrást és az üzembe helyezett nagy nyelvi modellt használja az aktív lekérések vezénylésére. Ha egy felhasználó összetett lekérdezést küld, az LLM-alapú lekérdezéstervezés (előzetes verzió) olyan rész lekérdezéseket hoz létre, amelyeket a rendszer egyszerre küld el a tudásforrásnak. Azure AI Keresés ezután szemantikailag rangsorolja az eredményeket a relevancia szempontjából, és a legjobb eredményeket egyetlen, egységes válaszban egyesíti.

A kimeneti mód határozza meg, hogy a tudásbázis hogyan fogalmazza meg a válaszokat. Kinyerő adatokat használhat szó szerinti tartalomhoz, vagy válaszszintézist (előzetes verzió) természetes nyelvű válaszgeneráláshoz. A portál alapértelmezés szerint válaszszintézist használ.

A tudásbázis létrehozásához a gyors kezdő útmutató számára:

1. A bal oldali panelen válassza az Ügynöki lekérési>tudásbázisok lehetőséget.

2. Válassza a Tudásbázis hozzáadása>Tudásbázis hozzáadása lehetőséget.

3. Írja be névként earth-at-night-kb.

4. A Csevegés befejező modelljében válassza a Modelltelepítés hozzáadása lehetőséget.

5. Válassza a Microsoft Foundry lehetőséget, majd válassza ki az előfizetést, a projektet és az LLM üzembe helyezését.

6. Válassza ki a rendszer által hozzárendelt identitást a hitelesítési típushoz.

7. Mentse a modell üzembe helyezését.

8. A Tudásforrások területen válassza ki earth-at-night-ks.

9. Hozza létre a tudásbázist.

   

Agentikus lekérés tesztelése

A portál egy csevegőteret biztosít, ahol kéréseket küldhet retrieve a tudásbázisnak. A válaszok tartalmazzák a tudásbázisokra mutató hivatkozásokat és a lekérési folyamatra vonatkozó hibakeresési információkat.

A tudásbázis lekérdezése:

1. A csevegőablakban küldje el a következő lekérdezést.

   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. Tekintse át a szintetizált, idézetalapú választ, amelynek hasonlónak kell lennie az alábbi példához.

   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. Válassza a hibakeresés ikont a tevékenységnapló áttekintéséhez, amelynek az alábbi JSON-hoz hasonlónak kell lennie.

   [
     {
       "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
     }
   ]
   

   A tevékenységnapló betekintést nyújt a lekérés során végrehajtott lépésekbe, beleértve a lekérdezések tervezését és végrehajtását, a szemantikai rangsorolást és a válaszszintézist. További információ: A tevékenységtömb áttekintése.

A létrehozott objektumok áttekintése

Azure AI Keresés automatikusan létrehoz egy adatforrást, képességkészletet, indexet és indexelőt minden blob-tudásbázishoz. Ezek az objektumok egy adatfeldolgozási csővezetéket alkotnak az adatbetöltés, a gazdagítás, a darabolás és a vektorizálás számára. Ezeket az objektumokat áttekintve megtudhatja, hogyan történik az adatai feldolgozása az agentikus lekérés céljából.

Az automatikusan létrehozott objektumok áttekintése:

1. A bal oldali panelen válassza a Keresés kezelése lehetőséget.

2. Ellenőrizze az indexelőben a sikeres vagy sikertelen üzeneteket. Itt csatlakozási vagy kvótahibák jelennek meg.

3. Ellenőrizze az adatforrást a blobtárolóval való kapcsolat ellenőrzéséhez.

4. A készségkészletet ellenőrizve láthatja, hogyan van a tartalom szakaszolva és vektorizálva az Ön beágyazási modellje használatával.

5. Ellenőrizze az indexben, hogy a tartalom hogyan van indexelve, és hogyan érhető el lekérés céljából, beleértve, hogy mely mezők kereshetők és szűrhetők, és mely mezők tárolják a hasonlóság kereséséhez használt vektorokat. A Search Explorerrel lekérdezéseket futtathat a létrehozott indexen.

Erőforrások törlése

Ha a saját előfizetésében dolgozik, érdemes befejezni egy projektet a már nem szükséges erőforrások eltávolításával. Az otthagyott futó erőforrások pénzbe kerülhetnek.

Az Azure portálon válassza a Minden erőforrás vagy Erőforráscsoportok lehetőséget a bal oldali panelen az erőforrások megkereséséhez és kezeléséhez. Az erőforrásokat egyenként törölheti, vagy törölheti az erőforráscsoportot az összes erőforrás egyidejű eltávolításához.

A tudásforrást és a tudásbázist saját portáloldalaikon is törölheti. A tudásbázis törlésekor a portál kéri, hogy törölje a társított adatforrást, a készségkészletet, az indexet és az indexelőt.

Következő lépés