チュートリアル: Azure AI Search を使用してエンドツーエンドのエージェント検索ソリューションを構築する

注

現在、この機能はパブリックプレビュー段階にあります。このプレビュー版はサービスレベルアグリーメントなしで提供されています。運用環境のワークロードに使用することはお勧めできません。特定の機能はサポート対象ではなく、機能が制限されることがあります。詳細については、「 Microsoft Azure プレビューの追加使用条件」を参照してください。

エージェント検索のために Azure AI Search と Foundry Agent Service を統合するインテリジェントな MCP 対応ソリューションを作成する方法について説明します。このアーキテクチャは、カスタマーサポートや技術的なトラブルシューティングなど、大規模なナレッジドメインに対する複雑な推論を必要とする会話型アプリケーションに使用できます。

このチュートリアルでは、次の操作を行います。

Azure AI Search と Microsoft Foundry のロールベースのアクセスを構成する
Azure AI Search で検索インデックス、ナレッジソース、ナレッジベースを作成する
Azure AI Search と Microsoft Foundry の間の MCP 通信用のプロジェクト接続を作成する
MCP ツールを使用して取得するエージェントを Microsoft Foundry に作成する
エージェントとチャットしてソリューションをテストする
ソリューションを最適化するためのヒントを確認する

ヒント

すぐに始めたいですか? GitHub で agentic-retrieval-pipeline-example Python ノートブックを複製します。ノートブックには、このチュートリアルのコードがすぐに実行できる形式で含まれています。

[前提条件]

エージェント検索を提供する任意のリージョンの Azure AI Search サービス。
Microsoft Foundry プロジェクトとリソース。プロジェクトを作成すると、リソースが自動的に作成されます。
クエリ時間ベクター化のためにプロジェクトに配置されたテキスト埋め込みモデル。このソリューションでは、 text-embedding-3-largeを使用します。
プロジェクトのエージェント向けにデプロイされたLLM。このソリューションでは、 gpt-4.1-miniを使用します。
Microsoft Entra ID を使用したキーレス認証用の Azure CLI 。
最新バージョンの Python。
Python および Jupyter 拡張機能を含む Visual Studio Code。

ソリューションを理解する

このソリューションでは、Azure AI Search と Microsoft Foundry を組み合わせて、エンドツーエンドの取得パイプラインを作成します。

Azure AI Search は、クエリの計画、クエリの実行、結果の合成を処理するナレッジベースをホストします。コンテンツを格納する検索インデックス、インデックスを参照するナレッジソース、ナレッジソースからのハイブリッド取得を実行するナレッジベースを作成します。
Microsoft Foundry は 、Azure OpenAI モデルのデプロイ、プロジェクト接続、およびエージェントをホストします。ナレッジベースの MCP エンドポイントを指すプロジェクト接続を作成し、MCP ツールを使用してナレッジベースにアクセスするエージェントを作成します。

ユーザーは、エージェントを呼び出すチャットボットなどのクライアントアプリと対話してクエリ処理を開始します。エージェントは、MCP ツールを使用してナレッジベースへの要求を調整し、応答を合成します。チャットボットがエージェントを呼び出すと、MCP ツールは Azure AI Search のナレッジベースを呼び出し、エージェントとチャットボットに応答を送信します。

アクセスを構成する

開始する前に、コンテンツと操作にアクセスするためのアクセス許可があることを確認してください。認証には Microsoft Entra ID の使用を推奨し、認可にはロールベースのアクセス制御を推奨します。ロールを割り当てるには、 所有者 または ユーザーアクセス管理者 である必要があります。ロールの使用が困難な場合は、代わりにキーベースの認証を使用してください。

このソリューションのアクセスを構成するには:

Azure portal にサインインします。
検索サービスとプロジェクトの両方に対して、システム割り当てマネージド ID を有効にします。これは、各リソースの [ID] ページで行うことができます。

検索サービスで、ロールベースのアクセスを有効にして、次のロールを割り当てます。

Role	担当者	目的
検索サービス寄稿者	ユーザーアカウント	オブジェクトを作成する
検索インデックスデータ共同作成者	ユーザーアカウント	データの読み込み
検索インデックスデータ閲覧者	ユーザーアカウントとプロジェクトのマネージドアイデンティティ	インデックス付きコンテンツの読み取り

