Abfragen eines Vektorsuchindex

In diesem Artikel wird beschrieben, wie Sie einen Vektorsuchindex abfragen, einschließlich der Verwendung von Filtern und reranking.

Beispielnotizbücher, die veranschaulichen, wie Sie Endpunkte und Indizes für die Vektorsuche erstellen und abfragen, finden Sie unter Notizbücher für die Vektorsuche. Referenzinformationen finden Sie in der Python SDK-Referenz.

Installation

Um das Vektorsuch-SDK zu verwenden, müssen Sie es in Ihrem Notizbuch installieren. Verwenden Sie den folgenden Code, um das Paket zu installieren:

%pip install databricks-vectorsearch
dbutils.library.restartPython()

Verwenden Sie dann den folgenden Befehl, um VectorSearchClientzu importieren:

from databricks.vector_search.client import VectorSearchClient

Informationen zur Authentifizierung finden Sie unter Datenschutz und Authentifizierung.

Wie man einen Vektorsuchindex abfragt

Sie können den Vektorsuchindex nur mithilfe des Python SDK, der REST-API oder der SQL vector_search() AI-Funktion abfragen.

Hinweis

Wenn der Benutzer, der den Index abfragt, nicht der Besitzer des Vektorsuchindex ist, muss der Benutzer über die folgenden UC-Berechtigungen verfügen:

USE CATALOG im Katalog, der den Vektorsuchindex enthält.
USE SCHEMA für das Schema, das den Vektorsuchindex enthält.
SELECT im Vektorsuchindex.

Der Standardabfragetyp ist ann (ungefährer Nachbar). Legen Sie den Parameter query_type auf hybridfest, um eine Hybrid-Schlüsselwort-Ähnlichkeitssuche auszuführen. Bei der Hybridsuche werden alle Textmetadatenspalten eingeschlossen, und maximal 200 Ergebnisse werden zurückgegeben.

Informationen zum Verwenden des Rerankers in einer Abfrage finden Sie unter Verwenden des Rerankers in einer Abfrage.

Von Bedeutung

Die Volltextsuche ist als Beta-Feature verfügbar. Um eine Volltextsuche auszuführen, legen Sie den Parameter query_type auf FULL_TEXT. Bei der Volltextsuche können Sie bis zu 200 Ergebnisse basierend auf dem Stichwortabgleich abrufen, ohne Vektoreinbettungen zu verwenden.

Python SDK-Standardendpunkt

Ausführliche Informationen finden Sie in der Python SDK-Referenz.

# Delta Sync Index with embeddings computed by Databricks
results = index.similarity_search(
    query_text="Greek myths",
    columns=["id", "field2"],
    num_results=2
    )

# Delta Sync Index using hybrid search, with embeddings computed by Databricks
results3 = index.similarity_search(
    query_text="Greek myths",
    columns=["id", "field2"],
    num_results=2,
    query_type="hybrid"
    )

# Delta Sync Index using full-text search (Beta)
results4 = index.similarity_search(
    query_text="Greek myths",
    columns=["id", "field2"],
    num_results=2,
    query_type="FULL_TEXT"
    )

# Delta Sync Index with pre-calculated embeddings
results2 = index.similarity_search(
    query_vector=[0.9] * 1024,
    columns=["id", "text"],
    num_results=2
    )

Python SDK speicheroptimierter Endpunkt

Ausführliche Informationen finden Sie in der Python SDK-Referenz.

Die vorhandene Filterschnittstelle wurde für speicheroptimierte Vektorsuchindizes neu entwickelt, um eine SQL-ähnliche Filterzeichenfolge anstelle des Filterwörterbuchs zu übernehmen, das in Standardvektorsuchendpunkten verwendet wird.

client = VectorSearchClient()
index = client.get_index(index_name="vector_search_demo.vector_search.en_wiki_index")

# similarity search with query vector
results = index.similarity_search(
    query_vector=[0.2, 0.33, 0.19, 0.52],
    columns=["id", "text"],
    num_results=2
)

# similarity search with query vector and filter string
results = index.similarity_search(
    query_vector=[0.2, 0.33, 0.19, 0.52],
    columns=["id", "text"],
    # this is a single filter string similar to SQL WHERE clause syntax
    filters="language = 'en' AND country = 'us'",
    num_results=2
)

REST API

Weitere Informationen finden Sie in der REST-API-Referenzdokumentation: POST /api/2.0/vector-search/indexes/{index_name}/query.

Für Produktionsanwendungen empfiehlt Databricks die Verwendung von Dienstprinzipalen anstelle von persönlichen Zugriffstoken. Zusätzlich zur verbesserten Sicherheits- und Zugriffsverwaltung kann die Verwendung von Dienstprinzipalen die Leistung um bis zu 100 msec pro Abfrage verbessern.

