Vektorizáló konfigurálása keresési indexben

Az Azure AI Keresésben a vektorizáló vektorokká alakítja a szöveget vagy képeket a lekérdezés végrehajtása során, így egyszerű szöveges lekérdezéseket küldhet a vektormezőkre anélkül, hogy saját maga is beágyazást végez.

A vektorizáló egy keresési indexben van definiálva, és vektorprofilon keresztül van vektormezőkhöz rendelve. Lekérdezéskor a vektorizáló beágyazási modellt hív meg, hogy vektort hozzon létre a lekérdezés bemenetéből. További információ: Integrált vektorizáció használata lekérdezésekben.

Vektorizáló indexhez való hozzáadásához használja az importálási varázslót vagy az indextervezőt az Azure Portalon, az Indexek – Létrehozás vagy frissítés (REST API) vagy egy Azure SDK-csomagban. Ez a cikk REST-et használ az ábrához.

Előfeltételek

• Keresési szolgáltatásban kereshető vektormezőkkel rendelkező index .

• (Nem kötelező) A diagnosztikai naplózás engedélyezve van a keresési szolgáltatásban a vektoros lekérdezés végrehajtásának megerősítéséhez.

• A támogatott beágyazási modell üzembe helyezése a vektorizáló számára.

• Engedélyek az index frissítéséhez és lekérdezéséhez. Ez a cikk az ajánlott kulcs nélküli hitelesítést használja. Rendelje hozzá a keresési szolgáltatás közreműködői és keresési index adatolvasói szerepköreit a felhasználói fiókjához, jelentkezzen be az Azure-ba, és szerezze be a hozzáférési jogkivonatot. Ha ehelyett API-kulcsokat használ, szerezze be a frissítési műveletekhez szükséges rendszergazdai kulcsot és a keresési műveletek lekérdezési kulcsát.

• A beágyazási modell használatára vonatkozó engedélyek. Az Azure OpenAI esetében például a hívónak Cognitive Services OpenAI felhasználói engedélyekkel kell rendelkeznie. API-kulcsot is használhat.

• Visual Studio Code a REST-ügyfélbővítménnyel. Hozzon létre egy .rest vagy .http egy fájlt, amely közvetlenül a szerkesztőből küldi el az ebben a cikkben szereplő REST-kéréseket.

Támogatott beágyazási modellek

Az Azure AI Keresés többféle vektorizálót kínál, amelyek mindegyike megfelelő szakértelemmel van párosítva. A képesség beágyazásokat hoz létre az indexelés során, míg a vektorizáló beágyazásokat hoz létre a lekérdezési időpontban. Mindkettőhöz ugyanazt a beágyazási modellt kell használnia, ezért válasszon egy vektorizáló–képességpárt, amely ugyanarra a modelltelepítésre mutat.

Az alábbi táblázat felsorolja a vektorizálókat, valamint azok támogatott modelljeit és a hozzájuk tartozó készségeket.

¹ Csak az embed-v-4-0 vagy a Microsoft Foundry modellkatalógus-vektorizálóján keresztül adhat meg programozott módon, az Azure Portalon keresztül nem. A portálon azonban később kezelheti a képességkészletet vagy a vektorizálót.

Vektorizáló definiálása varázslóval

Az Adatok importálása varázsló az Azure Portalon beolvassa a fájlokat az Azure Blob Storage-ból, létrehozhat egy adattömbökkel és vektorizált mezőkkel rendelkező indexet, és vektorizálót adhat hozzá. A varázsló által létrehozott vektorizáló a blobtartalom indexeléséhez használt beágyazási modellre van beállítva.

Mintaindex létrehozása vektorizálóval a varázslóval:

1. Fájlok feltöltése egy tárolóba az Azure Storage-ban. Kis szöveges fájlokat használtunk a NASA Earth at Night e-bookjából, hogy teszteljük ezeket az utasításokat egy ingyenes keresőszolgáltatásban.

