Vektor lekérdezés létrehozása az Azure AI Keresés szolgáltatásban

Megjegyzés

Azure AI Keresés a Azure portálon, REST API-kon és Azure SDK-k keresztül érhető el. Emellett a Foundry IQ-t is támogatja, amely a vállalati tartalmakat újrafelhasználható, engedélytudatos tudásbázisokká alakítja át az Microsoft Foundry portálon található ügynökök számára.

Ha van egy vektor indexe az Azure AI Keresés-ben, ez a cikk a következőket ismertetni akarja:

Ez a cikk REST-et használ az ábrához. Miután megismerte az alapszintű munkafolyamatot, folytassa a Azure SDK kódmintákkal a azure-search-vector-samples adattárban, amely vektoros lekérdezéseket tartalmazó, végpontok közötti megoldásokat biztosít.

A Azure portálon Search Explorer is használhatja.

Előfeltételek

Lekérdezési sztring bemenetének konvertálása vektorsá

Vektormező lekérdezéséhez magának a lekérdezésnek vektornak kell lennie.

A felhasználó szöveges lekérdezési sztringjének vektoros ábrázolássá alakításának egyik módszere egy beágyazási kódtár vagy API meghívása az alkalmazáskódban. Ajánlott eljárásként mindig ugyanazokat a beágyazási modelleket használja, amelyeket beágyazások létrehozásához használ a forrásdokumentumokban. A azure-search-vector-samples adattárban találhatók kódrészletek, amelyek bemutatják, hogyan lehet beágyazásokat létrehozni.

A második módszer a integrált vektorizálás használata, amely mostantól általánosan elérhető, hogy Azure AI Keresés kezelje a lekérdezésvektorizációs bemeneteket és kimeneteket.

Íme egy REST API-példa egy Azure OpenAI-beágyazási modell üzembe helyezéséhez küldött lekérdezési sztringre:

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'"
}

A várt válasz 202 lesz az üzembe helyezett modell sikeres hívásához.

A embedding válasz törzsének mezője a lekérdezési sztring inputvektoros ábrázolása. Tesztelési célokra a embedding tömb értékét a vectorQueries.vector lekérdezési kérelemben másolná, a szintaxist használva, amit a következő szakaszokban látni fog.

A POST-hívásra adott tényleges válasz az üzembe helyezett modellre 1536 beágyazást tartalmaz. Az olvashatóság érdekében ez a példa csak az első néhány vektort jeleníti meg.

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

Ebben a megközelítésben az alkalmazáskód felelős a modellhez való csatlakozásért, a beágyazások generálásáért és a válasz kezeléséhez.

Vektoros lekérdezési kérelem

Ez a szakasz a vektoros lekérdezések alapstruktúráját mutatja be. A Azure portál, a REST API-k vagy a Azure SDK-k segítségével vektoros lekérdezéseket hozhat létre.

Ha a 2023-07-01-es előnézeti verzióról átmigrál, kompatibilitási megszakítások lépnek fel. További információ: Frissítés a legújabb REST API-ra.

A stabil verzió a következőket támogatja:

  • vectorQueries a vektorkeresés felépítése.
  • vectorQueries.kind be van állítva vektortömbre, vagy vector, ha a bemenet egy karakterlánc, és ha text.
  • vectorQueries.vector a lekérdezés (szöveg vagy kép vektoros ábrázolása).
  • vectorQueries.exhaustive (nem kötelező) teljes KNN-t hív meg lekérdezéskor, még akkor is, ha a mező indexelve van a HNSW-hez.
  • vectorQueries.fields (nem kötelező) meghatározott mezőket céloz meg a lekérdezések végrehajtásához (lekérdezésenként legfeljebb 10).
  • vectorQueries.weight (nem kötelező) a keresési műveletekben szereplő vektoros lekérdezések relatív súlyát adja meg. További információ: Vektorok súlyozása.
  • vectorQueries.k a visszaadandó egyezések száma.

