Mulai cepat: Pengambilan agenik di portal Azure

Dalam panduan mulai cepat ini, gunakan retrieval agentik di portal Azure untuk membuat pengalaman penelusuran percakapan yang didukung oleh dokumen yang diindeks di Pencarian Azure AI dan model bahasa besar (LLM) dari Azure OpenAI di Foundry Models.

Portal memandu Anda melalui proses pembuatan objek berikut:

• Sumber pengetahuan yang mereferensikan kontainer dalam Azure Blob Storage. Saat Anda membuat sumber pengetahuan blob, Pencarian Azure AI secara otomatis menghasilkan indeks dan objek alur lainnya untuk menyerap dan memperkaya konten Anda untuk pengambilan agenik.

• Basis pengetahuan yang menggunakan perencanaan kueri berbasis LLM (pratinjau) untuk menyimpulkan kebutuhan informasi yang mendasari kueri serta menjalankan subkueri dan sintesis jawaban (pratinjau) untuk merumuskan jawaban dalam bahasa alami.

Setelah itu, Anda menguji pangkalan pengetahuan dengan mengirimkan kueri kompleks yang memerlukan informasi dari beberapa dokumen dan meninjau jawaban yang disintesis.

Prasyarat

• Akun Azure dengan langganan aktif. Buat akun secara gratis.

• Layanan Pencarian Azure AI dalam region apa pun yang menyediakan pengambilan berbasis agen. Mulai cepat ini memerlukan tingkat Dasar atau lebih tinggi untuk dukungan identitas terkelola.

• Akun Azure Blob Storage.

• Proyek Microsoft Foundry dan sumber daya. Saat Anda membuat proyek, sumber daya dibuat secara otomatis.

• Model embedding yang diterapkan ke proyek Anda untuk konversi teks ke vektor. Anda dapat menggunakan model apa pun text-embedding , seperti text-embedding-3-large.

• LLM yang diimplementasikan ke proyek Anda untuk perencanaan permintaan dan pembuatan jawaban. Anda dapat menggunakan LLM yang didukung portal apa pun.

LLM yang didukung

Meskipun pengambilan agenik mendukung beberapa LLM secara terprogram, portal ini saat ini mendukung LLM berikut:

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

Mengonfigurasi akses

Sebelum memulai, pastikan Anda memiliki izin untuk mengakses konten dan operasi. Mulai cepat ini menggunakan Microsoft Entra ID untuk autentikasi dan akses berbasis peran untuk otorisasi. Anda harus menjadi Pemilik atau Administrator Akses Pengguna untuk menetapkan peran. Jika peran tidak dapat dilakukan, gunakan autentikasi berbasis kunci sebagai gantinya.

Untuk mengonfigurasi akses untuk panduan cepat ini:

1. Masuk ke portal Azure.

2. Pada layanan Pencarian Azure AI Anda:

   1. Aktifkan akses berbasis peran.

   2. Membuat identitas terkelola yang ditetapkan sistem.

   3. Tetapkan peran berikut ke akun pengguna Anda: Kontributor Layanan Pencarian, Kontributor Data Indeks Pencarian, dan Pembaca Data Indeks Pencarian.

3. Di akun Azure Blob Storage Anda, tetapkan Storage Blob Data Contributor ke identitas terkelola layanan pencarian Anda.

4. Pada sumber daya Microsoft Foundry Anda, tetapkan pengguna Cognitive Services ke identitas terkelola layanan pencarian Anda.

Menyiapkan data sampel

Panduan cepat ini menggunakan contoh dokumen JSON dari e-book "Earth at Night" NASA, tetapi Anda juga dapat menggunakan file Anda sendiri. Dokumen-dokumen menjelaskan topik sains umum dan gambar Bumi di malam hari seperti yang diamati dari luar angkasa.

Untuk menyiapkan data sampel untuk panduan cepat ini:

1. Buka akun Azure Storage Anda di portal Azure.

2. Dari panel kiri, pilihKontainer> data.

3. Buat kontainer bernama earth-at-night-data.

4. Unggah dokumen JSON sampel ke kontainer.

Membuat sumber pengetahuan

Sumber pengetahuan adalah referensi yang dapat digunakan kembali ke data sumber Anda. Di bagian ini, Anda membuat sumber pengetahuan 'blob', yang memicu pembuatan sumber data, kumpulan keterampilan, indeks, dan pengindeks untuk mengotomatiskan pengindeksan serta pengayaan data. Anda meninjau objek ini di bagian selanjutnya.

Anda juga mengonfigurasi vektorizer, yang menggunakan model penyematan yang disebarkan untuk mengonversi teks menjadi vektor dan mencocokkan dokumen berdasarkan kesamaan semantik. Vektorizer, bidang vektor, dan vektor ditambahkan ke indeks yang dihasilkan secara otomatis.

Untuk membuat sumber pengetahuan untuk Quickstart ini:

1. Buka layanan pencarian Anda di portal Azure.

2. Dari panel kiri, pilih pengambilan agen>Sumber pengetahuan.

3. Pilih Tambahkan sumber> pengetahuanTambahkan sumber pengetahuan.

4. Pilih Azure blob (Terindeks).

5. Masukkan earth-at-night-ks untuk nama tersebut, lalu pilih langganan, akun penyimpanan, dan kontainer Anda dengan data sampel.