2. Futtassa az Adatok importálása varázslót. Válassza ki az adatforrás blobtárolót.

   

3. Válasszon vektorizáló típust és adott esetben modelltelepítést. Ez a példa az Azure OpenAI-t és egy text-embedding-ada-002 üzembe helyezést használ.

   

4. Miután a varázsló befejezte a folyamatot, és az összes indexelő feldolgozása lezárult, rendelkeznie kell egy olyan index-szel, amelynek kereshető vektormezője van. A mező JSON-definíciója így néz ki:

    {
      "name": "text_vector",
      "type": "Collection(Edm.Single)",
      "searchable": true,
      "filterable": false,
      "retrievable": true,
      "stored": true,
      "sortable": false,
      "facetable": false,
      "key": false,
      "dimensions": 1536,
      "vectorSearchProfile": "vector-nasa-ebook-text-profile",
      "synonymMaps": []
    }
   

   Vektorprofillal, vektorkeresési algoritmussal és vektorizálóval is rendelkeznie kell. A JSON-definíciók a következőképpen néznek ki:

    "algorithms": [
      {
        "name": "vector-nasa-ebook-text-algorithm",
        "kind": "hnsw",
        "hnswParameters": {
          "metric": "cosine",
          "m": 4,
          "efConstruction": 400,
          "efSearch": 500
        }
      }
    ],
   "profiles": [
      {
        "name": "vector-nasa-ebook-text-profile",
        "algorithm": "vector-nasa-ebook-text-algorithm",
        "vectorizer": "vector-nasa-ebook-text-vectorizer"
      }
    ],
    "vectorizers": [
      {
        "name": "vector-nasa-ebook-text-vectorizer",
        "kind": "azureOpenAI",
        "azureOpenAIParameters": {
          "resourceUri": "https://my-azure-openai-resource.openai.azure.com",
          "deploymentId": "text-embedding-ada-002",
          "modelName": "text-embedding-ada-002",
        },
      }
    ]
   

A vektorizáló programozott módon történő definiálása

Ha nem használta a Portál varázslót, vagy vektorosítót szeretne hozzáadni egy meglévő indexhez, programozott módon definiálhat vektorizálót és vektorprofilt. A vektorprofilok egy vektoros mezőt egy vagy több vektormezőhöz kapcsolnak, és meghatározzák a navigációs struktúrákhoz használt vektorkeresési algoritmust.

Vektorizáló és vektorprofil definiálása egy meglévő indexben:

1. Az indexdefiníció lekérése az Indexek – Get (REST API) használatával. Cserélje le a szolgáltatásnevet, az indexnevet és a hozzáférési jogkivonatot a saját értékeire.

   ### Get index definition
   GET https://my-search-service.search.windows.net/indexes/my-index?api-version=2026-04-01 HTTP/1.1
   Authorization: Bearer <your-access-token> // For API keys, replace this line with api-key: <your-admin-api-key>
   

   Warning

   A lekért egyéni Web API-vektorizáló minden httpHeaders értékhez tartalmaz <redacted>-t. Ha ugyanazt a vektorizálót frissíti anélkül, hogy módosítaná a name-ját, kind-ját vagy uri-ját, a <redacted> újra elküldheti a meglévő fejlécnevek egyeztetéséhez. Ha módosítja a(z) uri elemet, minden httpHeaders bejegyzéshez adja meg a tényleges értékeket. További frissítési szabályokért lásd: Custom Web API vectorizer.

2. Indexek – Létrehozás vagy frissítés (REST API) használata az indexdefiníció frissítéséhez. Illessze be a teljes indexdefiníciót a kérelem törzsébe.

   ### Update index definition
   PUT https://my-search-service.search.windows.net/indexes/my-index?api-version=2026-04-01 HTTP/1.1
   Content-Type: application/json
   Authorization: Bearer <your-access-token> // For API keys, replace this line with api-key: <your-admin-api-key>
   
   // Paste your index definition here
   

3. Adjon hozzá egy vectorizers szakaszt az vectorSearch objektumhoz. Ez a szakasz egy üzembe helyezett beágyazási modell kapcsolati adatait adja meg. Az alábbi példa az Azure OpenAI-t és a Custom Web API-t is tartalmazza összehasonlítás céljából.