プロジェクトの親リソースで、次のロールを割り当てます。

Role	担当者	目的
Azure AI ユーザー	ユーザーアカウント	モデルのデプロイにアクセスし、エージェントを作成する
Azure AI プロジェクトマネージャー	ユーザーアカウント	プロジェクト接続を作成し、エージェントで MCP ツールを使用する
Cognitive Services ユーザー	検索サービスの管理されたID	ナレッジベースにアクセスする

環境を設定する

ローカルシステムに tutorial-agentic-retrieval という名前のフォルダーを作成します。
Visual Studio Code でフォルダーを開きます。
[ コマンドパレット > 表示] を選択し、[ Python: 環境の作成] を選択します。プロンプトに従って仮想環境を作成します。
[ターミナル] > [新しいターミナル] の順に選択します。

必要なパッケージをインストールします。

pip install azure-ai-projects==2.0.0b1 azure-mgmt-cognitiveservices azure-identity ipykernel dotenv azure-search-documents==11.7.0b2 requests openai

.env フォルダーに tutorial-agentic-retrieval という名前のファイルを作成します。
プレースホルダーの値を独自の値に置き換えて、次の変数を .env ファイルに追加します。
```
AZURE_SEARCH_ENDPOINT = https://{your-service-name}.search.windows.net
PROJECT_ENDPOINT = https://{your-resource-name}.services.ai.azure.com/api/projects/{your-project-name}
PROJECT_RESOURCE_ID = /subscriptions/{subscription-id}/resourceGroups/{resource-group-name}/providers/Microsoft.CognitiveServices/accounts/{account-name}/projects/{project-name}
AZURE_OPENAI_ENDPOINT = https://{your-resource-name}.openai.azure.com
AZURE_OPENAI_EMBEDDING_DEPLOYMENT = text-embedding-3-large
AGENT_MODEL = gpt-4.1-mini
```
エンドポイントとリソース ID は、Azure portal で確認できます。
- AZURE_SEARCH_ENDPOINT は、検索サービスの [概要 ] ページにあります。
- PROJECT_ENDPOINT は、プロジェクトの [エンドポイント] ページにあります。
- PROJECT_RESOURCE_ID は、プロジェクトの [プロパティ] ページにあります。
- AZURE_OPENAI_ENDPOINT は、プロジェクトの親リソースの [エンドポイント] ページにあります。
Microsoft Entra ID によるキーレス認証の場合は、Azure アカウントにサインインします。複数のサブスクリプションがある場合は、Azure AI Search と Microsoft Foundry リソースを含むサブスクリプションを選択します。
```
az login
```
tutorial.ipynb フォルダーに tutorial-agentic-retrieval という名前のファイルを作成します。次のセクションでは、このファイルにコードセルを追加します。

ソリューションをビルドする

このセクションでは、エージェント検索ソリューションのコンポーネントを作成します。 tutorial.ipynb ノートブックの個別のコードセルに各コードスニペットを追加し、セルを順番に実行します。

このセクションの手順は次のとおりです。

接続の読み込み
検索インデックスを作成する
ドキュメントをインデックスにアップロードする
ナレッジソースを作成する
ナレッジベースの作成
プロジェクトクライアントを設定する
プロジェクト接続を作成する
MCP ツールを使用してエージェントを作成する
エージェントとのチャット
リソースをクリーンアップする

