Hızlı Başlangıç: Azure portalında aracısal erişim

Bu hızlı başlangıçta, Azure portalında agentic retrieval kullanarak Azure Yapay Zeka Arama'te dizinlenen belgeler ve Foundry Models içindeki Azure OpenAI'den alınan büyük bir dil modeli (LLM) tarafından desteklenen konuşmaya dayalı bir arama deneyimi oluşturun.

Portal, aşağıdaki nesneleri oluşturma işleminde size yol gösterir:

• Azure Blob Depolama'daki bir kapsayıcıya referans veren bilgi kaynağı. Blob bilgi kaynağı oluşturduğunuzda, Azure Yapay Zeka Arama otomatik olarak içeriğinizi aracı sistemler tarafından alınabilir ve zenginleştirilebilir hale getirmek için bir dizin ve diğer işlem hattı nesneleri oluşturur.

• bilgi tabanı, altta yatan bilgi gereksinimini çıkarsamak için LLM tabanlı sorgu planlamasını (önizleme) ve doğal dilde bir yanıt oluşturmak için alt sorguların yürütülmesi ile yanıt sentezini (önizleme) kullanan bir yapıdır.

Daha sonra, birden çok belgeden bilgi gerektiren karmaşık bir sorgu göndererek ve sentezlenmiş yanıtı gözden geçirerek bilgi bankasını test edebilirsiniz.

Önkoşullar

• Etkin aboneliği olan bir Azure hesabı. Ücretsiz bir hesap oluşturun.

• Azure AI Arama hizmeti sunan herhangi bir bölgede etkin alma sağlayan bir hizmet. Bu hızlı başlangıç, yönetilen kimlik desteği için Temel katmanı veya üzerini gerektirir.

• Azure Blob Depolama hesabı.

• Microsoft Kuluçka projesi ve kaynak. Proje oluşturduğunuzda, kaynak otomatik olarak oluşturulur.

• Metinden vektöre dönüştürme için projenize dağıtılan bir ekleme modeli. gibi text-embeddingherhangi bir text-embedding-3-large modeli kullanabilirsiniz.

• Sorgu planlama ve yanıt oluşturma için projenize dağıtılan bir LLM. Portal tarafından desteklenen herhangi bir LLM kullanabilirsiniz.

Desteklenen LLM'ler

Her ne kadar ajan alma programatik olarak çeşitli LLM'leri destekliyor olsa da portal şu anda aşağıdaki LLM'leri destekler.

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

Erişimi yapılandırma

Başlamadan önce içeriğe ve işlemlere erişim izinlerinizin olduğundan emin olun. Bu hızlı başlangıçta kimlik doğrulaması için Microsoft Entra ID ve yetkilendirme için rol tabanlı erişim kullanılır. Rolleri atamak için Sahip veya Kullanıcı Erişimi Yöneticisi olmanız gerekir. Roller uygun değilse bunun yerine anahtar tabanlı kimlik doğrulamayı kullanın.

Bu hızlı başlangıç için erişimi yapılandırmak için:

1. Azure portalında oturum açın.

2. Azure Yapay Zeka Arama hizmetinizde:

   1. Rol tabanlı erişimi etkinleştirin.

   2. Sistem tarafından atanan bir yönetilen kimlik oluşturun.

   3. Kullanıcı hesabınıza şu rolleri atayın: Arama Hizmeti Katkıda Bulunanı, Arama Dizini Veri Katkıda Bulunanı ve Arama Dizini Veri Okuyucusu.

3. Azure Blob Depolama hesabınızda, arama hizmetinizin yönetilen kimliğine Depolama Blob Verileri Katkıcısı atayın.

4. Microsoft Foundry kaynağınızda, arama hizmetinizin yönetilen kimliğine Cognitive Services User atayın.

Örnek verileri hazırlama

Bu hızlı başlangıçta NASA'nın Gece Dünya e-kitabındaki örnek JSON belgeleri kullanılmaktadır, ancak kendi dosyalarınızı da kullanabilirsiniz. Belgelerde, uzaydan gözlemlendiği gibi gece Dünya'nın genel bilim konuları ve görüntüleri açıklanmaktadır.

Bu hızlı başlangıç için örnek verileri hazırlamak için:

1. Azure portalında Azure Depolama hesabınıza gidin.

2. Sol bölmeden Veri depolama>Kapsayıcıları'nı seçin.

3. Earth-at-night-data adlı bir kapsayıcı oluşturun.

4. sample JSON belgelerini kapsayıcıya yükleyin.

Bilgi kaynağı oluşturma

Bilgi kaynağı, kaynak verileriniz için yeniden kullanılabilir bir başvurudur. Bu bölümde, veri dizini oluşturmayı ve zenginleştirmeyi otomatikleştirmek için bir veri kaynağı, beceri kümesi, dizin ve dizin oluşturucu oluşturulmasını tetikleyen bir blob bilgi kaynağı oluşturacaksınız. Bu nesneleri sonraki bir bölümde gözden geçireceksiniz.

Ayrıca, metni vektörlere dönüştürmek ve semantik benzerlik temelinde belgeleri eşleştirmek için dağıtılan ekleme modelinizi kullanan bir vektörleştirici de yapılandırırsınız. Vektörleştirici, vektör alanları ve vektörler otomatik olarak oluşturulan dizine eklenir.

Bu hızlı başlangıcın bilgi kaynağını oluşturmak için:

1. Azure portalında arama hizmetinize gidin.

2. Sol bölmeden Aracı alma>Bilgi kaynakları'nı seçin.

3. Bilgi kaynağı ekle>Bilgi kaynağı ekle'yi seçin.

4. Azure blob (Dizinli)'yi seçin.

5. Ad için earth-at-night-ks girin ve ardından örnek verileri içeren aboneliğinizi, depolama hesabınızı ve kapsayıcınızı seçin.