   "vectorSearch": {
       "vectorizers": [
         {
           "name": "my_azure_open_ai_vectorizer",
           "kind": "azureOpenAI",
           "azureOpenAIParameters": {
             "resourceUri": "https://url.openai.azure.com",
             "deploymentId": "text-embedding-ada-002",
             "modelName": "text-embedding-ada-002",
             "apiKey": "<your-azure-openai-api-key>"
           }
         },
         {
           "name": "my_custom_vectorizer",
           "kind": "customWebApi",
           "customWebApiParameters": {
             "uri": "https://contoso.embeddings.com",
             "httpMethod": "POST",
             "authResourceId": null,
             "authIdentity": null
           }
         }
       ]
     }
   

4. algorithms rész hozzáadása a vectorSearch-hez. Ez a szakasz a navigációs struktúrákhoz használt vektorkeresési algoritmust határozza meg.

   "algorithms": [
     {
       "name": "my_hnsw_algorithm",
       "kind": "hnsw",
       "hnswParameters": {
         "m": 4,
         "efConstruction": 400,
         "efSearch": 500,
         "metric": "cosine"
       }
     }
   ]
   

5. profiles Szakasz hozzáadása a fájlhoz vectorSearch Ez a szakasz az előző lépésekben definiált vektoros és vektorkeresési algoritmusra hivatkozik.

   "profiles": [ 
     { 
       "name": "my_vector_profile", 
       "algorithm": "my_hnsw_algorithm", 
       "vectorizer": "my_azure_open_ai_vectorizer" 
     }
   ]
   

6. A tömbben fields rendelje hozzá a vektorprofilt egy vagy több vektormezőhöz a vectorSearchProfile tulajdonság megadásával.

   "fields": [
       ... // Trimmed for brevity
       {
         "name": "vector",
         "type": "Collection(Edm.Single)",
         "dimensions": 1536,
         "vectorSearchProfile": "my_vector_profile",
         "searchable": true,
         "retrievable": true
       },
       {
         "name": "my_second_vector",
         "type": "Collection(Edm.Single)",
         "dimensions": 1536,
         "vectorSearchProfile": "my_vector_profile",
         "searchable": true,
         "retrievable": true
       }
   ]
   

7. Küldje el a PUT kérést az indexdefiníció frissítéséhez. Ha a kérés sikeres, meg kell kapnia egy 204 No Content választ.

8. A vektorizáló és a vektorprofil ellenőrzéséhez futtassa újra a GET kérést az első lépésből. Erősítse meg, hogy:

   • A vectorSearch.vectorizers tömb tartalmazza a vektorizáló definícióját a megfelelő kind és a kapcsolati paraméterekkel.

   • A vectorSearch.profiles tömb tartalmaz egy profilt, amely név szerint hivatkozik a vektorizálóra.

   • A vectorSearch.algorithms tömb tartalmazza a profil által hivatkozott vektorkeresési algoritmust.

   • A vectorSearchProfile vektormezők tulajdonsága a fields tömbben megegyezik a profil nevével.

Vektorizáló tesztelése

A vektorosító működésének ellenőrzéséhez küldjön egy vektoros lekérdezést , amely vektor helyett szöveges sztringet ad át. Az alábbi példa egy varázslóval a Vektorizáló definiálása mintaindexet célozza meg, de a mezőnevek és a lekérdezési paraméterek módosításával tesztelheti a saját indexét.

A kérés elküldéséhez használja a Dokumentumok – Keresési bejegyzést (REST API). Cserélje le a szolgáltatásnevet, az indexnevet és a hozzáférési jogkivonatot a saját értékeire.

