Snabbstart: Agentisk hämtning i Azure-portalen

I den här snabbstarten använder du agentisk hämtning i Azure-portalen för att skapa en konversationssökningsupplevelse som drivs av dokument som indexerats i Azure AI-sökning och en stor språkmodell (LLM) från Azure OpenAI i Foundry Models.

Portalen vägleder dig genom processen att skapa följande objekt:

• En knowledge-källa som refererar till en container i Azure Blob Storage. När du skapar en blob-kunskapskälla genererar Azure AI-sökning automatiskt ett index och andra pipelineobjekt för att mata in och berika ditt innehåll för agentisk hämtning.

• En kunskapsbas som använder LLM-baserad frågeplanering (förhandsversion) för att härleda underliggande informationsbehov och köra underfrågor och svarssyntes (förhandsversion) för att formulera ett naturligt språksvar.

Efteråt testar du kunskapsbasen genom att skicka en komplex fråga som kräver information från flera dokument och granska det syntetiserade svaret.

Förutsättningar

• Ett Azure konto med en aktiv prenumeration. Skapa ett konto kostnadsfritt.

• En Azure AI-sökning-tjänst i vilken region som helst som tillhandahåller agentbaserad hämtning. Den här snabbstarten kräver basic-nivån eller högre för stöd för hanterad identitet.

• Ett Azure Blob Storage konto.

• Ett Microsoft Foundry-projekt och resurs. När du skapar ett projekt skapas resursen automatiskt.

• En inbäddningsmodell som distribuerats till projektet för text-till-vektorkonvertering. Du kan använda valfri text-embedding modell, till exempel text-embedding-3-large.

• En LLM distribuerad till projektet för frågeplanering och svarsgenerering. Du kan använda valfri LLM som stöds av portalen.

LLM:er som stöds

Även om agentisk hämtning programmatiskt stöder flera LLM:er stöder portalen för närvarande följande LLM:er:

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

Konfigurera åtkomst

Kontrollera att du har behörighet att komma åt innehåll och åtgärder innan du börjar. Den här snabbstarten använder Microsoft Entra ID för autentisering och rollbaserad åtkomst för auktorisering. Du måste vara ägare eller administratör för användaråtkomst för att tilldela roller. Om roller inte är genomförbara använder du nyckelbaserad autentisering i stället.

Så här konfigurerar du åtkomst för den här snabbstarten:

1. Logga in på Azure-portalen.

2. På din Azure AI-sökning-tjänst:

   1. Aktivera rollbaserad åtkomst.

   2. Skapa en systemtilldelad hanterad identitet.

   3. Tilldela följande roller till ditt användarkonto: Search Service-deltagare, Search Index Data Contributor och Search Index Data Reader.

3. På ditt Azure Blob Storage-konto tilldelar du Storage Blob Data Contributor till söktjänstens hanterade identitet.

4. På din Microsoft Foundry-resurs tilldelar du Cognitive Services-användare till söktjänstens hanterade identitet.

Förbereda exempeldata

Den här snabbstarten använder JSON-exempeldokument från NASA:s e-bok Earth at Night, men du kan också använda dina egna filer. Dokumenten beskriver allmänna vetenskapsämnen och bilder av jorden på natten enligt vad som observerats från rymden.

Så här förbereder du exempeldata för den här snabbstarten:

1. Gå till ditt Azure Storage-konto i Azure-portalen.

2. I den vänstra rutan väljer duDatalagringscontainrar>.

3. Skapa en container med namnet earth-at-night-data.

4. Ladda upp exempel JSON-dokument till containern.

Skapa en kunskapskälla

En kunskapskälla är en återanvändbar referens till dina källdata. I det här avsnittet skapar du en blob-kunskapskälla som utlöser skapandet av en datakälla, kompetensuppsättning, index och indexerare för att automatisera dataindexering och berikande. Du granskar dessa objekt i ett senare avsnitt.

Du konfigurerar också en vektoriserare som använder din distribuerade inbäddningsmodell för att konvertera text till vektorer och matcha dokument baserat på semantisk likhet. Vektoriseraren, vektorfälten och vektorerna läggs till i det automatiskt genererade indexet.

Så här skapar du kunskapskällan för den här snabbstarten:

1. Gå till söktjänsten i Azure-portalen.

2. I den vänstra rutan väljer duKunskapskällor för >.

3. Välj Lägg till kunskapskälla>Lägg till kunskapskälla.

4. Välj Azure blob (indexerad).

5. Ange earth-at-night-ks som namn och välj sedan din prenumeration, ditt lagringskonto och din container med exempeldata.

