快速入門：在 Azure 入口網站中的 Agentic 檢索

在這個快速入門中，請使用 Azure 入口網站中的代理式擷取，建立由 Azure AI 搜尋服務 中已建立索引的文件，以及 Foundry Models 中 Azure OpenAI 的大型語言模型（LLM）所支援的對話式搜尋體驗。

入口網站會引導你完成創建以下物件的過程：

• 一個知識來源，引用Azure Blob 儲存體中的容器。 當你建立 blob 知識來源時，Azure AI 搜尋服務 會自動產生索引和其他管線物件，以匯入並豐富你的內容以便代理檢索。

• 一個利用基於LLM的查詢規劃（預覽）來推斷底層資訊需求，並執行子查詢與答案綜合（預覽）以形成自然語言答案的 知識庫 。

接著，你提交一個複雜的查詢，需要多份文件的資訊，並檢視綜合答案，來測試知識庫。

先決條件

• 一個有有效訂閱的 Azure 帳號。 免費註冊帳號。

• 位於任何提供代理式擷取之區域的 Azure AI 搜尋服務服務。 此快速入門需要 Basic 等級或以上的管理身份支援。

• 一個Azure Blob 儲存體帳戶。

• 一個Microsoft Foundry 專案和資源。 當你建立專案時，資源會自動建立。

• 用於文本到向量轉換的嵌入模型已部署到你的專案中。 你可以使用任何 text-embedding 模型，例如 text-embedding-3-large。

• LLM 已部署至您的專案，用於查詢規劃與產生答案。 您可以使用任何入口網站支援的 LLM。

支援的大型語言模型

雖然代理檢索在 程式化上支援多種大型語言模型，但該入口網站目前支援以下大型語言模型：

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

設定存取權限

在開始之前，請確保你有權限存取內容和操作。 此快速入門使用 Microsoft Entra ID 進行驗證，並以角色為基礎的存取控制來授權。 您必須是 擁有者 或 使用者存取管理員 才能指派角色。 如果角色不可行，改用 金鑰驗證 。

若要為此快速入門設定存取：

1. 登入 Azure 入口網站。

2. 關於你的 Azure AI 搜尋服務 服務：

   1. 啟用基於角色的存取權限。

   2. 建立系統指派的管理身份。

   3. 為您的使用者帳號指派以下角色：搜尋服務貢獻者、搜尋索引資料貢獻者，以及搜尋索引資料閱讀器。

3. 在您的 Azure Blob 儲存體帳戶上，將儲存體 Blob 資料參與者指派到您的搜尋服務的受控身分識別。

4. 在您的 Microsoft Foundry 資源中，將 Cognitive Services User 指派給您的搜尋服務的管理身份。

準備樣本資料

這個快速入門使用了 NASA 電子書《Earth at Night》中的範例 JSON 文件，但你也可以使用自己的檔案。 這些文件描述了一般科學主題及從太空觀察到的夜間地球影像。

為此快速入門準備範例資料：

1. 請前往Azure入口網站，進入你的Azure 儲存體帳號。

2. 從左側窗格選擇 資料儲存>容器。

3. 建立一個名為 earth-at-night-data（地球夜數據）的容器。

4. 將 sample JSON 文件上傳到容器。

建立知識來源

知識來源是對來源資料的可重複使用的參考資料。 在本節中，你建立一個 blob 知識來源，觸發建立 資料來源、 技能集、 索引器和 索引器 ，以自動化資料索引與豐富。 你會在後面的章節中回顧這些物件。

你還會設定 向量器，利用你部署的嵌入模型將文字轉換成向量，並根據語意相似度匹配文件。 向量器、向量場與向量會加入自動產生的索引中。

為了建立此快速入門的知識基礎：

1. 在Azure 入口網站中，進入您的搜尋服務。

2. 從左側窗格選擇 主動檢索>知識來源。

3. 選擇 新增知識來源>新增知識來源。

4. 選擇 Azure blob（已編索引）。

5. 輸入 earth-at-night-ks 作為名稱，然後選擇你的訂閱、儲存帳號和容器，並附上範例資料。

6. 選擇 「使用管理身份認證 」的勾選框。 身份類型保持為 系統指派。

7. 在 啟用文字向量化中，選擇 新增向量器。

8. 選擇 Microsoft Foundry 選擇類型，然後選擇訂閱、專案及嵌入模型部署。

9. 選擇 系統指定的身份 以取得認證類型。

10. 保存向量器。

11. 建立知識來源。

    

建立知識庫

知識庫會使用您的知識來源和已部署的 LLM 來協調代理式擷取。 當使用者提交複雜的查詢時，以 LLM 為基礎的查詢規劃（預覽）會產生子查詢，並同時將其傳送至你的知識來源。 Azure AI 搜尋服務 接著語意地對結果進行排序，並將最佳結果合併成單一統一回應。

輸出模式決定了知識庫如何形成答案。 你可以用擷取資料來做逐字內容，或用 答案綜合（預覽） 來產生自然語言的答案。 預設情況下，入口網站使用答案合成。

為建立快速入門知識庫：

1. 從左側窗格選擇 代理檢索>知識庫。

2. 選擇新增知識庫>。

3. 請輸入名稱 earth-at-night-kb。

4. 在 聊天完成模型中，選擇 新增模型部署。

5. 選擇 Microsoft Foundry 選擇類型，然後選擇訂閱、專案和 LLM 部署。

6. 選擇 系統指定的身份 以取得認證類型。

7. 保存模型部署。

8. 在知識來源中，選擇earth-at-night-ks。

9. 建立知識庫。

   

測試代理式擷取

這個入口網站提供了一個聊天遊樂場，你可以向知識庫提交 retrieve 請求。 回應內容包括你的知識來源參考資料，以及有關擷取程序的偵錯資訊。

查詢知識庫：

1. 請使用聊天框發送以下問題。

   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. 回顧綜合且有引用支持的答案，應該與以下範例相似。

   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. 選擇除錯圖示以查看活動日誌，該日誌應該與以下 JSON 類似。

   [
     {
       "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
     }
   ]
   

   活動日誌提供檢索過程中所採取的步驟洞察，包括查詢規劃與執行、語意排序及答案綜合。 欲了解更多資訊，請參閱 檢視活動陣列。

檢視產生的物件

Azure AI 搜尋服務 會自動為每個 blob 知識來源產生資料來源、技能集、索引和索引器。 這些物件構成一個端到端的管線，用於資料擷取、豐富、分塊及向量化。 你可以檢視這些物件，了解你的資料如何被處理以進行代理檢索。

要檢視自動生成的物件：

1. 從左側窗格選擇 搜尋管理。

2. 檢查索引器上的成功或失敗訊息。 連線或配額錯誤會出現在這裡。

3. 檢查資料來源，確認與你的 blob 儲存容器的連結。

4. 檢查技能集，看看你的內容如何被用嵌入模型分割和向量化。

5. 檢查索引，了解你的內容如何被索引並展示以便檢索，包括哪些欄位可搜尋和篩選，哪些欄位儲存向量以便相似度搜尋。 使用搜尋總管對產生的索引執行查詢。

清理資源

當您在自己的訂用帳戶中工作時，建議您在完成專案後移除不再需要的資源。 若您讓資源繼續執行，則可能會產生費用。

在Azure入口網站中，從左側窗格選擇 所有資源或 資源群組以尋找並管理資源。 你可以單獨刪除資源，或是一次性刪除資源群組，移除所有資源。

你也可以刪除他們各自入口頁面上的知識來源和知識庫。 當你刪除知識來源時，入口網站會提示你刪除相關的資料來源、技能集、索引器和索引器。

下一步