Das folgende Codebeispiel veranschaulicht, wie ein Index mithilfe eines Serviceprinzips abgefragt wird.

export SP_CLIENT_ID=...
export SP_CLIENT_SECRET=...
export INDEX_NAME=...
export WORKSPACE_URL=https://...
export WORKSPACE_ID=...

# Set authorization details to generate OAuth token
export AUTHORIZATION_DETAILS='{"type":"unity_catalog_permission","securable_type":"table","securable_object_name":"'"$INDEX_NAME"'","operation": "ReadVectorIndex"}'
# If you are using an route_optimized embedding model endpoint, then you need to have additional authorization details to invoke the serving endpoint
# export EMBEDDING_MODEL_SERVING_ENDPOINT_ID=...
# export AUTHORIZATION_DETAILS="$AUTHORIZATION_DETAILS"',{"type":"workspace_permission","object_type":"serving-endpoints","object_path":"/serving-endpoints/'"$EMBEDDING_MODEL_SERVING_ENDPOINT_ID"'","actions": ["query_inference_endpoint"]}'

# Generate OAuth token
export TOKEN=$(curl -X POST  --url $WORKSPACE_URL/oidc/v1/token -u "$SP_CLIENT_ID:$SP_CLIENT_SECRET" --data 'grant_type=client_credentials' --data 'scope=all-apis' --data-urlencode 'authorization_details=['"$AUTHORIZATION_DETAILS"']' | jq .access_token | tr -d '"')

# Get index URL
export INDEX_URL=$(curl -X GET -H 'Content-Type: application/json' -H "Authorization: Bearer $TOKEN" --url $WORKSPACE_URL/api/2.0/vector-search/indexes/$INDEX_NAME | jq -r '.status.index_url' | tr -d '"')

# Query vector search index.
curl -X GET -H 'Content-Type: application/json' -H "Authorization: Bearer $TOKEN" --url https://$INDEX_URL/query --data '{"num_results": 3, "query_vector": [...], "columns": [...], "debug_level": 1}'

# Query vector search index.
curl -X GET -H 'Content-Type: application/json' -H "Authorization: Bearer $TOKEN" --url https://$INDEX_URL/query --data '{"num_results": 3, "query_text": "...", "columns": [...], "debug_level": 1}'

Im folgenden Codebeispiel wird veranschaulicht, wie sie einen Index mithilfe eines persönlichen Zugriffstokens (PERSONAL Access Token, PAT) abfragen.

export TOKEN=...
export INDEX_NAME=...
export WORKSPACE_URL=https://...

# Query vector search index with `query_vector`
curl -X GET -H 'Content-Type: application/json' -H "Authorization: Bearer $TOKEN" --url $WORKSPACE_URL/api/2.0/vector-search/indexes/$INDEX_NAME/query --data '{"num_results": 3, "query_vector": [...], "columns": [...], "debug_level": 1}'

# Query vector search index with `query_text`
curl -X GET -H 'Content-Type: application/json' -H "Authorization: Bearer $TOKEN" --url $WORKSPACE_URL/api/2.0/vector-search/indexes/$INDEX_NAME/query --data '{"num_results": 3, "query_text": "...", "columns": [...], "debug_level": 1}'

SQL

Von Bedeutung

Die KI-Funktion vector_search() befindet sich in der öffentlichen Vorschau.

Informationen zur Verwendung dieser KI-Funktionfinden Sie unter vector_search-Funktion.

Verwenden von Filtern für Abfragen

Eine Abfrage kann Filter basierend auf einer beliebigen Spalte in der Delta-Tabelle definieren. similarity_search gibt nur Zeilen zurück, die den angegebenen Filtern entsprechen.

In der folgenden Tabelle sind die unterstützten Filter aufgeführt.