接続をロードする

次のコードでは、 .env ファイルから環境変数を読み込み、Azure AI Search と Microsoft Foundry への接続を確立します。

import os

from azure.identity import DefaultAzureCredential
from azure.mgmt.core.tools import parse_resource_id
from dotenv import load_dotenv

load_dotenv(override=True) # Take environment variables from .env

project_endpoint = os.environ["PROJECT_ENDPOINT"]
project_resource_id = os.environ["PROJECT_RESOURCE_ID"]
project_connection_name = os.getenv("PROJECT_CONNECTION_NAME", "earthknowledgeconnection")
agent_model = os.getenv("AGENT_MODEL", "gpt-4.1-mini")
agent_name = os.getenv("AGENT_NAME", "earth-knowledge-agent")
endpoint = os.environ["AZURE_SEARCH_ENDPOINT"]
credential = DefaultAzureCredential()
knowledge_source_name = os.getenv("AZURE_SEARCH_KNOWLEDGE_SOURCE_NAME", "earth-knowledge-source")
index_name = os.getenv("AZURE_SEARCH_INDEX", "earth-at-night")
azure_openai_endpoint = os.environ["AZURE_OPENAI_ENDPOINT"]
azure_openai_embedding_deployment = os.getenv("AZURE_OPENAI_EMBEDDING_DEPLOYMENT", "text-embedding-3-large")
azure_openai_embedding_model = os.getenv("AZURE_OPENAI_EMBEDDING_MODEL", "text-embedding-3-large")
base_name = os.getenv("AZURE_SEARCH_AGENT_NAME", "earth-knowledge-base")

# Parse the resource ID to extract subscription and other components
parsed_resource_id = parse_resource_id(project_resource_id)
subscription_id = parsed_resource_id['subscription']
resource_group = parsed_resource_id['resource_group']
account_name = parsed_resource_id['name']
project_name = parsed_resource_id['child_name_1']

検索インデックスを作成する

Azure AI Search では、インデックスはデータの構造化されたコレクションです。次のコードでは、ナレッジベースの検索可能なコンテンツを格納するインデックスを作成します。

インデックススキーマには、ドキュメントの識別とページの内容、埋め込み、および数値のフィールドが含まれています。このスキーマには、セマンティックランキングとベクトル検索の構成も含まれており、text-embedding-3-large のデプロイメントを使用してテキストをベクトル化し、意味的な類似性に基づいてドキュメントを照合します。

この手順の詳細については、「 Azure AI Search でエージェントを取得するためのインデックスを作成する」を参照してください。

from azure.search.documents.indexes import SearchIndexClient
from azure.search.documents.indexes.models import (
    AzureOpenAIVectorizer, AzureOpenAIVectorizerParameters,
    HnswAlgorithmConfiguration, SearchField, SearchIndex,
    SemanticConfiguration, SemanticField, SemanticPrioritizedFields,
    SemanticSearch, VectorSearch, VectorSearchProfile
)

index = SearchIndex(
    name=index_name,
    fields=[
        SearchField(name="id", type="Edm.String", key=True, filterable=True, sortable=True, facetable=True),
        SearchField(name="page_chunk", type="Edm.String", filterable=False, sortable=False, facetable=False),
        SearchField(name="page_embedding_text_3_large", type="Collection(Edm.Single)", stored=False, vector_search_dimensions=3072, vector_search_profile_name="hnsw_text_3_large"),
        SearchField(name="page_number", type="Edm.Int32", filterable=True, sortable=True, facetable=True)
    ],
    vector_search=VectorSearch(
        profiles=[VectorSearchProfile(name="hnsw_text_3_large", algorithm_configuration_name="alg", vectorizer_name="azure_openai_text_3_large")],
        algorithms=[HnswAlgorithmConfiguration(name="alg")],
        vectorizers=[
            AzureOpenAIVectorizer(
                vectorizer_name="azure_openai_text_3_large",
                parameters=AzureOpenAIVectorizerParameters(
                    resource_url=azure_openai_endpoint,
                    deployment_name=azure_openai_embedding_deployment,
                    model_name=azure_openai_embedding_model
                )
            )
        ]
    ),
    semantic_search=SemanticSearch(
        default_configuration_name="semantic_config",
        configurations=[
            SemanticConfiguration(
                name="semantic_config",
                prioritized_fields=SemanticPrioritizedFields(
                    content_fields=[
                        SemanticField(field_name="page_chunk")
                    ]
                )
            )
        ]
    )
)

index_client = SearchIndexClient(endpoint=endpoint, credential=credential)
index_client.create_or_update_index(index)
print(f"Index '{index_name}' created or updated successfully")

