Início Rápido: Recuperação Agentífica no Portal do Azure

Neste guia de início rápido, utilize recuperação agêntica no portal do Azure para criar uma experiência de pesquisa conversacional alimentada por documentos indexados no Pesquisa de IA do Azure e por um modelo de linguagem de grande dimensão (LLM) do Azure OpenAI no Foundry Models.

O portal guia-o no processo de criação dos seguintes objetos:

• Uma fonte knowledge que faz referência a um contentor em Armazenamento de Blobs do Azure. Quando cria uma fonte de conhecimento em blob, o Pesquisa de IA do Azure gera automaticamente um índice e outros objetos pipeline para ingerir e enriquecer o seu conteúdo para recuperação agente.

• Uma base de conhecimento que utiliza planeamento de consultas com base em LLM (pré-visualização) para inferir a necessidade subjacente de informação, executar subconsultas e sintetizar respostas (pré-visualização) para formular uma resposta em linguagem natural.

Depois, testas a base de conhecimento submetendo uma consulta complexa que requer informação de vários documentos e revendo a resposta sintetizada.

Pré-requisitos

• Uma conta no Azure com uma subscrição ativa. Cria uma conta gratuitamente.

• Um serviço Pesquisa de IA do Azure em qualquer região que forneça recuperação agentica. Este quickstart requer o nível Básico ou superior para suporte de identidade gerida.

• Uma conta Armazenamento de Blobs do Azure.

• Um projeto e recurso do Microsoft Foundry. Quando cria um projeto, o recurso é criado automaticamente.

• Um modelo de embedding implementado no seu projeto para conversão de texto para vetor. Pode usar qualquer text-embedding modelo, como text-embedding-3-large.

• Um LLM implementado no seu projeto para planeamento de consultas e geração de respostas. Podes usar qualquer LLM suportado pelo portal.

LLMs suportados

Embora a recuperação agêntica suporte programaticamente vários LLMs, o portal atualmente suporta os seguintes LLMs:

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

Configurar acesso

Antes de começar, certifique-se de que tem permissões para aceder a conteúdos e operações. Este quickstart utiliza o Microsoft Entra ID para autenticação e acesso baseado em papéis para autorização. Deve ser Proprietário ou Administrador de Acesso ao Utilizador para atribuir funções. Se as funções não forem viáveis, use autenticação baseada em chaves .

Para configurar o acesso para este quickstart:

1. Inicie sessão no portal Azure.

2. No seu serviço Pesquisa de IA do Azure:

   1. Permitir o acesso baseado em funções.

   2. Crie uma identidade gerida atribuída pelo sistema.

   3. Atribua as seguintes funções à sua conta de utilizador: Contribuidor de Serviço de Pesquisa, Contribuidor de Dados de Índice de Pesquisa e Leitor de Dados de Índice de Pesquisa.

3. Na sua conta Armazenamento de Blobs do Azure, atribui Storage Blob Data Contributor à identidade gerida do teu serviço de pesquisa.

4. No seu recurso Microsoft Foundry, atribua Cognitive Services User à identidade gerida do seu serviço de pesquisa.

Preparar dados de amostra

Este quickstart utiliza exemplos de documentos JSON do e-book Earth at Night da NASA, mas também pode usar os seus próprios ficheiros. Os documentos descrevem tópicos gerais de ciência e imagens da Terra à noite, observada a partir do espaço.

Para preparar os dados de exemplo para este início rápido:

1. Vai à tua conta Armazenamento do Azure no portal Azure.

2. No painel esquerdo, selecioneContentores> de Dados.

3. Cria um contentor chamado earth-at-night-data.

4. Carregue os documentos JSON exemplo para o contentor.

Criar uma fonte de conhecimento

Uma fonte de conhecimento é uma referência reutilizável aos seus dados fonte. Nesta secção, cria uma fonte de conhecimento em blob, que desencadeia a criação de uma fonte de dados, conjunto de competências, índice e indexador para automatizar a indexação e o enriquecimento de dados. Analisa estes objetos numa secção posterior.

Também configuras um vetorizador, que usa o teu modelo de embedding implementado para converter texto em vetores e corresponder documentos com base na similaridade semântica. O vetorizador, os campos vetoriais e os vetores são adicionados ao índice gerado automaticamente.

Para criar a fonte de conhecimento para este guia de iniciação rápida:

1. Vá ao seu serviço de pesquisa no portal Azure.

2. No painel esquerdo, selecione Recuperação Agente>Fontes de Conhecimento.

3. Selecionar Adicionar fonte> de conhecimentoAdicionar fonte de conhecimento.

4. Selecione Azure blob (Indexado).

5. Introduza earth-at-night-ks para o nome e depois selecione a sua subscrição, conta de armazenamento e contentor com os dados da amostra.