6. Markera kryssrutan Autentisera med hanterad identitet . Lämna identitetstypen som Systemtilldelad.

7. Under Aktivera textvektorisering väljer du Lägg till vektoriserare.

8. Välj Microsoft Foundry för typen och välj sedan din prenumeration, ditt projekt och din inbäddningsmodelldistribution.

9. Välj Systemtilldelad identitet för autentiseringstypen.

10. Spara vektoriseraren.

11. Skapa kunskapskällan.

    

Skapa en kunskapsbas

En kunskapsbas använder din kunskapskälla och implementerad LLM för att möjliggöra agentstyrd hämtning. När en användare skickar en komplex fråga genererar LLM-baserad frågeplanering (förhandsversion) underfrågor som skickas samtidigt till din kunskapskälla. Azure AI-sökning rangordnar sedan semantiskt resultaten för relevans och kombinerar de bästa resultaten till ett enda enhetligt svar.

Utdataläget avgör hur kunskapsbasen formulerar svar. Du kan antingen använda extraherande data för ordagrant innehåll eller svarssyntes (förhandsversion) för generering av naturligt språksvar. Portalen använder som standard svarssyntes.

Så här skapar du kunskapsbasen för den här snabbstarten:

1. I den vänstra rutan väljer duKunskapsbaser för >.

2. Välj Lägg till kunskapsbas>Lägg till kunskapsbas.

3. Ange earth-at-night-kb som namn.

4. Under Modell för chattens slutförande väljer du Lägg till modelldistribution.

5. Välj Microsoft Foundry för typen och välj sedan din prenumeration, ditt projekt och din LLM-distribution.

6. Välj Systemtilldelad identitet för autentiseringstypen.

7. Spara modellutplaceringen.

8. Under Kunskapskällor väljer du earth-at-night-ks.

9. Skapa kunskapsbasen.

   

Testa agentbaserad hämtning

Portalen innehåller en chattlekplats där du kan skicka retrieve begäranden till kunskapsbasen. Svaren innehåller referenser till dina kunskapskällor och felsökningsinformation om hämtningsprocessen.

Så här frågar du kunskapsbasen:

1. Använd chattrutan för att skicka följande fråga.

   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. Granska det syntetiserade, källhänvisningsbaserade svaret, som bör likna följande exempel.

   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. Välj felsökningsikonen för att granska aktivitetsloggen, som bör likna följande JSON.

   [
     {
       "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
     }
   ]
   

   Aktivitetsloggen ger insikt i de steg som tas vid hämtning, inklusive frågeplanering och körning, semantisk rangordning och svarssyntes. Mer information finns i Granska aktivitetsmatrisen.

Granska de genererade objekten

Azure AI-sökning genererar automatiskt en datakälla, kompetensuppsättning, index och indexerare för varje blob-kunskapskälla. Dessa objekt utgör en pipeline från slutpunkt till slutpunkt för datainmatning, berikning, segmentering och vektorisering. Du kan granska dessa objekt för att lära dig hur dina data bearbetas för agentisk hämtning.

Så här granskar du de automatiskt genererade objekten:

1. Välj Sökhantering i den vänstra rutan.

2. Kontrollera indexeraren efter lyckade eller misslyckade meddelanden. Anslutnings- eller kvotfel visas här.

3. Kontrollera datakällan för att verifiera anslutningen till din blobcontainer.

4. Kontrollera kunskapsuppsättningen för att se hur innehållet segmenteras och vektoriseras med hjälp av inbäddningsmodellen.

5. Kontrollera indexet för att se hur ditt innehåll indexeras och exponeras för hämtning, inklusive vilka fält som är sökbara och filterbara och vilka fält som lagrar vektorer för likhetssökning. Använd Sökutforskaren för att köra frågor mot det genererade indexet.

Rensa resurser

När du arbetar i din egen prenumeration är det en bra idé att slutföra ett projekt genom att ta bort de resurser som du inte längre behöver. Resurser som lämnas igång kan kosta dig pengar.

I Azure-portalen väljer du Alla resurser eller Resource-grupper i den vänstra rutan för att hitta och hantera resurser. Du kan ta bort resurser individuellt eller ta bort resursgruppen för att ta bort alla resurser samtidigt.

Du kan också ta bort kunskapskällan och kunskapsbasen på respektive portalsida. När du tar bort kunskapskällan uppmanas du att ta bort den associerade datakällan, kompetensuppsättningen, indexet och indexeraren.

Nästa steg