インデックスにドキュメントをアップロードする

現在、インデックスは空です。次のコードは、 NASA の Earth at Night 電子書籍の JSON ドキュメントをインデックスに設定します。 Azure AI Search の必要に応じて、各ドキュメントはインデックススキーマで定義されているフィールドとデータ型に準拠します。

この手順の詳細については、「データをインデックスにプッシュする」を参照してください。

import requests
from azure.search.documents import SearchIndexingBufferedSender

url = "https://raw.githubusercontent.com/Azure-Samples/azure-search-sample-data/refs/heads/main/nasa-e-book/earth-at-night-json/documents.json"
documents = requests.get(url).json()

with SearchIndexingBufferedSender(endpoint=endpoint, index_name=index_name, credential=credential) as client:
    client.upload_documents(documents=documents)

print(f"Documents uploaded to index '{index_name}'")

ナレッジソースを作成する

ナレッジソースは、ソースデータへの再利用可能な参照です。次のコードは、前に作成したインデックスを対象とするナレッジソースを作成します。

source_data_fields は、引用文献に含まれるインデックスフィールドを指定します。この例には、応答に長く解釈できない埋め込みを回避するために、人間が判読できるフィールドのみが含まれています。

この手順の詳細については、「検索インデックスナレッジソースの作成」を参照してください。

from azure.search.documents.indexes import SearchIndexClient
from azure.search.documents.indexes.models import (
    SearchIndexFieldReference, SearchIndexKnowledgeSource,
    SearchIndexKnowledgeSourceParameters
)

ks = SearchIndexKnowledgeSource(
    name=knowledge_source_name,
    description="Knowledge source for Earth at night data",
    search_index_parameters=SearchIndexKnowledgeSourceParameters(
        search_index_name=index_name,
        source_data_fields=[SearchIndexFieldReference(name="id"), SearchIndexFieldReference(name="page_number")]
    ),
)

index_client = SearchIndexClient(endpoint=endpoint, credential=credential)
index_client.create_or_update_knowledge_source(knowledge_source=ks)
print(f"Knowledge source '{knowledge_source_name}' created or updated successfully.")

ナレッジベースの作成

次のコードは、ナレッジソースから情報を収集するエージェントを制御するナレッジベースを作成します。このコードには、ナレッジベースの MCP エンドポイントも格納されます。このエンドポイントは、エージェントがナレッジベースへのアクセスに使用します。

Foundry Agent Service と統合するために、ナレッジベースは次のパラメーターで構成されます。

output_mode は抽出データに設定されます。エージェントに、グラウンディングと推論のための逐語的で未処理のコンテンツを提供します。代替モードである応答合成は、ソースコンテンツに対するエージェントの推論能力を制限する事前生成された回答を返します。
retrieval_reasoning_effort は最小限の労力に設定されています。これにより、コストと待機時間を削減するために LLM ベースのクエリ計画がバイパスされます。その他の理由から、ナレッジベースは LLM を使用して、取得前にユーザークエリを再調整します。

この手順の詳細については、「 Azure AI Search でナレッジベースを作成する」を参照してください。

from azure.search.documents.indexes import SearchIndexClient
from azure.search.documents.indexes.models import (
    KnowledgeBase, KnowledgeRetrievalMinimalReasoningEffort,
    KnowledgeRetrievalOutputMode, KnowledgeSourceReference
)

knowledge_base = KnowledgeBase(
    name=base_name,
    knowledge_sources=[
        KnowledgeSourceReference(
            name=knowledge_source_name
        )
    ],
    output_mode=KnowledgeRetrievalOutputMode.EXTRACTIVE_DATA,
    retrieval_reasoning_effort=KnowledgeRetrievalMinimalReasoningEffort()
)


index_client = SearchIndexClient(endpoint=endpoint, credential=credential)
index_client.create_or_update_knowledge_base(knowledge_base=knowledge_base)
print(f"Knowledge base '{base_name}' created or updated successfully")

mcp_endpoint = f"{endpoint}/knowledgebases/{base_name}/mcp?api-version=2025-11-01-Preview"

プロジェクトクライアントを設定する

AIProjectClient を使用して、Microsoft Foundry プロジェクトへのクライアント接続を作成します。プロジェクトにエージェントがまだ含まれていない可能性がありますが、このチュートリアルを既に完了している場合は、エージェントがここに一覧表示されます。

from azure.ai.projects import AIProjectClient

project_client = AIProjectClient(endpoint=project_endpoint, credential=credential)

list(project_client.agents.list())

プロジェクト接続を作成する

次のコードは、ナレッジベースの MCP エンドポイントを指すプロジェクト接続を Microsoft Foundry に作成します。この接続では、プロジェクトのマネージド ID を使用して Azure AI Search に対する認証を行います。

import requests
from azure.identity import get_bearer_token_provider

bearer_token_provider = get_bearer_token_provider(credential, "https://management.azure.com/.default")
headers = {
    "Authorization": f"Bearer {bearer_token_provider()}",
}

response = requests.put(
    f"https://management.azure.com{project_resource_id}/connections/{project_connection_name}?api-version=2025-10-01-preview",
    headers=headers,
    json={
        "name": project_connection_name,
        "type": "Microsoft.MachineLearningServices/workspaces/connections",
        "properties": {
            "authType": "ProjectManagedIdentity",
            "category": "RemoteTool",
            "target": mcp_endpoint,
            "isSharedToAll": True,
            "audience": "https://search.azure.com/",
            "metadata": { "ApiType": "Azure" }
        }
    }
)

response.raise_for_status()
print(f"Connection '{project_connection_name}' created or updated successfully.")

MCP ツールを使用してエージェントを作成する

次のコードでは、MCP ツールで構成されたエージェントを作成します。エージェントは、ユーザークエリを受け取ると、MCP ツールを使用してナレッジベースを呼び出して、応答の基礎となる関連コンテンツを取得できます。

エージェント定義には、その動作と、前に作成したプロジェクト接続を指定する手順が含まれています。これらの手順は、実験に基づいて、ナレッジベースの呼び出しの精度を最大化し、適切な引用形式を確保するのに効果的です。

この手順の詳細については、「クイックスタート: 新しいエージェントを作成する」を参照してください。

from azure.ai.projects.models import PromptAgentDefinition, MCPTool

instructions = """
You are a helpful assistant that must use the knowledge base to answer all the questions from user. You must never answer from your own knowledge under any circumstances.
Every answer must always provide annotations for using the MCP knowledge base tool and render them as: `【message_idx:search_idx†source_name】`
If you cannot find the answer in the provided knowledge base you must respond with "I don't know".
"""

mcp_kb_tool = MCPTool(
    server_label="knowledge-base",
    server_url=mcp_endpoint,
    require_approval="never",
    allowed_tools=["knowledge_base_retrieve"],
    project_connection_id=project_connection_name
)

agent = project_client.agents.create_version(
    agent_name=agent_name,
    definition=PromptAgentDefinition(
        model=agent_model,
        instructions=instructions,
        tools=[mcp_kb_tool]
    )
)

print(f"AI agent '{agent_name}' created or updated successfully")

リモート SharePoint ナレッジソースに接続する

Important

このプレビューでは、Foundry Agent Service は MCP ツールの要求ごとのヘッダーをサポートしていません。エージェント定義で設定されたヘッダーは、すべての呼び出しに適用され、ユーザーまたは要求によって異なることはできません。

ユーザーごとの承認には、代わりに Azure OpenAI Responses API を使用します。

必要に応じて、ナレッジベースにリモート SharePoint ナレッジソースが含まれている場合は、MCP ツール接続に x-ms-query-source-authorization ヘッダーも含める必要があります。

from azure.search.documents.indexes.models import RemoteSharePointKnowledgeSource, KnowledgeSourceReference
from azure.search.documents.indexes import SearchIndexClient
from azure.identity import get_bearer_token_provider

remote_sp_ks = RemoteSharePointKnowledgeSource(
    name="remote-sharepoint",
    description="SharePoint knowledge source"
)

index_client = SearchIndexClient(endpoint=endpoint, credential=credential)
index_client.create_or_update_knowledge_source(knowledge_source=remote_sp_ks)
print(f"Knowledge source '{remote_sp_ks.name}' created or updated successfully.")

knowledge_base.knowledge_sources = [
    KnowledgeSourceReference(name=remote_sp_ks.name), KnowledgeSourceReference(name=knowledge_source_name)
]

index_client.create_or_update_knowledge_base(knowledge_base=knowledge_base)
print(f"Knowledge base '{base_name}' updated with new knowledge source successfully")

mcp_kb_tool = MCPTool(
    server_label="knowledge-base",
    server_url=mcp_endpoint,
    require_approval="never",
    allowed_tools=["knowledge_base_retrieve"],
    project_connection_id=project_connection_name,
    headers={
        "x-ms-query-source-authorization": get_bearer_token_provider(credential, "https://search.azure.com/.default")()
    }
)

agent = project_client.agents.create_version(
    agent_name=agent_name,
    definition=PromptAgentDefinition(
        model=agent_model,
        instructions=instructions,
        tools=[mcp_kb_tool]
    )
)

print(f"AI agent '{agent_name}' created or updated successfully")

エージェントとのチャット

クライアントアプリは、Azure OpenAI の Conversations API と Responses API を使用してエージェントと対話します。

次のコードでは、会話を作成し、一般的なチャットエクスペリエンスに似たユーザーメッセージをエージェントに渡します。エージェントは、MCP ツールを使用してナレッジベースを呼び出すタイミングを決定し、参照を含む自然言語の回答を返します。 tool_choice="required"設定すると、エージェントがクエリの処理時に常にナレッジベースツールを使用できるようになります。

# Get the OpenAI client for responses and conversations
openai_client = project_client.get_openai_client()

conversation = openai_client.conversations.create()

# Send initial request that will trigger the MCP tool
response = openai_client.responses.create(
    conversation=conversation.id,
    tool_choice="required",
    input="""
        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?
    """,
    extra_body={"agent": {"name": agent.name, "type": "agent_reference"}},
)

print(f"Response: {response.output_text}")

応答は次のようになります。

Response: Here are evidence-based explanations to your questions:

---

**1. Why do suburban belts display larger December brightening than urban cores, even though absolute light levels are higher downtown?**

- Suburban belts show a *larger percentage increase* in night brightness during December compared to urban cores, largely because suburban residential areas feature more single-family homes and larger yards, which are typically decorated with holiday lights. These areas start from a lower baseline (less bright overall at night compared to dense urban centers), so the relative change (brightening) is much more noticeable.

- In contrast, the downtown core is already very bright at night due to dense commercial lighting and streetlights. While it also sees a December increase (often 20–30% brighter), the *absolute* change is less striking because it begins at a much higher base of illumination.

- This pattern is observed across U.S. cities, with the phenomenon driven by widespread cultural practices and the suburban landscape’s suitability for holiday lighting displays. The effect is visible in satellite data and was quantified at 20–50% brighter in December, especially in suburbs and city outskirts.

---

**2. Why is the Phoenix nighttime street grid so sharply visible from space, whereas large stretches of the interstate between midwestern cities remain comparatively dim?**

- Phoenix’s sharply visible nighttime street grid from space is a result of its urban layout: the city (like many western U.S. cities) was developed using a regular grid system, with extensive and uniform street lighting and strong urban sprawl. The grid pattern, and the dense network of intersecting surface streets, is brightly illuminated, particularly at intersections, commercial areas, and major thoroughfares.

- The interstate highways between midwestern cities, though significant in length and crucial to national infrastructure, traverse sparsely populated rural areas. These stretches typically have very little artificial lighting (due to low traffic volumes at night and cost considerations), making them much less visible in nighttime satellite imagery. Only nodes (cities and towns) along the route show as bright "pearls" in the darkness, while the "strings" (highways) connecting them remain faint or invisible.

- In summary:
  - Urban areas like Phoenix stand out with strong, connected patterns of light due to dense development and extensive lighting.
  - Rural interstates are sparsely lit, and only their endpoints—cities and large towns—generate notable light visible from space.

---

**References**:
- [Holiday Lights increase most dramatically in suburbs, not downtowns: earth_at_night_508_page_176_verbalized, page 160](4:5)
- [Lighting paths and urban grids are visible from space, while rural highways remain dim: earth_at_night_508_page_124_verbalized, page 108](4:3)
- [Phoenix’s grid and surrounding urban structure: earth_at_night_508_page_104_verbalized, page 88](4:1)

応答を調べる

エージェントからの基になる応答には、ナレッジベースに送信されたクエリと、見つかった引用文献に関するメタデータが含まれています。このメタデータを調べて、エージェントがユーザー入力をどのように処理したかを理解できます。

response.to_dict()

リソースをクリーンアップする

自分のサブスクリプションで作業する場合は、不要になったリソースを削除してプロジェクトを完了することをお勧めします。リソースを動作させたままだと、お金がかかることがあります。

Azure portal で、左側のウィンドウから [すべてのリソース ] または [リソースグループ ] を選択して、リソースを検索して管理します。リソースを個別に削除することも、リソースグループを削除してすべてのリソースを一度に削除することもできます。

次のコードを実行して、個々のオブジェクトを削除することもできます。

# Delete the agent
project_client.agents.delete_version(agent.name, agent.version)
print(f"AI agent '{agent.name}' version '{agent.version}' deleted successfully")

# Delete the knowledge base
index_client.delete_knowledge_base(base_name)
print(f"Knowledge base '{base_name}' deleted successfully")

# Delete the knowledge source
index_client.delete_knowledge_source(knowledge_source=knowledge_source_name)
print(f"Knowledge source '{knowledge_source_name}' deleted successfully.")

# Delete the search index
index_client.delete_index(index)
print(f"Index '{index_name}' deleted successfully")

データ品質の向上

既定では、ナレッジベースからの検索結果は、エージェントが参照できるように、大きな統合された文字列にまとめられます。 Azure AI Search には、高品質の結果を生成するのに役立つ、次のインデックス作成と関連性チューニング機能が用意されています。これらの機能は検索インデックスに実装できます。検索の関連性の向上は、取得応答の品質に明らかです。

スコアリングプロファイルには、組み込みのブースト条件が用意されています。インデックスでは、既定のスコアリングプロファイルを指定する必要があります。これは、クエリにそのプロファイルに関連付けられているフィールドが含まれている場合に取得エンジンによって使用されます。
セマンティック構成は必須ですが、優先順位を付けてランク付けに使用するフィールドを決定します。
プレーンテキストコンテンツの場合、アナライザーを使用してインデックス作成中のトークン化を制御できます。
マルチモーダルまたは画像コンテンツの場合、インデックス作成時にスキルセットを使用し、LLMで生成された画像の説明には画像の言語化を、従来のOCRと画像分析の方法を利用できます。

サブクエリの数を制御する

ナレッジベースで取得の理由を設定することで、サブクエリの数を制御できます。推論作業によって、クエリ計画の LLM 処理のレベルが決まります。これは、最小 (LLM 処理なし) から中 (より深い検索とフォローアップの反復) までです。

重大な推論作業では、LLM は次の要因に基づいてサブクエリの数を決定します。

ユーザークエリ
チャット履歴
セマンティックランカー入力制約

エージェントに送信されるコンテキストを制御する

Responses API は、エージェントとナレッジベースに送信される内容を制御します。パフォーマンスと関連性を最適化するには、MCP ツールに送信する前に、エージェントの指示を調整してチャット履歴を要約またはフィルター処理します。

コストを制御し、操作を制限する

クエリプランに関する分析情報については、ナレッジベース応答のアクティビティ配列の出力トークンを参照してください。

パフォーマンスの向上

パフォーマンスを最適化し、待機時間を短縮するには、次の戦略を検討してください。

メッセージスレッドを要約します。
gpt-4.1-miniを使用するか、より高速に実行する小規模なモデルを使用します。
取得maxOutputSizeにを設定して、時間制限処理の応答またはmaxRuntimeInSecondsのサイズを制御します。

フィードバック

このページはお役に立ちましたか?

Last updated on 2026-01-27