Filteroperator	Verhalten	Examples
`NOT`	Standard: Hebt den Filter ab. Der Schlüssel muss mit "NOT" enden. Beispielsweise stimmt "color NOT" mit dem Wert "red" mit Dokumenten überein, bei denen die Farbe nicht rot ist. Speicher-optimiert: Siehe `!=` (bangeq sign)-Operator.	Standard: `{"id NOT": 2}{“color NOT”: “red”}` Speicheroptimierte: `"id != 2" "color != 'red'"`
`<`	Standard: Überprüft, ob der Feldwert kleiner als der Filterwert ist. Der Schlüssel muss mit " <" enden. Beispielsweise entspricht "Price <" mit dem Wert 200 Dokumenten, bei denen der Preis kleiner als 200 ist. Speicher-optimiert: Siehe `<` (lt sign)-Operator.	Standard: `{"id <": 200}` Speicheroptimierte: `"id < 200"`
`<=`	Standard: Überprüft, ob der Feldwert kleiner oder gleich dem Filterwert ist. Der Schlüssel muss mit " <=" enden. Beispielsweise entspricht "Price <=" mit dem Wert 200 Dokumenten, bei denen der Preis kleiner oder gleich 200 ist. Speicher-optimiert: Siehe `<=` (lt eq sign)-Operator.	Standard: `{"id <=": 200}` Speicheroptimierte: `"id <= 200"`
`>`	Standard: Überprüft, ob der Feldwert größer als der Filterwert ist. Der Schlüssel muss mit " >" enden. Beispielsweise entspricht "Preis >" mit dem Wert 200 Dokumenten, bei denen der Preis größer als 200 ist. Speicher-optimiert: Siehe `>` (gt sign)-Operator.	Standard: `{"id >": 200}` Speicheroptimierte: `"id > 200"`
`>=`	Standard: Überprüft, ob der Feldwert größer oder gleich dem Filterwert ist. Der Schlüssel muss mit " >=" enden. Beispielsweise stimmt "Price >=" mit dem Wert 200 mit Dokumenten überein, bei denen der Preis größer oder gleich 200 ist. Speicher-optimiert: Siehe `>=` (gt eq sign)-Operator.	Standard: `{"id >=": 200}` Speicheroptimierte: `"id >= 200"`
`OR`	Standard: Überprüft, ob der Feldwert mit einem der Filterwerte übereinstimmt. Der Schlüssel muss `OR` enthalten, um mehrere Unterschlüssel zu trennen. Beispielsweise entspricht `color1 OR color2` mit wert `["red", "blue"]` Dokumenten, bei denen entweder `color1red` oder `color2blue`ist. Speicheroptimiert: Siehe `or` Operator.	Standard: `{"color1 OR color2": ["red", "blue"]}` Speicheroptimierte: `"color1 = 'red' OR color2 = 'blue'"`
`LIKE`	Standard: Entspricht leerzeichentrennten Token in einer Zeichenfolge. Sehen Sie sich die folgenden Codebeispiele an. Speicheroptimiert: Siehe `like` Operator.	Standard: `{"column LIKE": "hello"}` Speicheroptimierte: `"column LIKE 'hello'"`
Kein Filteroperator angegeben	Standard: Filterüberprüfungen auf eine genaue Übereinstimmung. Wenn mehrere Werte angegeben werden, stimmt sie mit einem der Werte überein. Speicher-optimiert: Siehe `=` (eq sign)-Operator und `in` prädizieren.	Standard: `{"id": 200}{"id": [200, 300]}` Speicheroptimiert: `"id = 200""id IN (200, 300)"`
`to_timestamp` (nur speicheroptimierte Endpunkte)	Speicheroptimiert: Filtern nach einem Zeitstempel. Siehe `to_timestamp` Funktion	Speicheroptimierte: `"date > TO_TIMESTAMP('1995-01-01')"`

Sehen Sie sich die folgenden Codebeispiele an:

Python SDK-Standardendpunkt

# Match rows where `title` exactly matches `Athena` or `Ares`
results = index.similarity_search(
    query_text="Greek myths",
    columns=["id", "text"],
    filters={"title": ["Ares", "Athena"]},
    num_results=2
    )

# Match rows where `title` or `id` exactly matches `Athena` or `Ares`
results = index.similarity_search(
    query_text="Greek myths",
    columns=["id", "text"],
    filters={"title OR id": ["Ares", "Athena"]},
    num_results=2
    )

# Match only rows where `title` is not `Hercules`
results = index.similarity_search(
    query_text="Greek myths",
    columns=["id", "text"],
    filters={"title NOT": "Hercules"},
    num_results=2
    )

Python SDK speicheroptimierter Endpunkt

# Match rows where `title` exactly matches `Athena` or `Ares`
results = index.similarity_search(
    query_text="Greek myths",
    columns=["id", "text"],
    filters='title IN ("Ares", "Athena")',
    num_results=2
    )

# Match rows where `title` or `id` exactly matches `Athena` or `Ares`
results = index.similarity_search(
    query_text="Greek myths",
    columns=["id", "text"],
    filters='title = "Ares" OR id = "Athena"',
    num_results=2
    )

# Match only rows where `title` is not `Hercules`
results = index.similarity_search(
    query_text="Greek myths",
    columns=["id", "text"],
    filters='title != "Hercules"',
    num_results=2
    )

REST API

Weitere Informationen unter POST /api/2.0/vector-search/indexes/{index_name}/query.

Gefällt mir

LIKE Beispiele

{"column LIKE": "apple"}: entspricht den Zeichenfolgen „apple” und „apple pear”, aber nicht „pineapple” oder „pear”. Beachten Sie, dass es nicht „pineapple” entspricht, obwohl es die Teilzeichenfolge „apple” enthält – es sucht nach einer exakten Übereinstimmung über leerzeichengetrennte Token wie in „apple pear” hinweg.