6. Selecione a caixa de seleção Autenticar utilizando identidade gerida. Deixe o tipo de identidade como Atribuído pelo Sistema.

7. Em Ativar vetorização de texto, selecione Adicionar vetorizador.

8. Selecione Microsoft Foundry para o tipo, e depois selecione a sua subscrição, projeto e implementação do modelo de incorporação.

9. Selecione Identidade atribuída ao Sistema para o tipo de autenticação.

10. Guarda o vetorizador.

11. Crie a fonte de conhecimento.

    

Crie uma base de conhecimento

Uma base de conhecimento utiliza a sua fonte de conhecimento e o LLM implementado para orquestrar a recuperação agencial. Quando um utilizador submete uma consulta complexa, o planeamento de consultas baseado em LLM (preview) gera subconsultas que são enviadas simultaneamente para a sua fonte de conhecimento. O Pesquisa de IA do Azure classifica então semanticamente os resultados pela relevância e combina os melhores resultados numa única resposta unificada.

O modo de saída determina como a base de conhecimento formula as respostas. Pode usar dados extrativos para conteúdo literal ou síntese de respostas (pré-visualização) para geração de respostas em linguagem natural. Por defeito, o portal usa síntese de respostas.

Para criar a base de conhecimento deste quickstart:

1. No painel esquerdo, selecione Recuperação Agente>Bases de Conhecimento.

2. Selecionar Adicionar base de conhecimento>Adicionar base de conhecimento.

3. Insira earth-at-night-kb para o nome.

4. Em Modelo de conclusão do chat, selecione Adicionar implementação do modelo.

5. Selecione Microsoft Foundry para o tipo, e depois selecione a sua subscrição, projeto e implementação do LLM.

6. Selecione Identidade atribuída ao Sistema para o tipo de autenticação.

7. Salve o modelo implementado.

8. Em Fontes de Conhecimento, selecione earth-at-night-ks.

9. Cria a base de conhecimento.

   

Recuperação agencial de teste

O portal disponibiliza um ambiente de teste de conversação onde pode submeter retrieve pedidos à base de conhecimento. As respostas incluem referências às suas fontes de conhecimento e informações de depuração sobre o processo de recuperação.

Para consultar a base de conhecimento:

1. Use a caixa de chat para enviar a seguinte pergunta.

   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. Revise a resposta sintetizada, apoiada por citações, que deverá ser semelhante ao seguinte exemplo.

   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. Selecione o ícone de depuração para rever o registo de atividades, que deverá ser semelhante ao JSON seguinte.

   [
     {
       "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
     }
   ]
   

   O registo de atividades oferece uma visão dos passos seguidos durante a recuperação, incluindo planeamento e execução de consultas, classificação semântica e síntese de respostas. Para mais informações, consulte Rever o array de atividades.

Rever os objetos gerados

O Pesquisa de IA do Azure gera automaticamente uma fonte de dados, conjunto de competências, índice e indexador para cada fonte de conhecimento do blob. Estes objetos formam um pipeline de ponta a ponta para ingestão, enriquecimento, fragmentação e vetorização de dados. Pode rever estes objetos para saber como os seus dados são processados para recuperação assistida por agente.

Para rever os objetos gerados automaticamente:

1. No painel esquerdo, selecione Gestão de Pesquisas.

2. Verifique o indexador para mensagens de sucesso ou fracasso. Erros de conexão ou de cota aparecem aqui.

3. Verifica a fonte de dados para confirmar a ligação ao teu contentor de armazenamento de blobs.

4. Verifica o conjunto de habilidades para ver como o teu conteúdo é segmentado e vetorizado usando o teu modelo de embedding.

5. Verifique o índice para ver como o seu conteúdo é indexado e exposto para recuperação, incluindo quais os campos pesquisáveis e filtráveis e quais armazenam vetores para pesquisa por similaridade. Use o Explorador de Pesquisa para realizar consultas no índice gerado.

Recursos de limpeza

Quando trabalha com a sua própria subscrição, é boa ideia terminar um projeto removendo os recursos de que já não precisa. Os recursos que ficam a funcionar podem custar-lhe dinheiro.

No portal Azure, selecione Todos os recursos ou Resource groups no painel esquerdo para encontrar e gerir recursos. Podes eliminar recursos individualmente ou eliminar o grupo de recursos para remover todos os recursos de uma só vez.

Também pode eliminar a fonte de conhecimento e a base de conhecimento nas respetivas páginas do portal. Quando elimina a fonte de conhecimento, o portal pede-lhe para eliminar a fonte de dados associada, o conjunto de competências, o índice e o indexador.

Próximo passo