A következő példában a vektor ennek a sztringnek a reprezentációja: "what Azure services support full text search". A lekérdezés a contentVector mezőt célozza meg, és eredményeket ad k vissza. A tényleges vektor 1536 beágyazással rendelkezik, amelyeket ebben a példában az olvashatóság érdekében vágunk le.

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
        }
    ]
}

Vektoros lekérdezési válasz

A Azure AI Keresés a lekérdezési válaszok alapértelmezés szerint az összes retrievable mezőből állnak. Azonban gyakran korlátozzák a keresési eredményeket a mezők részhalmazára retrievable, ha egy select utasításban felsorolják őket.

A vektoros lekérdezésekben gondosan gondolja át, hogy a válaszban vektormezőkre van-e szükség. A vektormezők nem ember által olvashatóak, ezért ha választ küld egy weblapra, akkor az eredményt reprezentáló nem vektor mezőket kell választania. Ha például a lekérdezés a contentVector ellen fut, akkor visszaadhatja a content-t.

Ha vektormezőket szeretne az eredményben, íme egy példa a válaszstruktúrára. contentVector a beágyazások sztringtömbje, amelyet ebben a példában az olvashatóság érdekében vágunk le. A keresési pontszám relevanciát jelez. A kontextus érdekében más nem vektoriális mezők is szerepelnek.

{
    "@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,
                ...
            ]
        }
    ]
}

Főbb pontok:

  • k meghatározza, hogy hány legközelebbi szomszéd eredményt ad vissza, ebben az esetben három. A vektoros lekérdezések mindig eredményeket adnak vissza k , feltéve, hogy legalább k a dokumentumok léteznek, még akkor is, ha egyes dokumentumokban gyenge a hasonlóság. Ennek az az oka, hogy az algoritmus megkeresi k a lekérdezésvektor legközelebbi szomszédjait.

  • A vektorkeresési algoritmus határozza meg a @search.score.

  • A keresési eredmények mezői vagy mind retrievable mezők, vagy egy select záradék mezői. A vektoros lekérdezés végrehajtása során az egyeztetés csak vektoradatokon történik. A válaszok azonban az index bármely retrievable mezőjét tartalmazhatják. Mivel a vektormezők eredményének dekódolására nincs lehetőség, a nemvektoros szövegmezők felvétele hasznos lehet érthető értékekkel.

Több vektormező

A tulajdonságot több vektormezőre is beállíthatja vectorQueries.fields . A vektoros lekérdezés a listában megadott fields összes vektormezőn fut. Legfeljebb 10 mezőt adhat meg.

Több vektormező lekérdezésekor győződjön meg arról, hogy mindegyik beágyazást tartalmaz ugyanabból a beágyazási modellből. A lekérdezést ugyanabból a beágyazási modellből is létre kell hozni.

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
        }
    ]
}

Több vektoros lekérdezés

A több lekérdezéses vektoros keresés több lekérdezést küld a keresési index több vektormezőjében. Ezt a lekérdezéstípust gyakran használják olyan modelleknél, mint a CLIP a többmodális kereséshez, ahol ugyanaz a modell képes vektorizálni a szöveget és a képeket is.

Az alábbi lekérdezési példa mindkettőben myImageVector hasonlóságot keres, és myTextVector két megfelelő lekérdezési beágyazást küld, mindegyik párhuzamosan fut. Ennek a lekérdezésnek az eredménye a kölcsönös rangsor összevonásának (RRF) használatával kerül értékelésre.

  • vectorQueries vektoros lekérdezések tömbje.
  • vector A keresési index képvektorait és szövegvektorait tartalmazza. Minden példány külön lekérdezés.
  • fields megadja, hogy melyik vektormezőt célozza meg.
  • k az eredményekbe belefoglalandó legközelebbi szomszéd egyezések száma.
{
    "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
        }
    ]
}

A keresési indexek nem tudnak képeket tárolni. Feltételezve, hogy az index tartalmaz egy mezőt a képfájlhoz, a keresési eredmények szöveg és képek kombinációját tartalmazzák.