{"column NOT LIKE": "apple"} tut das Gegenteil. Sie entspricht „pineapple” und „pear”, aber nicht „apple” oder „apple pear”.

Verwenden des Rerankers in einer Abfrage

Die Agentleistung hängt vom Abrufen der relevantesten Informationen für eine Abfrage ab. Das Reranking ist eine Technik, die die Abrufqualität verbessert, indem die abgerufenen Dokumente ausgewertet werden, um diejenigen zu identifizieren, die semantisch relevant sind. Databricks hat ein forschungsbasiertes Verbund-KI-System entwickelt, um diese Dokumente zu identifizieren. Sie können auch Spalten mit Metadaten angeben, die der Reranker für zusätzlichen Kontext verwenden soll, da es die Relevanz jedes Dokuments bewertet.

Das Reranking verursacht eine geringe Latenzverzögerung, kann jedoch die Abrufqualität und die Agentleistung erheblich verbessern. Databricks empfiehlt, für jeden RAG-Agent-Anwendungsfall neu zu reranken.

Die Beispiele in diesem Abschnitt zeigen, wie Sie die Vektorsuche reranker verwenden. Wenn Sie den Reranker verwenden, legen Sie die Spalten so fest, dass sie (columns) und die Metadatenspalten separat für die Neurankung (columns_to_rerank) verwendet werden sollen. num_results ist die endgültige Anzahl der zurückzugebenden Ergebnisse. Dies wirkt sich nicht auf die Anzahl der Ergebnisse aus, die für die Reranking verwendet werden.

Die Abfragedebugmeldung enthält Informationen dazu, wie lange der Reranking-Schritt ausgeführt wurde. Beispiel:

'debug_info': {'response_time': 1647.0, 'ann_time': 29.0, 'reranker_time': 1573.0}

Wenn der Reranker-Aufruf fehlschlägt, werden diese Informationen in der Debugmeldung enthalten:

'debug_info': {'response_time': 587.0, 'ann_time': 331.0, 'reranker_time': 246.0, 'warnings': [{'status_code': 'RERANKER_TEMPORARILY_UNAVAILABLE', 'message': 'The reranker is temporarily unavailable. Results returned have not been processed by the reranker. Please try again later for reranked results.'}]}

Hinweis

Die Reihenfolge, in columns_to_rerank der Spalten aufgelistet sind, ist wichtig. Die Reranking-Berechnung übernimmt die Spalten in der Reihenfolge, in der sie aufgelistet sind, und berücksichtigt nur die ersten 2000 Zeichen, die sie findet.

Python SDK

# Install the most recent version.
# Databricks SDK version 0.57 or above is required to use the reranker.
%pip install databricks-vectorsearch --force-reinstall
dbutils.library.restartPython()

from databricks.vector_search.reranker import DatabricksReranker

results = index.similarity_search(
    query_text = "How to create a Vector Search index",
    columns = ["id", "text", "parent_doc_summary", "date"],
    num_results = 10,
    query_type = "hybrid",
    reranker=DatabricksReranker(columns_to_rerank=["text", "parent_doc_summary", "other_column"])
    )

REST API

Um sicherzustellen, dass Sie Latenzinformationen erhalten, legen Sie diese auf mindestens 1 fest debug_level .

export TOKEN=...
export INDEX_NAME=...
export WORKSPACE_URL=https://...

curl -X GET -H 'Content-Type: application/json' -H "Authorization: Bearer $TOKEN" --url $WORKSPACE_URL/api/2.0/vector-search/indexes/$INDEX_NAME/query --data '{"num_results": 10, "query_text": "How to create a Vector Search index", "columns": ["id", "text", "parent_doc_summary", "date"], "reranker": {"model": "databricks_reranker",
             "parameters": {
               "columns_to_rerank":
                 ["text", "parent_doc_summary"]
              }
             },
"debug_level": 1}'

Punkt-Nachschlagevorgänge

Verwenden Sie zum Nachschlagen eines Punkts einen Filter für eine beliebige Primärschlüsselspalte.

Feedback

War diese Seite hilfreich?

Last updated on 2025-12-08

Freigeben über

Abfragen eines Vektorsuchindex

Installation

Wie man einen Vektorsuchindex abfragt

Python SDK-Standardendpunkt

Python SDK speicheroptimierter Endpunkt

REST API

SQL

Verwenden von Filtern für Abfragen

Python SDK-Standardendpunkt

Python SDK speicheroptimierter Endpunkt

REST API

Gefällt mir

Verwenden des Rerankers in einer Abfrage

Python SDK

REST API

Punkt-Nachschlagevorgänge

Feedback

Zusätzliche Ressourcen