Note
Foundry IQ(Azure AI 搜尋服務)提供直接的索引與查詢 API,並搭配高階知識來源與知識庫 API 用於受控檢索。 使用 Azure 入口網站、REST API 或 Azure SDK 來設定這些功能,或將代理連線到 Microsoft Foundry 入口網站 中的知識庫。
多模態搜尋指的是能夠在多種內容類型中擷取、理解及檢索資訊的能力,包括文字、圖片、影片和音訊。 在 Foundry IQ(Azure AI 搜尋服務)中,多模態搜尋原生支援匯入包含文字與圖片的文件及其內容,讓您能執行結合兩種模式的搜尋。
建立穩健的多模態管線通常包括:
從文件中擷取內嵌圖片和頁面文字。
用自然語言描述影像。
將文字和圖片嵌入共享的向量空間。
將影像儲存以備日後作為註解使用。
多模態搜尋還需要保留文件中資訊的順序,並執行結合全文搜尋、向量搜尋與語意排序的混合查詢。
實務上,使用多模態搜尋的應用程式可以回答像是「HR 表格核准流程是什麼?」這類問題,即使該流程的唯一權威描述存在於 PDF 檔案中嵌入的圖表中。
為什麼要使用多模態搜尋?
傳統上,多模態搜尋需要獨立的文字與影像處理系統,且常需開發者自訂程式碼及底層設定。 維護這些系統的成本、複雜度與努力都較高。
Foundry IQ 透過將圖片整合到與文字共用的檢索流程中,解決了這些挑戰。 透過單一多模態流程,你可以簡化設定與解鎖包含在圖表、截圖、資訊圖表、掃描表單及其他複雜視覺圖像中的資訊。
多模態搜尋非常適合 檢索增強生成(RAG) 情境。 透過解讀影像的結構邏輯,多模態搜尋能降低 RAG 應用程式或 AI 代理遺漏重要視覺細節的可能性。 它也為使用者提供詳細的答案,無論來源為何,都能追溯到他們的原始來源。
多模態搜尋是如何運作的?
為簡化多模態管線的建立,Foundry IQ 在 Azure 入口網站中提供了 Import data 精靈。 精靈協助你配置資料來源、定義擷取與豐富設定,並產生包含文字、嵌入影像參考及向量嵌入的多模態索引。 欲了解更多資訊,請參閱Azure入口網站 的
精靈依以下步驟建立多模態管線:
萃取內容:可選擇文件擷取技能或 Azure 內容理解技能,以取得頁面文字、內嵌圖片及結構性元資料。 每個技能都提供不同的元資料擷取、表格處理及檔案格式支援。 詳細比較請參見 多模態內容擷取選項。
文字分塊:文字分割技能 會將擷取的文字拆分成易於處理的區塊,以供後續管線使用,例如嵌入技能。
產生圖片描述:GenAI 提示技能會將圖片口述,並透過大型語言模型(LLM)產生簡潔的自然語言描述,用於文字搜尋與嵌入。
產生嵌入: 嵌入功能會建立文字和影像的向量表示,以支援相似度搜尋與混合式檢索。 你可以原生呼叫 Azure OpenAI、Microsoft Foundry 或 Azure Vision(預覽版)嵌入模型。
或者,您也可以跳過影像語音化,直接透過
AML 技能 或 Azure Vision 多模態嵌入技能 ,直接將擷取的文字與影像傳送到多模態嵌入模型。 欲了解更多資訊,請參閱 多模態內容嵌入選項。儲存擷取的影像:知識庫包含擷取的影像,這些影像可直接傳回給用戶端應用程式。 使用精靈時,影像的位置會直接儲存在多模態索引中,方便查詢時檢索。
提示
想查看多模態搜尋的運作,請將你精靈建立的索引插入 多模態 RAG 範例應用程式。 範例展示了 RAG 應用程式如何使用多模態索引,並在回應中呈現文字引用及相關圖片片段。 範例同時展示了基於程式碼的資料攝取與索引過程。
多模態內容擷取的選項
多模態流程從將每個原始文件破解成文字、內嵌影像及相關元資料塊開始。 在此步驟中,Foundry IQ 提供兩項推薦的內建技能:
| 特徵 | 文件擷取技能 | Azure 內容理解技能 |
|---|---|---|
| 文字位置中繼資料擷取 (頁面和周框多邊形) | 不 | 是的 |
| 影像位置中繼資料擷取 (頁面和周框多邊形) | 是的 | 是的 |
| 表格擷取與保存 | 不 | 是的(包含跨頁表格) |
| 跨頁語意單元 | 不適用 | 是的(跨頁) |