6. Pilih kotak centang Autentikasi menggunakan identitas terkelola . Biarkan jenis identitas sebagai Ditentukan oleh Sistem.

7. Di bawah Aktifkan vektorisasi teks, pilih Tambahkan vektorizer.

8. Pilih Microsoft Foundry sebagai jenis, lalu pilih langganan, proyek, dan penyebaran model embedding Anda.

9. Pilih Identitas yang ditetapkan sistem untuk jenis autentikasi.

10. Simpan pengubah vektor.

11. Buat sumber pengetahuan.

    

Membuat pangkalan pengetahuan

Pangkalan pengetahuan menggunakan sumber pengetahuan Anda dan LLM (Model Bahasa Besar) yang disebarkan untuk mengoordinasikan pengambilan agenik. Saat pengguna mengirimkan kueri yang kompleks, perencanaan kueri berbasis LLM (pratinjau) menghasilkan subkueri yang dikirim secara bersamaan ke sumber pengetahuan Anda. Pencarian Azure AI kemudian secara semantik memberi peringkat hasil untuk relevansi dan menggabungkan hasil terbaik menjadi satu respons terpadu.

Mode output menentukan bagaimana pangkalan pengetahuan merumuskan jawaban. Anda dapat menggunakan data ekstraktif untuk konten verbatim atau sintesis jawaban (pratinjau) untuk pembuatan jawaban bahasa alami. Secara default, portal menggunakan sintesis jawaban.

Untuk membuat basis pengetahuan untuk panduan cepat ini:

1. Dari panel kiri, pilih pengambilan agenik>pangkalan pengetahuan.

2. Pilih Tambahkan pangkalan pengetahuan> pengetahuan.

3. Masukkan earth-at-night-kb untuk nama tersebut.

4. Di bawah Model penyelesaian obrolan, pilih Tambahkan penyebaran model.

5. Pilih Microsoft Foundry untuk jenisnya, lalu pilih langganan, proyek, dan penyebaran LLM Anda.

6. Pilih Identitas yang ditetapkan sistem untuk jenis autentikasi.

7. Simpan penerapan model.

8. Di bawah Sumber pengetahuan, pilih earth-at-night-ks.

9. Buat pangkalan pengetahuan.

   

Uji pengambilan berbasis agen

Portal ini menyediakan taman bermain obrolan tempat Anda dapat mengirimkan retrieve permintaan ke pangkalan pengetahuan. Respons termasuk referensi ke sumber pengetahuan Anda dan informasi debug tentang proses pengambilan.

Untuk mengkueri pangkalan pengetahuan:

1. Gunakan kotak obrolan untuk mengirim kueri berikut.

   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. Tinjau jawaban yang disintesis dan didukung kutipan, yang harus mirip dengan contoh berikut.

   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. Pilih ikon debug untuk meninjau log aktivitas, yang seharusnya mirip dengan JSON berikut.

   [
     {
       "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
     }
   ]
   

   Log aktivitas menawarkan wawasan tentang langkah-langkah yang diambil selama pengambilan, termasuk perencanaan dan eksekusi kueri, peringkat semantik, dan sintesis jawaban. Untuk informasi selengkapnya, lihat Meninjau array aktivitas.

Meninjau objek yang dihasilkan

Pencarian Azure AI secara otomatis menghasilkan sumber data, set keterampilan, indeks, dan pengindeks untuk setiap sumber pengetahuan blob. Objek-objek ini membentuk alur end-to-end untuk penyerapan data, pengayaan, pemotongan, dan vektorisasi. Anda dapat meninjau objek ini untuk mempelajari bagaimana data Anda diproses untuk pengambilan agenik.

Untuk meninjau objek yang dihasilkan secara otomatis:

1. Dari panel kiri, pilih Manajemen pencarian.

2. Periksa pengindeks untuk pesan keberhasilan atau kegagalan. Kesalahan koneksi atau kuota muncul di sini.

3. Periksa sumber data untuk memverifikasi koneksi ke kontainer penyimpanan blob Anda.

4. Periksa keterampilan untuk melihat bagaimana konten Anda dibagi menjadi bagian dan di-vektorisasi menggunakan model penyematan Anda.

5. Periksa indeks untuk melihat bagaimana konten Anda diindeks dan diekspos untuk pengambilan, termasuk bidang mana yang dapat dicari dan dapat difilter dan bidang mana yang menyimpan vektor untuk pencarian kesamaan. Gunakan Search Explorer untuk menjalankan kueri terhadap indeks yang dihasilkan.

Membersihkan sumber daya

Saat Anda bekerja di langganan Anda sendiri, ada baiknya untuk menyelesaikan proyek dengan menghapus sumber daya yang tidak lagi Anda butuhkan. Sumber daya yang dibiarkan berjalan dapat menyebabkan biaya tambahan.

Di portal Azure, pilih Semua sumber daya atau Kelompok sumber daya dari panel kiri untuk menemukan dan mengelola sumber daya. Anda dapat menghapus sumber daya satu per satu atau menghapus grup sumber daya untuk menghapus semua sumber daya sekaligus.

Anda juga dapat menghapus sumber pengetahuan dan pangkalan pengetahuan di halaman portal masing-masing. Saat Anda menghapus sumber pengetahuan, portal meminta Anda untuk menghapus sumber data, set keterampilan, indeks, dan pengindeks terkait.

Langkah berikutnya