Lekérdezés integrált vektorizálással

Ez a szakasz egy vektoros lekérdezést mutat be, amely meghívja az integrált vektorizációt , hogy egy szöveg- vagy kép lekérdezést vektorsá alakítson. A szolgáltatáshoz a stabil 2026-04-01 REST API, Search Explorer vagy újabb Azure SDK csomagokat javasoljuk.

Az előfeltétel egy olyan keresési index, amely egy vektormezőhöz konfigurált és hozzárendelt vektorizálóval rendelkezik. A vektorizáló kapcsolati adatokat biztosít a lekérdezési időpontban használt beágyazási modellhez.

A Search Explorer támogatja az integrált vektorizálást a lekérdezési időpontban. Ha az index vektormezőket tartalmaz, és vektorizálóval rendelkezik, használhatja a beépített szöveg-vektor konverziót.

  1. Nyissa meg a keresőszolgáltatást a Azure portálon.

  2. A bal oldali menüben válassza a Kereséskezelési>indexek lehetőséget, majd válassza ki az indexet.

  3. A Vektorprofilok lapon ellenőrizze, hogy rendelkezik-e vektorizálóval.

    Képernyőkép egy vektorizáló beállításról a keresési indexben.

  4. Válassza a Kereséskezelő lapot. Az alapértelmezett lekérdezési nézet használatával beírhat egy szöveges sztringet a keresősávba. A beépített vektorizáló vektorsá alakítja a sztringet, végrehajtja a keresést, és visszaadja az eredményeket.

    A lekérdezés megtekintéséhez vagy módosításához aJSON> lehetőséget is választhatja. Ha vektorok vannak jelen, a Keresőböngésző automatikusan beállít egy vektoros lekérdezést. A JSON-nézetben kiválaszthatja a keresésben és a válaszban használható mezőket, szűrőket adhat hozzá, és összetettebb lekérdezéseket hozhat létre, például hibrid lekérdezéseket. Egy JSON-példa megtekintéséhez válassza a szakaszban található REST API fület.

A rangsorolt eredmények száma vektoros lekérdezési válaszban

A vektoros lekérdezés megadja a k paramétert, amely meghatározza, hogy hány találatot ad vissza az eredmény. A keresőmotor mindig a találatok k számát adja vissza. Ha k nagyobb, mint az indexben lévő dokumentumok száma, a dokumentumok száma határozza meg a visszaadható dokumentumok felső korlátját.

Ha ismeri a teljes szöveges keresést, akkor tudja, hogy nulla találatot várhat, ha az index nem tartalmaz egy kifejezést vagy mondatot. A vektoros keresésben azonban a keresési művelet azonosítja a legközelebbi szomszédokat, és mindig visszaadja k az eredményeket, még akkor is, ha a legközelebbi szomszédok nem hasonlóak. Nem etikátlan vagy nem témakörön kívüli lekérdezések eredményei is lekérhetők, különösen akkor, ha nem használ utasításokat a határok megadásához. A kevésbé releváns eredmények rosszabb hasonlósági pontszámmal rendelkeznek, de még mindig ezek a "legközelebbi" vektorok, ha nincs közelebb semmi. Ezért egy jelentéssel nem bíró válasz továbbra is visszaadhat k eredményeket, de az egyes eredmények hasonlósági pontszáma alacsony lesz.

A teljes szöveges keresést magában foglaló hibrid megközelítés enyhítheti ezt a problémát. Egy másik megoldás egy minimális küszöbérték beállítása a keresési pontszámon, de csak akkor, ha a lekérdezés egy tiszta egyvektoros lekérdezés. A hibrid lekérdezések nem eredményeznek minimális küszöbértékeket, mert az RRF-tartományok sokkal kisebbek és változékonyabbak.

Az eredményszámot befolyásoló lekérdezési paraméterek a következők:

  • "k": n csak vektoros lekérdezések eredményei.
  • "top": n paramétereket tartalmazó search hibrid lekérdezések eredményei.

Mindkettő k , és top nem kötelező. Ha nincs meghatározva, a válaszban szereplő eredmények alapértelmezett száma 50. Beállíthatja a top és skip értékét az eredmények átlapozásához, vagy módosíthatja az alapértelmezett értéket.

