快速入门：Azure 门户中的智能体检索

在本快速入门中，使用 Azure 门户中的智能体检索，基于 Azure AI 搜索 中已编入索引的文档以及 Foundry Models 中的 Azure OpenAI 大型语言模型（LLM），创建对话式搜索体验。

门户指导你完成创建以下对象的过程：

• 引用 Azure Blob 存储 中容器的知识源。 创建 Blob 知识源时，Azure AI 搜索自动生成索引和其他管道对象来引入和扩充内容以进行代理检索。

• 一个 知识库 ，它使用基于 LLM 的查询规划（预览版）来推断基础信息需求，并执行子查询和答案合成（预览版）来构建自然语言答案。

之后，通过提交需要来自多个文档的信息并查看合成答案的复杂查询来测试知识库。

先决条件

• 具有活动订阅的Azure帐户。 免费创建帐户。

• 在任何提供智能体检索的区域中的​ Azure AI 搜索 服务。 本快速入门需要基本层或更高级别的托管标识支持。

• Azure Blob 存储 帐户。

• Microsoft Foundry 项目和资源。 创建项目时，会自动创建资源。

• 项目中已部署的嵌入模型，用于文本到向量转换。 可以使用任何 text-embedding 模型，例如 text-embedding-3-large。

• 部署到项目中的 LLM，用于查询规划和答案生成。 可以使用任何 门户支持的 LLM。

支持的 LLM

尽管代理检索以编程方式支持多个 LLM，但门户网站当前仅支持以下 LLM：

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

配置访问权限

在开始之前，请确保你有权访问内容和操作。 本快速入门使用 Microsoft Entra ID 进行身份验证，并通过基于角色的访问控制进行授权。 你必须是 所有者 或 用户访问管理员 才能分配角色。 如果角色不可行，请改用 基于密钥的身份验证 。

若要为本快速入门配置访问权限，请执行以下操作：

1. 登录到 Azure 门户。

2. 在您的 Azure AI 搜索服务中：

   1. 启用基于角色的访问。

   2. 创建系统分配的托管标识。

   3. 将以下角色分配给 用户帐户： 搜索服务参与者、 搜索索引数据参与者和 搜索索引数据读取者。

3. 在 Azure Blob 存储帐户上，将存储 Blob 数据参与者分配给搜索服务的托管标识。

4. 在 Microsoft Foundry 资源上，将 Cognitive Services User 分配给搜索服务的托管标识。

准备示例数据

本快速入门使用美国宇航局的地球夜间电子书中的示例 JSON 文档，但也可以使用自己的文件。 这些文件描述了普遍的科学主题，以及从太空中观测到的夜晚地球图像。

为本快速入门教程准备示例数据：

1. 在 Azure 门户 中转到 Azure 存储帐户。

2. 在左窗格中，选择 “数据存储>容器”。

3. 创建名为 “晚上地球数据”的容器。

4. 将 sample JSON 文档上传到容器。

创建知识源

知识源是对源数据的可重用引用。 在本部分中，将创建一个 Blob 知识源，用于触发创建 数据源、 技能集、 索引和 索引器 以自动执行数据索引和扩充。 可以在后面的部分中查看这些对象。

还可以配置 矢量化程序，它使用已部署的嵌入模型将文本转换为矢量，并根据语义相似性匹配文档。 向量器、向量字段和向量将添加到自动生成的索引中。

若要为本快速入门创建知识源，请执行以下操作：

1. 在 Azure 门户 中转到你的搜索服务。

2. 在左窗格中，选择 “代理检索>知识源”。

3. 选择 “添加知识源>添加知识源”。

4. 选择 Azure blob （Indexed）。

5. 输入名称 earth-at-night-ks，然后选择您的订阅、存储帐户和包含示例数据的容器。

6. 选中“ 使用托管标识进行身份验证 ”复选框。 将标识类型保留为 系统分配。

7. 在“ 启用文本矢量化”下，选择“ 添加向量器”。

8. 选择类型Microsoft Foundry，然后选择订阅、项目和嵌入模型部署。

9. 为身份验证类型选择 系统分配的标识 。

10. 保存向量器。

11. 创建知识源。

    

创建知识库

知识库使用您的知识源和已部署的 LLM 来协调智能检索。 当用户提交复杂查询时，基于 LLM 的查询规划（预览版）将生成同时发送到知识源的子查询。 然后，Azure AI 搜索语义方式对结果进行相关性排名，并将最佳结果合并为单个统一响应。

输出模式确定知识库如何构建答案。 可以将提取数据用于逐字内容，也可以使用 答案合成（预览版） 生成自然语言答案。 默认情况下，门户使用答案合成。

若要为本快速入门创建知识库，请执行以下操作：

1. 在左窗格中，选择 “代理检索>知识库”。

2. 选择 “添加知识库>添加知识库”。

3. 输入 earth-at-night-kb 作为名称。

4. 在 “聊天完成模型”下，选择 “添加模型部署”。

5. 选择类型Microsoft Foundry，然后选择订阅、项目和 LLM 部署。

6. 为身份验证类型选择 系统分配的标识 。

7. 保存模型部署。

8. 在 “知识来源” 下，选择 earth-at-night-ks。

9. 创建知识库。

   

测试代理检索

门户提供一个聊天操场，可在其中向知识库提交 retrieve 请求。 响应包含对您的知识源的引用以及与检索过程相关的调试信息。

查询知识库：

1. 使用聊天框发送以下查询。

   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. 查看合成的引文支持答案，该答案应类似于以下示例。

   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. 选择调试图标以查看活动日志，该日志应类似于以下 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
     }
   ]
   

   活动日志提供检索过程中执行的步骤的见解，包括查询规划和执行、语义排名和答案合成。 有关详细信息，请参阅 “查看活动数组”。

查看生成的对象

Azure AI 搜索自动生成每个 Blob 知识源的数据源、技能集、索引和索引器。 这些对象构成端到端管道，用于数据引入、扩充、分块和矢量化。 可以查看这些对象，了解如何处理数据以进行代理检索。

查看自动生成的对象：

1. 在左窗格中，选择 “搜索管理”。

2. 检查索引器是否有成功或失败的消息。 这里会显示连接错误或配额错误。

3. 检查数据源以验证与 Blob 存储容器的连接。

4. 检查技能集，了解如何使用嵌入模型对内容进行分块和矢量化。

5. 检查索引以查看内容如何被编制索引以及公开以供检索，包括哪些字段是可搜索和可筛选的，以及哪些字段存储用于相似性搜索的向量。 使用搜索资源管理器针对生成的索引运行查询。

清理资源

当你在自己的订阅中工作时，项目结束后删除不再需要的资源是一个好习惯。 让资源保持运行状态会耗费成本。

在Azure门户中，从左窗格中选择“所有资源或资源组以查找和管理资源。 可以单独删除资源，也可以删除资源组以一次性删除所有资源。

还可以在其各自的门户页面上删除知识源和知识库。 删除知识源时，门户会提示删除关联的数据源、技能集、索引和索引器。

下一步