6. Yönetilen kimlik kullanarak kimlik doğrulaması onay kutusunu seçin. Kimlik türünü Sistem tarafından atanan olarak bırakın.

7. Metin vektörleştirmesini etkinleştir'in altında Vektörleştirici ekle'yi seçin.

8. Tür için Microsoft Foundry seçin ve ardından aboneliğinizi, projenizi ve ekleme modeli dağıtımınızı seçin.

9. Kimlik doğrulama türü için Sistem tarafından atanan kimlik'i seçin.

10. Vektörleştiriciyi kaydedin.

11. Bilgi kaynağını oluşturun.

    

Bilgi bankası oluşturma

Bilgi bankası, aracılı alma işlemini yönetmek için bilgi kaynağınızı ve dağıtılan LLM'yi kullanır. Kullanıcı karmaşık bir sorgu gönderdiğinde, LLM tabanlı sorgu planlama (önizleme) bilgi kaynağınıza aynı anda gönderilen alt sorgular oluşturur. Azure Yapay Zeka Arama sonuçları semantik olarak ilgililik açısından sıralar ve en iyi sonuçları tek bir birleşik yanıtta toplar.

Çıkış modu, bilgi bankasının cevapları nasıl formüle ettiğini belirler. Ayrıntılı içerik için ayıklayıcı verileri veya doğal dil yanıt oluşturma için yanıt sentezi (önizleme) kullanabilirsiniz. Portal varsayılan olarak yanıt sentezini kullanır.

Bu hızlı başlangıç için bilgi bankası oluşturmak için:

1. Sol bölmeden Aracı alma>Bilgi bankaları'nı seçin.

2. Bilgi bankası ekle>Bilgi bankası ekle'yi seçin.

3. Ad olarak earth-at-night-kb girin.

4. Sohbet tamamlama modeli'nin altında Model dağıtımı ekle'yi seçin.

5. Tür için Microsoft Foundry seçin ve ardından aboneliğinizi, projenizi ve LLM dağıtımınızı seçin.

6. Kimlik doğrulama türü için Sistem tarafından atanan kimlik'i seçin.

7. Model dağıtımını kaydedin.

8. Bilgi kaynakları altında earth-at-night-ks'i seçin.

9. Bilgi bankasını oluşturun.

   

Öznel alma testi

Portal, bilgi bankasına istek gönderebileceğiniz retrieve bir sohbet oyun alanı sağlar. Yanıtlar, bilgi kaynaklarınıza başvurular ve alma işlemiyle ilgili hata ayıklama bilgilerini içerir.

Bilgi bankasını sorgulamak için:

1. Aşağıdaki sorguyu göndermek için sohbet kutusunu kullanın.

   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. Aşağıdaki örneğe benzer olması gereken sentezlenmiş, alıntı destekli yanıtı gözden geçirin.

   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. Etkinlik günlüğünü gözden geçirmek için hata ayıklama simgesini seçin. Bu simge aşağıdaki JSON'a benzer olmalıdır.

   [
     {
       "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
     }
   ]
   

   Etkinlik günlüğü, sorgu planlama ve yürütme, anlam derecelendirmesi ve yanıt sentezi gibi alma sırasında atılan adımlar hakkında içgörü sağlar. Daha fazla bilgi için bkz. Etkinlik dizisini gözden geçirme.

Oluşturulan nesneleri gözden geçirme

Azure Yapay Zeka Arama her blob bilgi kaynağı için otomatik olarak bir veri kaynağı, beceri kümesi, dizin ve dizin oluşturucu oluşturur. Bu nesneler veri alımı, zenginleştirme, öbekleme ve vektörleştirme için uçtan uca bir işlem hattı oluşturur. Verilerinizin aracılı alma için nasıl işlendiğini öğrenmek için bu nesneleri gözden geçirebilirsiniz.

Otomatik olarak oluşturulan nesneleri gözden geçirmek için:

1. Sol bölmeden Arama yönetimi'ni seçin.

2. Dizin oluşturucuda başarılı veya başarısız iletileri olup olmadığını denetleyin. Bağlantı veya kota hataları burada görünür.

3. Blob depolama kapsayıcınıza bağlantıyı doğrulamak için veri kaynağını denetleyin.

4. beceri setini kontrol edin ve yerleştirme modelinizi kullanarak içeriğinizin nasıl öbeklendiğini ve vektörleştirildiğini görün.

5. hangi alanların aranabilir ve filtrelenebilir olduğu ve benzerlik araması için vektörlerin depolandığı alanlar dahil olmak üzere içeriğinizin dizine nasıl eklendiğini ve alma için nasıl kullanıma sunulduğuna bakmak için dizini denetleyin. Oluşturulan dizinde sorgu çalıştırmak için Arama Gezgini'ni kullanın.

Kaynakları temizleme

Kendi aboneliğinizde çalışırken, artık ihtiyacınız olmayan kaynakları kaldırarak bir projeyi tamamlamak iyi bir fikirdir. Çalışır durumda kalan kaynaklar size pahalıya mal olabilir.

Kaynakları bulmak ve yönetmek için Azure portalında Tüm kaynaklar veya Kaynak grupları seçin. Kaynakları tek tek silebilir veya tüm kaynakları aynı anda kaldırmak için kaynak grubunu silebilirsiniz.

Bilgi kaynağını ve bilgi bankasını ilgili portal sayfalarından da silebilirsiniz. Bilgi kaynağını sildiğinizde portal ilişkili veri kaynağını, beceri kümesini, dizini ve dizin oluşturucuyu silmenizi ister.

Sonraki adım