| 基於檔案類型的位置元資料擷取 | 只提供 PDF。 | 支援多種檔案格式,包括 PDF、DOCX、XLSX 及 PPTX。 |
| 內建分塊功能 | ** 否(使用文字分割功能) | 固定大小區塊,或稱語意區塊(一般可在 Search REST API 2026-10-01中提供)。 |
| AI 生成的影像描述 | 不 | 可選的 modelName 與 modelDeployment 配對設定;已在 Search REST API 2026-10-01 中正式提供。 |
| 推薦情境 | 快速原型製作或生產流程,不需要精確位置或詳細佈局資訊。 | 進階文件分析,需跨頁表格擷取、語意分塊及 AI 生成的影像描述。 |
現有管線仍支援 Document Layout 技能。 新技能組可使用 Azure 內容理解技能,該技能結合內容擷取與分塊為一項技能,支援語意分段、AI 生成的圖片描述及跨頁表格擷取。
內容理解內建描述與語意區塊和影像擷取無關。 它們跟新增一個獨立的 GenAI 提示技能並不一樣。 請參閱 使用內容理解進行分塊與向量化。
多模態內容嵌入的選項
在 Foundry IQ 中,從影像中擷取知識可透過兩種互補方式進行:影像文字化或直接嵌入。 了解這些差異有助於你將成本、延遲和回答品質與應用需求對齊。
影像描述後進行文字嵌入
透過此方法,GenAI 提示技能在擷取時會叫用 LLM,為每張擷取的影像建立簡明的自然語言描述,例如「五步驟人力資源存取工作流程,從經理批准開始」。描述以文字形式儲存並內嵌於文件文字的周圍,然後您可以透過呼叫 Azure OpenAI、Microsoft Foundry 或 Azure 視覺內嵌模型來進行向量化。
由於影像現在以語言形式呈現,Foundry IQ 可以:
解讀圖中顯示的關係與實體。
提供現成的標題,讓 LLM 可以在回應中逐字引用。
提供RAG應用程式或AI代理情境所需的相關摘要,並附有紮實資料。
增加的語意深度意味著每張圖片都要呼叫一個大型語言模型(LLM),索引時間則略有增加。
直接多模態嵌入
第二個選項是將文件擷取的影像與文字傳送至多模態嵌入模型,該模型能在同一向量空間內產生向量表示。 設定非常簡單,索引時不需要使用大型語言模型(LLM)。 直接嵌入非常適合視覺相似性和「幫我找到看起來像這個的東西」的情境。
由於該表示純粹是數學上的,無法傳達為何兩張圖片相關,也無法提供LLM可用的引用或詳細說明的上下文。
結合兩種方法
許多解決方案都需要兩種編碼路徑。 圖表、流程圖和其他富含說明的視覺內容會轉換為文字,讓 RAG 和 AI Agent 接地可使用語意資訊。 截圖、產品照片或藝術作品直接嵌入,以提升相似度的搜尋效率。 你可以自訂 Foundry IQ 索引與索引器技能集流程,讓它能儲存兩組向量並並排檢索。
查詢多模態內容的選項
如果你的多模態流程是由 GenAI 提示技能驅動,你可以在搜尋索引中同時執行純文字與文字圖片的 混合查詢 。 你也可以使用篩選器將搜尋結果縮小到特定內容類型,例如僅文字或僅圖片。
雖然 GenAI 提示技能支援透過混合搜尋進行文字轉向量查詢,但不支援 影像轉向量查詢。 只有多模態內嵌模型提供可在查詢時將影像轉換為向量的向量化工具。
若要使用影像作為多模態索引的查詢輸入,必須使用 AML 技能 或 Azure Vision 多模態嵌入技能,並搭配等效的向量器。 欲了解更多資訊,請參閱 「在搜尋索引中配置向量器」。
教學與範例
為了幫助你開始使用 Foundry IQ 的多模態搜尋,這裡有一系列內容示範如何使用 Azure 功能建立並優化多模態索引。
| 內容 | 描述 |
|---|---|
| 快速入門:Azure 入口網站中的多模態搜尋 | 在 Azure 入口網站中,使用精靈和搜尋總管建立並測試多模態索引。 |
| 多模態教學 | 擷取文字與圖片、區塊資料,並將區塊向量化以進行相似性搜尋及其他檢索模式。 |
| 範例應用程式:Multimodal RAG GitHub 儲存庫 | 一款端對端、程式碼就緒的 RAG 應用程式,具備多模態功能,能同時呈現文字片段與圖片註解。 非常適合用來快速啟動企業 Copilot。 |