### Test a vectorizer with a vector query
POST https://my-search-service.search.windows.net/indexes/vector-nasa-ebook-txt/docs/search?api-version=2026-04-01 HTTP/1.1
Content-Type: application/json
Authorization: Bearer <your-access-token> // For API keys, replace this line with api-key: <your-query-api-key>

{
    "count": true,
    "select": "title, chunk",
    "vectorQueries": [
        {
            "kind": "text",
            "text": "what cloud formations exist in the troposphere",
            "fields": "text_vector",
            "k": 3,
            "exhaustive": true
        }
    ]
}

Főbb pontok:

• "kind": "text" megmondja a keresőmotornak, hogy a bemenet egy szöveges karakterlánc, és a keresőmezőhöz társított vektorizáló használata.

• "text" a vektorizálni kívánt egyszerű nyelvi sztring.

• "fields": "text_vector" az átkérdezendő mező neve. Ha a varázsló által létrehozott mintaindexet használja, a létrehozott vektormező neve text_vector.

• "exhaustive": true megkerüli a HNSW gráfot, és brutális erővel történő keresést hajt végre az összes vektoron. Ez a beállítás hasznos a pontosság teszteléséhez, de lassabb, mint az alapértelmezett hozzávetőleges keresés. Távolítsa el ezt a paramétert az éles lekérdezésekben a jobb teljesítmény érdekében.

• A lekérdezés nem állít be vektorizáló tulajdonságokat. A keresőmotor automatikusan beolvassa őket a mezőhöz rendelt vektorprofilból.

Ha a vektorizáló megfelelően van konfigurálva, a válasz hasonlóság szerint rangsorolt egyező dokumentumokat ad vissza. Három eredményt kell kapnia (k: 3), amelyek közül az első a legrelevánsabb.

{
    "@odata.count": 3,
    "value": [
        {
            "@search.score": 0.66195244,
            "chunk": "Cloud Shadow\tGermany\nIn November 2012, the Earth Observing...",
            "title": "page-25.txt"
        },
        ... // Trimmed for brevity
    ]
}

Hibaelhárítás

Ha a vektorizáló nem a várt módon működik, kezdje a gyakori hibatáblával, majd tekintse meg részletesebben a diagnosztikai naplókat.

Gyakori hibák

Az alábbi táblázat a vektorizáló gyakori hibáit és azok megoldásának módját sorolja fel.

Naplók ellenőrzése

Ha engedélyezte a keresési szolgáltatás diagnosztikai naplózását, futtassa az alábbi Kusto-lekérdezést a lekérdezés végrehajtásának megerősítéséhez a vektormezőn.

OperationEvent
| where TIMESTAMP > ago(30m)
| where Name == "Query.Search" and AdditionalInfo["QueryMetadata"]["Vectors"] has "TextLength"

Ajánlott eljárások

• Használjon felügyelt identitást API-kulcsok helyett az éles környezetben. A felügyelt identitások biztonságosabbak, és elkerülik a kulcsforgatás többletterhelését. További információ: Keresési szolgáltatás konfigurálása felügyelt identitással való csatlakozáshoz.

• Helyezze üzembe a beágyazási modellt ugyanabban a régióban, mint a keresési szolgáltatás. A közös elhelyezés csökkenti a késést, és javítja a szolgáltatások közötti adatátvitel sebességét. A vektorizálók minden olyan régióban elérhetők, ahol az Azure AI Keresés elérhető, de a modell rendelkezésre állása szolgáltatónként eltérő.

• Az indexeléshez és a lekérdezésekhez használjon ugyanazon beágyazási modell különálló üzembe helyezését. A dedikált üzembe helyezések lehetővé teszik a TPM-kvóta független kiosztását az egyes számítási feladatokhoz, és megkönnyítik a forgalmi források azonosítását.

• Az Azure OpenAI TPM-kvóta figyelése. Ha eléri a TPM-korlátot, tekintse át a kvótakorlátokat , és fontolja meg a magasabb korlát kérését egy támogatási eseten keresztül.

• Tekintse át az Azure OpenAI beágyazási készségeinek ajánlott eljárásait . Ugyanez az útmutató az Azure OpenAI-vektorizálóra is vonatkozik.

Kapcsolódó tartalom

• Vektoros keresés az Azure AI Keresésben
• Integrált vektorok beágyazása
• Vektoros lekérdezés létrehozása