Vektoros lekérdezésekben használt rangsorolási algoritmusok

Az eredmények rangsorolását a következők alapján számítjuk ki:

  • A hasonlóság metrika.
  • RRF, ha több keresési találat van.

Hasonlóság metrika

A csak vektoros lekérdezés indexszakaszában vectorSearch megadott hasonlósági metrika. Az érvényes értékek a következők cosine: , euclideanés dotProduct.

Azure OpenAI beágyazási modellek koszinuszas hasonlóságot használnak, ezért Azure OpenAI-beágyazási modellek használata esetén a cosine ajánlott metrikát használni. Egyéb támogatott rangsorolási metrikák a következők: euclidean és dotProduct.

RRF

Több csoport akkor jön létre, ha a lekérdezés több vektormezőt céloz meg, több vektoros lekérdezést futtat párhuzamosan, vagy vektoros és teljes szöveges keresés hibridje, szemantikai rangsorolással vagy anélkül.

A lekérdezés végrehajtása során a vektoros lekérdezések csak egy belső vektorindexet célozhatnak meg. Több vektormező és több vektoros lekérdezés esetén a keresőmotor több lekérdezést hoz létre, amelyek az egyes mezők megfelelő vektorindexeit célják. A kimenet az egyes lekérdezések rangsorolt eredményeinek halmaza, amelyek az RRF használatával vannak egyesítve. További információ: Relevanciapontozás a Kölcsönös rangsor fúzióval.

Vektorok súlyozása

Adjon hozzá egy lekérdezési paramétert weight a keresési műveletekben szereplő vektoros lekérdezések relatív súlyának megadásához. Ez az érték két vagy több vektoros lekérdezés által ugyanabban a kérelemben vagy egy hibrid lekérdezés vektorrészéből előállított több rangsorlista eredményeinek kombinálásakor használatos.

Az alapértelmezett érték 1,0, az értéknek nullánál nagyobb pozitív számnak kell lennie.

Az egyes dokumentumok RRF-pontszámainak kiszámításakor súlyokat használunk. A számítás a dokumentum rangpontszámához weight viszonyított érték szorzója a megfelelő eredményhalmazon belül.

Az alábbi példa egy hibrid lekérdezés két vektoros lekérdezési sztringgel és egy szöveges sztringgel. A vektoros lekérdezésekhez súlyok vannak rendelve. Az első lekérdezés súlya 0,5, azaz a teljes súly fele, ami csökkenti a fontosságát a kérésen belül. A második vektoros lekérdezés kétszer olyan fontos.

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" 
    }

A vektorok súlyozása csak vektorokra vonatkozik. A példában a "hello world" helyén szereplő szöveges lekérdezés implicit semleges súlya 1,0. Hibrid lekérdezésekben azonban a maxTextRecallSize beállításával növelheti vagy csökkentheti a szövegmezők fontosságát.

Küszöbértékek beállítása az alacsony pontszámú eredmények kizárásához (előzetes verzió)

Mivel a legközelebbi szomszédkeresés mindig a kért k szomszédokat adja vissza, több alacsony pontszámú találat is lekérhető a k keresési eredmények számkövetelményének teljesítése részeként. Az alacsony pontszámú keresési eredmények kizárásához hozzáadhat egy lekérdezési paramétert threshold , amely minimális pontszám alapján szűri az eredményeket. A szűrés a különböző visszahívási csoportok eredményeinek összeolvadása előtt történik.

Ez a paraméter előzetes verzióban érhető el. A Dokumentumok – Keresési bejegyzés (REST API) legújabb előzetes verzióját javasoljuk.

Ebben a példában a 0,8 alatti pontszámot tartalmazó összes találat ki lesz zárva a vektorkeresési eredményekből, még akkor is, ha a találatok száma alá kesik.

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 
          } 
        }
      ]
    }

Következő lépések

Következő lépésként tekintse át Python, C# vagy JavaScript vektoros lekérdezéskód példáit.

  • Utolsó frissítés időpontja: