Di Azure AI Search, penyimpanan vektor memiliki skema indeks yang menentukan bidang vektor dan nonvektor, konfigurasi vektor untuk algoritma yang membuat ruang penyematan, dan pengaturan pada definisi bidang vektor yang digunakan dalam permintaan kueri. API Buat atau Perbarui Indeks membuat penyimpanan vektor.
Ikuti langkah-langkah berikut untuk mengindeks data vektor:
Menentukan skema dengan algoritma vektor untuk pengindeksan dan pencarian
Artikel ini menjelaskan alur kerja dan menggunakan REST untuk mengilustrasikan setiap langkah. Setiap versi terbaru REST API menambahkan fungsionalitas baru. Setelah Anda memahami alur kerja dasar dan apa yang disediakan setiap versi API, lanjutkan dengan sampel kode Azure SDK di repositori azure-search-vector-samples untuk panduan tentang menggunakan fitur ini dalam kode pengujian dan produksi.
Tip
Gunakan portal Azure untuk membuat indeks vektor dan mencoba vektorisasi terintegrasi.
Prasyarat
Pencarian Azure AI, di wilayah mana pun dan di tingkat mana pun. Sebagian besar layanan yang ada mendukung pencarian vektor. Untuk layanan yang dibuat sebelum Januari 2019, ada subset kecil yang tidak dapat membuat indeks vektor. Dalam situasi ini, layanan baru harus dibuat.
Penyematan vektor yang sudah ada sebelumnya di dokumen sumber Anda jika Anda menggunakan versi Azure SDK dan REST API yang tersedia secara umum. Untuk informasi selengkapnya, lihat Membuat penyematan. Alternatifnya adalah vektorisasi terintegrasi (pratinjau).
Anda harus mengetahui batas dimensi model yang digunakan untuk membuat penyematan dan bagaimana kesamaan dihitung. Di Azure OpenAI, untuk text-embedding-ada-002, panjang vektor numerik adalah 1536. Kesamaan dihitung menggunakan cosine. Nilai yang valid adalah 2 hingga 3072 dimensi.
Anda harus terbiasa membuat indeks. Skema harus menyertakan bidang untuk kunci dokumen, bidang lain yang ingin Anda cari atau filter, dan konfigurasi lain untuk perilaku yang diperlukan selama pengindeksan dan kueri.
Menyiapkan dokumen untuk pengindeksan
Sebelum pengindeksan, kumpulkan payload dokumen yang mencakup bidang data vektor dan nonvektor. Struktur dokumen harus sesuai dengan skema indeks.
Pastikan dokumen Anda:
Berikan bidang atau properti metadata yang secara unik mengidentifikasi setiap dokumen. Semua indeks pencarian memerlukan kunci dokumen. Untuk memenuhi persyaratan kunci dokumen, dokumen sumber harus memiliki satu bidang atau properti yang dapat mengidentifikasinya secara unik dalam indeks. Bidang sumber ini harus dipetakan ke bidang indeks tipe Edm.String dan key=true dalam indeks pencarian.
Berikan data vektor (array angka titik mengambang presisi tunggal) di bidang sumber.
Bidang vektor berisi data numerik yang dihasilkan oleh penyematan model, satu penyematan per bidang. Kami merekomendasikan model penyematan di Azure OpenAI, seperti text-embedding-ada-002 untuk dokumen teks atau IMAGE Retrieval REST API untuk gambar. Hanya bidang vektor tingkat atas indeks yang didukung: Subbidang vektor saat ini tidak didukung.
Berikan bidang lain dengan konten alfanumerik yang dapat dibaca manusia untuk respons kueri, dan untuk skenario kueri hibrid yang menyertakan pencarian teks lengkap atau peringkat semantik dalam permintaan yang sama.
Indeks pencarian Anda harus menyertakan bidang dan konten untuk semua skenario kueri yang ingin Anda dukung. Misalkan Anda ingin mencari atau memfilter nama produk, versi, metadata, atau alamat. Dalam hal ini, pencarian kesamaan tidak terlalu membantu. Pencarian kata kunci, pencarian geografis, atau filter akan menjadi pilihan yang lebih baik. Indeks pencarian yang mencakup kumpulan bidang komprehensif data vektor dan nonvektor memberikan fleksibilitas maksimum untuk konstruksi kueri dan komposisi respons.
Contoh singkat payload dokumen yang menyertakan bidang vektor dan nonvektor ada di bagian data vektor beban artikel ini.
Menambahkan konfigurasi pencarian vektor
Konfigurasi vektor menentukan algoritma pencarian vektor dan parameter yang digunakan selama pengindeksan untuk membuat informasi "tetangga terdekat" di antara simpul vektor:
Dunia Kecil yang Dapat Dinavigasi Hierarkis (HNSW)
KNN lengkap
Jika Anda memilih HNSW pada bidang, Anda dapat memilih KNN lengkap pada waktu kueri. Tetapi arah lain tidak berfungsi: jika Anda memilih lengkap, Anda tidak dapat nantinya meminta pencarian HNSW karena struktur data tambahan yang memungkinkan perkiraan pencarian tidak ada.
Mencari panduan migrasi versi pratinjau ke stabil? Lihat Meningkatkan REST API untuk langkah-langkahnya.
profiles tambahkan lapisan abstraksi untuk mengakomodasi definisi yang lebih kaya. Profil didefinisikan dalam , lalu dirujuk vectorSearchberdasarkan nama pada setiap bidang vektor.
"hnsw" dan "exhaustiveKnn" merupakan algoritma Perkiraan Tetangga Terdekat (ANN) yang digunakan untuk mengatur konten vektor selama pengindeksan.
"m" (jumlah tautan dua arah) default adalah 4. Rentangnya adalah 4 hingga 10. Nilai yang lebih rendah harus mengembalikan lebih sedikit kebisingan dalam hasil.
"efConstruction" defaultnya adalah 400. Rentangnya adalah 100 hingga 1.000. Ini adalah jumlah tetangga terdekat yang digunakan selama pengindeksan.
"efSearch" defaultnya adalah 500. Rentangnya adalah 100 hingga 1.000. Ini adalah jumlah tetangga terdekat yang digunakan selama pencarian.
"metric" harus "kosinus" jika Anda menggunakan Azure OpenAI, jika tidak, gunakan metrik kesamaan yang terkait dengan model penyematan yang Anda gunakan. Nilai yang didukung adalah cosine, dotProduct, euclidean.
2024-05-01-Preview adalah versi terbaru. Ini menambahkan lebih banyak opsi pengodean, tetapi konfigurasi pencarian vektor (vectorSearch struktur) sebagian besar identik dengan 2024-03-01-preview.
hamming Menambahkan jarak sebagai metrik untuk pencarian tetangga terdekat melalui data biner. Untuk informasi selengkapnya, lihat Mengindeks data biner untuk pencarian vektor.
Memperluas vektorisasi terintegrasi dengan pilihan model yang lebih menyematkan. Untuk mendapatkan manfaat dari kemampuan ini, Anda harus mengambil dependensi pada pengindeks dan set keterampilan. Lihat Memuat data vektor dan bagian Pull API untuk daftar keterampilan penyematan baru.
Gunakan REST API Buat atau Perbarui Pratinjau Indeks untuk membuat indeks.
Termasuk 2023-11-01 vectorSearch.algorithms dan vectorSearch.profiles.
Gunakan REST API Buat atau Perbarui Pratinjau Indeks untuk membuat indeks.
vectorSearch Tambahkan bagian dalam indeks yang menentukan pengaturan pemadatan dan algoritma pencarian yang digunakan untuk membuat ruang penyematan. Untuk informasi selengkapnya, lihat Mengonfigurasi kuantisasi vektor dan mengurangi penyimpanan.
vectorSearch.compressions.kind harus merupakan scalarQuantization.
rerankWithOriginalVectors menggunakan vektor asli yang tidak dikompresi untuk menghitung ulang kesamaan dan mererank hasil teratas yang dikembalikan oleh kueri pencarian awal. Vektor yang tidak dikompresi ada di indeks pencarian meskipun stored salah. Properti ini bersifat opsional. Default-nya adalah true.
defaultOversampling mempertimbangkan serangkaian hasil potensial yang lebih luas untuk mengimbangi pengurangan informasi dari kuantisasi. Rumus untuk hasil potensial terdiri dari k dalam kueri, dengan pengali sampel berlebih. Misalnya, jika kueri menentukan k 5, dan oversampling adalah 20, maka kueri secara efektif meminta 100 dokumen untuk digunakan dalam reranking, menggunakan vektor asli yang tidak dikompresi untuk tujuan tersebut. Hanya hasil reranked teratas k yang dikembalikan. Properti ini bersifat opsional. Defaultnya adalah 4.
quantizedDataType harus diatur ke int8. Ini adalah satu-satunya jenis data primitif yang didukung saat ini. Properti ini bersifat opsional. Defaultnya adalah int8.
profiles baru dalam pratinjau ini. Mereka menambahkan lapisan abstraksi untuk mengakomodasi definisi yang lebih kaya. Profil didefinisikan dalam vectorSearch, lalu sebagai properti pada setiap bidang vektor.
hnsw dan "exhaustiveKnn" merupakan algoritma Perkiraan Tetangga Terdekat (ANN) yang digunakan untuk mengatur konten vektor selama pengindeksan.
m (jumlah tautan dua arah) default adalah 4. Rentangnya adalah 4 hingga 10. Nilai yang lebih rendah harus mengembalikan lebih sedikit kebisingan dalam hasil.
efConstruction defaultnya adalah 400. Rentangnya adalah 100 hingga 1.000. Ini adalah jumlah tetangga terdekat yang digunakan selama pengindeksan.
efSearch defaultnya adalah 500. Rentangnya adalah 100 hingga 1.000. Ini adalah jumlah tetangga terdekat yang digunakan selama pencarian.
metric harus "kosinus" jika Anda menggunakan Azure OpenAI, jika tidak, gunakan metrik kesamaan yang terkait dengan model penyematan yang Anda gunakan. Nilai yang didukung adalah cosine, dotProduct, euclidean.
Penting
2023-07-01-Preview adalah versi REST API pertama yang mendukung vektor. Ini menggunakan struktur tertinggal yang telah diganti dalam pratinjau yang lebih baru. Sebaiknya migrasikan ke REST API yang lebih baru.
Pratinjau ini ditambahkan:
vectorSearch.algorithmConfigurations untuk menentukan algoritma HNSW.
hnsw algoritma tetangga terdekat untuk mengindeks konten vektor.
Gunakan REST API Buat atau Perbarui Indeks untuk membuat indeks.
vectorSearch Tambahkan bagian dalam indeks yang menentukan algoritma pencarian yang digunakan untuk membuat ruang penyematan.
hnsw adalah algoritma Perkiraan Tetangga Terdekat (ANN) yang digunakan untuk membuat grafik kedekatan selama pengindeksan. Hanya Hierarkis Navigable Small World (HNSW) yang didukung dalam versi API ini.
m (jumlah tautan dua arah) default adalah 4. Rentangnya adalah 4 hingga 10. Nilai yang lebih rendah harus mengembalikan lebih sedikit kebisingan dalam hasil.
efConstruction defaultnya adalah 400. Rentangnya adalah 100 hingga 1.000. Ini adalah jumlah tetangga terdekat yang digunakan selama pengindeksan.
efSearch defaultnya adalah 500. Rentangnya adalah 100 hingga 1.000. Ini adalah jumlah tetangga terdekat yang digunakan selama pencarian.
metric harus "kosinus" jika Anda menggunakan Azure OpenAI, jika tidak, gunakan metrik kesamaan yang terkait dengan model penyematan yang Anda gunakan. Nilai yang didukung adalah cosine, dotProduct, euclidean.
Menambahkan bidang vektor ke kumpulan bidang
Kumpulan bidang harus menyertakan bidang untuk kunci dokumen, bidang vektor, dan bidang lain yang Anda butuhkan untuk skenario pencarian hibrid.
Bidang vektor ditandai dengan jenis datanya, dimensions properti berdasarkan model penyematan yang digunakan untuk menghasilkan vektor, dan profil vektor.
Tentukan bidang vektor dengan atribut berikut. Anda dapat menyimpan satu penyematan yang dihasilkan per bidang. Untuk setiap bidang vektor:
type harus dalam Collection(Edm.Single) versi API ini.
dimensions adalah jumlah dimensi yang dihasilkan oleh model penyematan. Untuk text-embedding-ada-002, ini adalah 1536.
vectorSearchProfile adalah nama profil yang ditentukan di tempat lain dalam indeks.
searchable harus benar.
retrievable bisa benar atau salah. True mengembalikan vektor mentah (1536 di antaranya) sebagai teks biasa dan mengonsumsi ruang penyimpanan. Atur ke true jika Anda meneruskan hasil vektor ke aplikasi hilir.
filterable, facetable, sortable harus false.
Tambahkan bidang nonvektor yang dapat difilter ke koleksi, seperti "judul" dengan filterable diatur ke true, jika Anda ingin memanggil prafilter atau postfilter pada kueri vektor.
Tambahkan bidang lain yang menentukan substansi dan struktur konten tekstual yang Anda indeks. Minimal, Anda memerlukan kunci dokumen.
Anda juga harus menambahkan bidang yang berguna dalam kueri atau dalam responsnya. Contoh berikut menunjukkan bidang vektor untuk judul dan konten ("titleVector", "contentVector") yang setara dengan vektor. Ini juga menyediakan bidang untuk konten tekstual yang setara ("judul", "konten") yang berguna untuk mengurutkan, memfilter, dan membaca dalam hasil pencarian.
Definisi bidang vektor sama dengan pratinjau 2024-03-01, dengan pengecualian jenis data biner baru. Untuk informasi selengkapnya, lihat Mengindeks data biner untuk pencarian vektor.
Gunakan REST API Buat atau Perbarui Pratinjau Indeks untuk menentukan kumpulan bidang indeks.
Versi API ini dibangun pada pratinjau 2023-10-01 dengan menambahkan dukungan untuk jenis data sempit dan kuantisasi skalar.
Gunakan REST API Buat atau Perbarui Pratinjau Indeks untuk menentukan kumpulan bidang indeks.
Tambahkan bidang vektor ke kumpulan bidang. Anda dapat menyimpan satu penyematan yang dihasilkan per bidang dokumen. Untuk setiap bidang vektor:
type dapat berupa Collection(Edm.Single), Collection(Edm.Half), Collection(Edm.Int16), Collection(Edm.SByte)
dimensions adalah jumlah dimensi yang dihasilkan oleh model penyematan. Untuk text-embedding-ada-002, ini adalah 1536.
vectorSearchProfile adalah nama profil yang ditentukan di tempat lain dalam indeks.
searchable harus benar.
retrievable bisa benar atau salah. True mengembalikan vektor mentah (1536 di antaranya) sebagai teks biasa dan mengonsumsi ruang penyimpanan. Atur ke true jika Anda meneruskan hasil vektor ke aplikasi hilir. False diperlukan jika stored salah.
stored adalah properti boolean baru yang hanya berlaku untuk bidang vektor. True menyimpan salinan vektor yang dikembalikan dalam hasil pencarian. False membuang salinan tersebut selama pengindeksan. Anda dapat mencari vektor, tetapi tidak dapat mengembalikan vektor dalam hasil.
Dalam contoh REST API berikut, "judul" dan "konten" berisi konten tekstual yang digunakan dalam pencarian teks lengkap dan peringkat semantik, sementara "titleVector" dan "contentVector" berisi data vektor. Dalam versi API ini, Anda dapat menggunakan pengindeks dan set keterampilan untuk mengisi bidang vektor menggunakan vektorisasi terintegrasi. Definisi indeks tidak berubah, tetapi Anda dapat menambahkan pengindeks dan keterampilan ke solusi Anda untuk mengisi bidang.
Gunakan REST API Buat atau Perbarui Pratinjau Indeks untuk menentukan kumpulan bidang indeks.
Tambahkan bidang vektor ke kumpulan bidang. Anda dapat menyimpan satu penyematan yang dihasilkan per bidang dokumen. Untuk setiap bidang vektor:
type harus merupakan Collection(Edm.Single).
dimensions adalah jumlah dimensi yang dihasilkan oleh model penyematan. Untuk text-embedding-ada-002, ini adalah 1536.
vectorSearchProfile adalah nama profil yang ditentukan di tempat lain dalam indeks.
searchable harus benar.
retrievable bisa benar atau salah. True mengembalikan vektor mentah (1536 di antaranya) sebagai teks biasa dan mengonsumsi ruang penyimpanan. Atur ke true jika Anda meneruskan hasil vektor ke aplikasi hilir.
filterable, facetable, sortable harus false.
Tambahkan bidang nonvektor yang dapat difilter ke koleksi, seperti "judul" dengan filterable diatur ke true, jika Anda ingin memanggil prafilter atau postfilter pada [kueri vektor](vector-search-how-to-query.md
Tambahkan bidang lain yang menentukan substansi dan struktur konten tekstual yang Anda indeks. Minimal, Anda memerlukan kunci dokumen.
Anda juga harus menambahkan bidang yang berguna dalam kueri atau dalam responsnya. Contoh berikut menunjukkan bidang vektor untuk judul dan konten ("titleVector", "contentVector") yang setara dengan vektor. Ini juga menyediakan bidang untuk konten tekstual yang setara ("judul", "konten") yang berguna untuk mengurutkan, memfilter, dan membaca dalam hasil pencarian.
Definisi bidang vektor untuk versi ini usang di versi yang lebih baru. Sebaiknya migrasikan ke REST API yang lebih baru.
2023-07-01-Preview adalah versi REST API pertama yang mendukung skenario vektor.
Dalam contoh REST API berikut, "judul" dan "konten" berisi konten tekstual yang digunakan dalam pencarian teks lengkap dan peringkat semantik, sementara "titleVector" dan "contentVector" berisi data vektor yang dihasilkan secara eksternal.
Gunakan REST API Buat atau Perbarui Pratinjau Indeks untuk menentukan kumpulan bidang indeks.
Tambahkan bidang vektor ke kumpulan bidang. Anda dapat menyimpan satu penyematan yang dihasilkan per bidang dokumen. Untuk setiap bidang vektor:
Tetapkan Collection(Edm.Single) jenis data.
Berikan nama konfigurasi algoritma pencarian vektor.
Berikan jumlah dimensi yang dihasilkan oleh model penyematan.
Atur atribut:
"dapat dicari" harus "true".
"dapat diambil" diatur ke "true" memungkinkan Anda menampilkan vektor mentah (misalnya, sebagai langkah verifikasi), tetapi melakukannya meningkatkan penyimpanan. Atur ke "false" jika Anda tidak perlu mengembalikan vektor mentah. Anda tidak perlu mengembalikan vektor untuk kueri, tetapi jika Anda meneruskan hasil vektor ke aplikasi hilir lalu mengatur "dapat diambil" ke "true".
Atribut "filterable", "facetable", "sortable" harus "false". Jangan atur ke "true" karena perilaku tersebut tidak berlaku dalam konteks bidang vektor dan permintaan akan gagal.
Tambahkan bidang lain yang menentukan substansi dan struktur konten tekstual yang Anda indeks. Minimal, Anda memerlukan kunci dokumen.
Anda juga harus menambahkan bidang yang berguna dalam kueri atau dalam responsnya. Contoh berikut menunjukkan bidang vektor untuk judul dan konten ("titleVector", "contentVector") yang setara dengan vektor. Ini juga menyediakan bidang untuk konten tekstual yang setara ("judul", "konten") yang berguna untuk mengurutkan, memfilter, dan membaca dalam hasil pencarian.
Definisi indeks dengan elemen yang dijelaskan terlihat seperti ini:
Konten yang Anda berikan untuk pengindeksan harus sesuai dengan skema indeks dan menyertakan nilai string unik untuk kunci dokumen. Data yang telah diprovektorisasi dimuat ke dalam satu atau beberapa bidang vektor, yang dapat berdampingan dengan bidang lain yang berisi konten alfanumerik.
Anda dapat menggunakan metodologi pendorongan atau penarikan untuk penyerapan data.
Gunakan Dokumen - Indeks untuk memuat data vektor dan nonvektor ke dalam indeks. API pendorongan untuk pengindeksan identik di semua versi stabil dan pratinjau. Gunakan salah satu API berikut untuk memuat dokumen:
POST https://{{search-service-name}}.search.windows.net/indexes/{{index-name}}/docs/index?api-version=2023-11-01
Content-Type: application/json
api-key: {{admin-api-key}}
{
"value": [
{
"id": "1",
"title": "Azure App Service",
"content": "Azure App Service is a fully managed platform for building, deploying, and scaling web apps. You can host web apps, mobile app backends, and RESTful APIs. It supports a variety of programming languages and frameworks, such as .NET, Java, Node.js, Python, and PHP. The service offers built-in auto-scaling and load balancing capabilities. It also provides integration with other Azure services, such as Azure DevOps, GitHub, and Bitbucket.",
"category": "Web",
"titleVector": [
-0.02250031754374504,
. . .
],
"contentVector": [
-0.024740582332015038,
. . .
],
"@search.action": "upload"
},
{
"id": "2",
"title": "Azure Functions",
"content": "Azure Functions is a serverless compute service that enables you to run code on-demand without having to manage infrastructure. It allows you to build and deploy event-driven applications that automatically scale with your workload. Functions support various languages, including C#, F#, Node.js, Python, and Java. It offers a variety of triggers and bindings to integrate with other Azure services and external services. You only pay for the compute time you consume.",
"category": "Compute",
"titleVector": [
-0.020159931853413582,
. . .
],
"contentVector": [
-0.02780858241021633,
. . .
],
"@search.action": "upload"
}
. . .
]
}
Semua rilis pratinjau yang lebih baru menggunakan API penarikan (pengindeks dan set keterampilan) untuk vektorisasi terintegrasi selama pengindeksan dan waktu kueri.
Pengindeks dapat mengambil dan mengindeks bidang vektor dalam dokumen sumber, dengan asumsi skema indeks yang memenuhi persyaratan bidang vektor dan PRATINJAU REST API. Sumber data menyediakan vektor dalam format apa pun yang didukung sumber data (seperti string di JSON). Pengindeks mengasumsikan bahwa bidang yang di ketik sebagai Collection(Edm.Single) berisi vektor dan akan mengindeks konten tersebut sebagai indeks vektor.
Tidak ada perubahan pada perilaku pemetaan bidang atau deteksi perubahan untuk vektor. Perilaku untuk pengindeksan teks juga berlaku untuk vektor.
Jika data vektor bersumber dalam file, kami merekomendasikan nondefault parsingMode seperti json, , jsonLinesatau csv berdasarkan bentuk data.
Untuk sumber data, pengindeks blob Azure dan Azure Cosmos DB untuk pengindeks NoSQL dengan salah satu parsingModes yang disebutkan di atas telah diuji dan dikonfirmasi berfungsi.
Azure SQL tidak menyediakan cara untuk menyimpan koleksi secara asli sebagai kolom SQL tunggal. Solusi sementara belum diidentifikasi saat ini.
Dimensi semua vektor dari sumber data harus sama dan cocok dengan definisi indeksnya untuk bidang yang mereka petakan. Pengindeks melemparkan kesalahan pada dokumen apa pun yang tidak cocok.
Keterampilan dan vektorizer digunakan untuk menghasilkan penyematan. Untuk vektorisasi selama pengindeksan, pilih dari keterampilan berikut:
Untuk tujuan validasi, Anda dapat mengkueri indeks menggunakan Search Explorer di portal Azure atau panggilan REST API. Karena Azure AI Search tidak dapat mengonversi vektor ke teks yang dapat dibaca manusia, coba kembalikan bidang dari dokumen yang sama yang memberikan bukti kecocokan. Misalnya, jika kueri vektor menargetkan bidang "titleVector", Anda dapat memilih "judul" untuk hasil pencarian.
Bidang harus dikaitkan sebagai "dapat diambil" untuk disertakan dalam hasil.
Gunakan tampilan Kueri default untuk konfirmasi cepat bahwa indeks berisi vektor. Tampilan kueri adalah untuk pencarian teks lengkap. Meskipun Anda tidak dapat menggunakannya untuk kueri vektor, Anda dapat mengirim pencarian kosong (search=*) untuk memeriksa konten. Konten semua bidang, termasuk bidang vektor, dikembalikan sebagai teks biasa.
Contoh REST API berikut adalah kueri vektor, tetapi hanya mengembalikan bidang nonvektor (judul, konten, kategori). Hanya bidang yang ditandai sebagai "dapat diambil" yang dapat dikembalikan dalam hasil pencarian.
Untuk memperbarui penyimpanan vektor, ubah skema dan jika perlu, muat ulang dokumen untuk mengisi bidang baru. API untuk pembaruan skema termasuk Buat atau Perbarui Indeks (REST), CreateOrUpdateIndex di Azure SDK untuk .NET, create_or_update_index di Azure SDK for Python, dan metode serupa di Azure SDK lainnya.
Hilangkan dan bangun ulang sering diperlukan untuk pembaruan dan penghapusan bidang yang ada.
Namun, Anda dapat memperbarui skema yang ada dengan modifikasi berikut, tanpa perlu membangun kembali:
Tambahkan bidang baru ke kumpulan bidang.
Tambahkan konfigurasi vektor baru, yang ditetapkan ke bidang baru tetapi bukan bidang yang sudah ada yang telah di-vektorisasi.
Ubah "dapat diambil" (nilai benar atau salah) pada bidang yang ada. Bidang vektor harus dapat dicari dan diambil, tetapi jika Anda ingin menonaktifkan akses ke bidang vektor dalam situasi di mana penurunan dan pembangunan kembali tidak layak, Anda dapat mengatur dapat diambil ke false.
Segera hadir: Sepanjang tahun 2024 kami akan menghentikan penggunaan GitHub Issues sebagai mekanisme umpan balik untuk konten dan menggantinya dengan sistem umpan balik baru. Untuk mengetahui informasi selengkapnya, lihat: https://aka.ms/ContentUserFeedback.