In Azure AI Search heeft een vectorarchief een indexschema dat vectorvelden en niet-vectorvelden definieert, een vectorconfiguratie voor algoritmen die de insluitruimte maken en instellingen voor vectorvelddefinities die worden gebruikt in queryaanvragen. Met de INDEX-API maken of bijwerken wordt het vectorarchief gemaakt.
Volg deze stappen om vectorgegevens te indexeren:
Een schema definiëren met vectoralgoritmen voor indexering en zoeken
In dit artikel wordt de werkstroom uitgelegd en wordt REST gebruikt om elke stap te illustreren. Elke recente versie van de REST API voegt nieuwe functionaliteit toe. Zodra u inzicht hebt in de basiswerkstroom en wat elke API-versie biedt, gaat u verder met de Azure SDK-codevoorbeelden in de opslagplaats azure-search-vector-samples voor hulp bij het gebruik van deze functies in test- en productiecode.
Azure AI Search, in elke regio en op elke laag. De meeste bestaande services ondersteunen vectorzoekopdrachten. Voor services die vóór januari 2019 zijn gemaakt, is er een kleine subset die geen vectorindex kan maken. In dit geval moet er een nieuwe service worden gemaakt.
Bestaande vector-insluitingen in uw brondocumenten als u de algemeen beschikbare versie van de Azure SDK's en REST API's gebruikt. Zie Insluitingen genereren voor meer informatie. Een alternatief is geïntegreerde vectorisatie (preview).
U moet weten wat de dimensielimiet is van het model dat wordt gebruikt om de insluitingen te maken en hoe overeenkomsten worden berekend. In Azure OpenAI is voor tekst-insluiten-ada-002 de lengte van de numerieke vector 1536. Gelijkenis wordt berekend met behulp van cosine. Geldige waarden zijn 2 tot en met 3072 dimensies.
U moet bekend zijn met het maken van een index. Het schema moet een veld bevatten voor de documentsleutel, andere velden die u wilt doorzoeken of filteren, en andere configuraties voor gedrag dat nodig is tijdens het indexeren en query's.
Documenten voorbereiden voor indexering
Voordat u indexeert, stelt u een nettolading van een document samen met velden van vector- en niet-vectorgegevens. De documentstructuur moet voldoen aan het indexschema.
Zorg ervoor dat uw documenten:
Geef een veld of een metagegevenseigenschap op waarmee elk document uniek wordt geïdentificeerd. Voor alle zoekindexen is een documentsleutel vereist. Als u wilt voldoen aan de vereisten voor documentsleutels, moet een brondocument één veld of eigenschap hebben die het uniek kan identificeren in de index. Dit bronveld moet worden toegewezen aan een indexveld van het type Edm.String en key=true in de zoekindex.
Geef vectorgegevens (een matrix van drijvendekommanummers met één precisie) op in bronvelden.
Vectorvelden bevatten numerieke gegevens die worden gegenereerd door het insluiten van modellen, één insluiting per veld. U wordt aangeraden modellen in te sluiten in Azure OpenAI, zoals tekst-embedding-ada-002 voor tekstdocumenten of de REST API voor het ophalen van afbeeldingen voor afbeeldingen. Alleen index vectorvelden op het hoogste niveau worden ondersteund: Vectorsubvelden worden momenteel niet ondersteund.
Geef andere velden met door mensen leesbare alfanumerieke inhoud voor het queryantwoord en voor hybride queryscenario's die zoeken in volledige tekst of semantische rangschikking in dezelfde aanvraag bevatten.
De zoekindex moet velden en inhoud bevatten voor alle queryscenario's die u wilt ondersteunen. Stel dat u wilt zoeken of filteren op productnamen, versies, metagegevens of adressen. In dit geval is zoeken naar overeenkomsten niet erg nuttig. Trefwoorden zoeken, geo-zoekopdrachten of filters zijn een betere keuze. Een zoekindex die een uitgebreide veldverzameling van vector- en nietvectorgegevens bevat, biedt maximale flexibiliteit voor het bouwen en samenstellen van query's.
Een kort voorbeeld van een nettolading van documenten die vector- en nietvectorvelden bevat, bevindt zich in de sectie gegevens van de belastingvector van dit artikel.
Een vectorzoekconfiguratie toevoegen
Een vectorconfiguratie geeft het algoritme voor vectorzoekopdrachten en parameters op die tijdens het indexeren worden gebruikt om informatie over dichtstbijzijnde buren te maken tussen de vectorknooppunten:
Hiërarchische navigable Small World (HNSW)
Uitgebreide KNN
Als u HNSW voor een veld kiest, kunt u ervoor kiezen om een uitgebreide KNN op het moment van de query uit te voeren. Maar de andere richting werkt niet: als u uitputtend kiest, kunt u later geen HNSW-zoekopdracht aanvragen omdat de extra gegevensstructuren die bij benadering zoeken mogelijk maken, niet bestaan.
Bent u op zoek naar richtlijnen voor migratie van preview-naar-stabiele versies? Zie REST API's upgraden voor stappen.
Naam van de configuratie. De naam moet uniek zijn binnen de index.
profiles voeg een abstractielaag toe voor het aanbrengen van uitgebreidere definities. Er wordt een profiel gedefinieerd in vectorSearchen vervolgens verwezen op naam op elk vectorveld.
"hnsw" en "exhaustiveKnn" zijn de algoritmen Bij benadering dichtstbijzijnde buren (ANN) die worden gebruikt om vectorinhoud tijdens het indexeren te ordenen.
"m" (aantal bidirectionele koppelingen) is standaard 4. Het bereik is 4 tot 10. Lagere waarden retourneren minder ruis in de resultaten.
"efConstruction" de standaardwaarde is 400. Het bereik is 100 tot 1.000. Dit is het aantal dichtstbijzijnde buren dat tijdens het indexeren wordt gebruikt.
"efSearch" de standaardwaarde is 500. Het bereik is 100 tot 1.000. Dit is het aantal dichtstbijzijnde buren dat tijdens de zoekopdracht wordt gebruikt.
"metric" moet 'cosinus' zijn als u Azure OpenAI gebruikt, anders gebruikt u de metrische overeenkomst die is gekoppeld aan het insluitmodel dat u gebruikt. Ondersteunde waarden zijn cosine, dotProduct, euclidean.
2024-05-01-Preview is de nieuwste versie. Er worden meer coderingsopties toegevoegd, maar de vectorzoekconfiguratie (vectorSearch structuur) is grotendeels identiek aan 2024-03-01-preview.
Hiermee wordt geïntegreerde vectorisatie uitgebreid met meer opties voor het insluiten van modellen. Als u van deze mogelijkheid wilt profiteren, moet u afhankelijk zijn van een indexeerfunctie en vaardighedenset. Zie de sectie Load Vector-gegevens en de sectie Pull-API's voor een lijst met de nieuwe vaardigheden voor insluiten.
Gebruik de REST API Voor het maken of bijwerken van indexvoorbeelden om de index te maken.
Inclusief 2023-11-01 vectorSearch.algorithms en vectorSearch.profiles.
Gebruik de REST API Voor het maken of bijwerken van indexvoorbeelden om de index te maken.
Voeg een vectorSearch sectie toe in de index waarin compressie-instellingen en de zoekalgoritmen worden opgegeven die worden gebruikt om de insluitingsruimte te maken. Zie Vector kwantisatie en verminderde opslag configureren voor meer informatie.
vectorSearch.compressions.kind moet zijn: scalarQuantization.
rerankWithOriginalVectors gebruikt de oorspronkelijke, niet-gecomprimeerde vectoren om overeenkomsten opnieuw te berekenen en de belangrijkste resultaten die door de eerste zoekquery worden geretourneerd, opnieuw te rangschikken. De niet-gecomprimeerde vectoren bestaan in de zoekindex, zelfs als stored deze onwaar is. Deze eigenschap is optioneel. De standaardwaarde is waar.
defaultOversampling beschouwt een bredere set potentiële resultaten om de vermindering van de informatie van kwantisatie te compenseren. De formule voor mogelijke resultaten bestaat uit de k in de query, met een vermenigvuldiger voor oversampling. Als de query bijvoorbeeld een k van 5 opgeeft en oversampling 20 is, vraagt de query in feite 100 documenten aan voor gebruik bij het opnieuw rangschikken, waarbij de oorspronkelijke niet-gecomprimeerde vector voor dat doel wordt gebruikt. Alleen de meest k gererankeerde resultaten worden geretourneerd. Deze eigenschap is optioneel. De standaardwaarde is 4.
quantizedDataType moet zijn ingesteld op int8. Dit is het enige primitieve gegevenstype dat op dit moment wordt ondersteund. Deze eigenschap is optioneel. Standaard is int8.
2023-10-01-Preview voegt interne vectorisatie toe, maar de vectorzoekconfiguratie (vectorSearchstructuur) is meestal identiek aan versie 2023-11-01.
Gebruik de REST API Voor het maken of bijwerken van indexvoorbeelden om de index te maken.
Voeg een vectorSearch sectie toe in de index waarmee de zoekalgoritmen worden opgegeven die worden gebruikt om de insluitingsruimte te maken.
Naam van de configuratie. De naam moet uniek zijn binnen de index.
profiles zijn nieuw in deze preview. Ze voegen een abstractielaag toe voor het meegaan van rijkere definities. Er wordt een profiel gedefinieerd in vectorSearchen vervolgens als een eigenschap voor elk vectorveld.
hnsw en "exhaustiveKnn" zijn de algoritmen Bij benadering dichtstbijzijnde buren (ANN) die worden gebruikt om vectorinhoud tijdens het indexeren te ordenen.
m (aantal bidirectionele koppelingen) is standaard 4. Het bereik is 4 tot 10. Lagere waarden retourneren minder ruis in de resultaten.
efConstruction de standaardwaarde is 400. Het bereik is 100 tot 1.000. Dit is het aantal dichtstbijzijnde buren dat tijdens het indexeren wordt gebruikt.
efSearch de standaardwaarde is 500. Het bereik is 100 tot 1.000. Dit is het aantal dichtstbijzijnde buren dat tijdens de zoekopdracht wordt gebruikt.
metric moet 'cosinus' zijn als u Azure OpenAI gebruikt, anders gebruikt u de metrische overeenkomst die is gekoppeld aan het insluitmodel dat u gebruikt. Ondersteunde waarden zijn cosine, dotProduct, euclidean.
Belangrijk
2023-07-01-Preview was de eerste REST API-versie ter ondersteuning van vectoren. Het maakt gebruik van verouderde structuren die zijn vervangen in nieuwere previews. U wordt aangeraden te migreren naar een nieuwere REST API.
In dit voorbeeld is het volgende toegevoegd:
vectorSearch.algorithmConfigurations voor het opgeven van het HNSW-algoritme.
hnsw Dichtstbijzijnde buuralgoritmen voor indexeringsvectorinhoud.
Gebruik de REST API voor het maken of bijwerken van de index om de index te maken.
Voeg een vectorSearch sectie toe in de index waarmee het zoekalgoritmen worden opgegeven dat wordt gebruikt om de insluitingsruimte te maken.
Naam van de configuratie. De naam moet uniek zijn binnen de index.
hnsw is het algoritme Nearest Neighbors (ANN) dat wordt gebruikt om de nabijheidsgrafiek te maken tijdens het indexeren. Alleen Hierarchical Navigable Small World (HNSW) wordt ondersteund in deze API-versie.
m (aantal bidirectionele koppelingen) is standaard 4. Het bereik is 4 tot 10. Lagere waarden retourneren minder ruis in de resultaten.
efConstruction de standaardwaarde is 400. Het bereik is 100 tot 1.000. Dit is het aantal dichtstbijzijnde buren dat tijdens het indexeren wordt gebruikt.
efSearch de standaardwaarde is 500. Het bereik is 100 tot 1.000. Dit is het aantal dichtstbijzijnde buren dat tijdens de zoekopdracht wordt gebruikt.
metric moet 'cosinus' zijn als u Azure OpenAI gebruikt, anders gebruikt u de metrische overeenkomst die is gekoppeld aan het insluitmodel dat u gebruikt. Ondersteunde waarden zijn cosine, dotProduct, euclidean.
Een vectorveld toevoegen aan de verzameling velden
De verzameling velden moet een veld bevatten voor de documentsleutel, vectorvelden en eventuele andere velden die u nodig hebt voor hybride zoekscenario's.
Vectorvelden worden gekenmerkt door hun gegevenstype, een dimensions eigenschap op basis van het insluitmodel dat wordt gebruikt om de vectoren uit te voeren en een vectorprofiel.
Definieer een vectorveld met de volgende kenmerken. U kunt één gegenereerde insluiting per veld opslaan. Voor elk vectorveld:
type moet zich in deze API-versie hebben Collection(Edm.Single) .
dimensions is het aantal dimensies dat wordt gegenereerd door het insluitmodel. Voor tekst-insluiten-ada-002 is het 1536.
vectorSearchProfile is de naam van een profiel dat elders in de index is gedefinieerd.
searchable moet waar zijn.
retrievable kan waar of onwaar zijn. True retourneert de onbewerkte vectoren (1536) als tekst zonder opmaak en verbruikt opslagruimte. Ingesteld op waar als u een vectorresultaat doorgeeft aan een downstream-app.
filterablesortable, facetablemoet onwaar zijn.
Voeg filterbare nietvectorvelden toe aan de verzameling, zoals 'titel' met filterable de waarde True, als u prefiltering of postfiltering wilt aanroepen voor de vectorquery.
Voeg andere velden toe die de inhoud en structuur van de tekstuele inhoud definiëren die u indexeert. U hebt minimaal een documentsleutel nodig.
U moet ook velden toevoegen die handig zijn in de query of in het antwoord. In het volgende voorbeeld ziet u vectorvelden voor titel en inhoud ('titleVector', 'contentVector') die gelijk zijn aan vectoren. Het bevat ook velden voor gelijkwaardige tekstuele inhoud ('titel', 'inhoud') die handig is voor het sorteren, filteren en lezen in een zoekresultaat.
In het volgende voorbeeld ziet u de verzameling velden:
dimensions is het aantal dimensies dat wordt gegenereerd door het insluitmodel. Voor tekst-insluiten-ada-002 is het 1536.
vectorSearchProfile is de naam van een profiel dat elders in de index is gedefinieerd.
searchable moet waar zijn.
retrievable kan waar of onwaar zijn. True retourneert de onbewerkte vectoren (1536) als tekst zonder opmaak en verbruikt opslagruimte. Ingesteld op waar als u een vectorresultaat doorgeeft aan een downstream-app. False is vereist als stored dit onwaar is.
stored is een nieuwe booleaanse eigenschap die alleen van toepassing is op vectorvelden. True slaat een kopie van vectoren op die worden geretourneerd in zoekresultaten. Onwaar verwijdert die kopie tijdens het indexeren. U kunt zoeken op vectoren, maar kan geen vectoren retourneren in resultaten.
filterablesortable, facetablemoet onwaar zijn.
In het volgende voorbeeld ziet u de verzameling velden:
In het volgende REST API-voorbeeld bevatten 'title' en 'content' tekstuele inhoud die wordt gebruikt in zoekopdrachten in volledige tekst en semantische rangschikking, terwijl 'titleVector' en 'contentVector' vectorgegevens bevatten. In deze API-versie kunt u indexeerfuncties en een vaardighedenset gebruiken om vectorvelden te vullen met behulp van geïntegreerde vectorisatie. De indexdefinitie verandert niet, maar u kunt indexeerfuncties en vaardigheden toevoegen aan uw oplossing om de velden te vullen.
Gebruik de REST API Voor het maken of bijwerken van indexvoorbeelden om de veldenverzameling van een index te definiëren.
Voeg vectorvelden toe aan de verzameling velden. U kunt één gegenereerde insluiting per documentveld opslaan. Voor elk vectorveld:
type moet zijn: Collection(Edm.Single).
dimensions is het aantal dimensies dat wordt gegenereerd door het insluitmodel. Voor tekst-insluiten-ada-002 is het 1536.
vectorSearchProfile is de naam van een profiel dat elders in de index is gedefinieerd.
searchable moet waar zijn.
retrievable kan waar of onwaar zijn. True retourneert de onbewerkte vectoren (1536) als tekst zonder opmaak en verbruikt opslagruimte. Ingesteld op waar als u een vectorresultaat doorgeeft aan een downstream-app.
filterablesortable, facetablemoet onwaar zijn.
Voeg filterbare niet-vectorvelden toe aan de verzameling, zoals 'titel' met filterable de waarde True, als u prefiltering of postfiltering wilt aanroepen op de [vectorquery](vector-search-how-to-query.md
Voeg andere velden toe die de inhoud en structuur van de tekstuele inhoud definiëren die u indexeert. U hebt minimaal een documentsleutel nodig.
U moet ook velden toevoegen die handig zijn in de query of in het antwoord. In het volgende voorbeeld ziet u vectorvelden voor titel en inhoud ('titleVector', 'contentVector') die gelijk zijn aan vectoren. Het bevat ook velden voor gelijkwaardige tekstuele inhoud ('titel', 'inhoud') die handig is voor het sorteren, filteren en lezen in een zoekresultaat.
In het volgende voorbeeld ziet u de verzameling velden:
2023-07-01-Preview was de eerste REST API-versie ter ondersteuning van vectorscenario's.
In het volgende REST API-voorbeeld bevatten 'title' en 'content' tekstuele inhoud die wordt gebruikt in zoeken in volledige tekst en semantische rangschikking, terwijl 'titleVector' en 'contentVector' vectorgegevens bevatten die extern zijn gegenereerd.
Gebruik de REST API Voor het maken of bijwerken van indexvoorbeelden om de veldenverzameling van een index te definiëren.
Voeg vectorvelden toe aan de verzameling velden. U kunt één gegenereerde insluiting per documentveld opslaan. Voor elk vectorveld:
Wijs het Collection(Edm.Single) gegevenstype toe.
Geef de naam op van de configuratie van het vectorzoekalgoritmen.
Geef het aantal dimensies op dat wordt gegenereerd door het insluitmodel.
Kenmerken instellen:
'doorzoekbaar' moet 'waar' zijn.
Met 'ophaalbaar' ingesteld op 'true' kunt u de onbewerkte vectoren (bijvoorbeeld als verificatiestap) weergeven, maar dit verhoogt de opslag. Ingesteld op 'false' als u geen onbewerkte vectoren hoeft te retourneren. U hoeft geen vectoren voor een query te retourneren, maar als u een vectorresultaat doorgeeft aan een downstream-app, stelt u 'ophalen mogelijk' in op 'true'.
"filterbaar", "facetable", "sorteerbare" kenmerken moeten "false" zijn. Stel ze niet in op 'true' omdat dit gedrag niet van toepassing is binnen de context van vectorvelden en de aanvraag mislukt.
Voeg andere velden toe die de inhoud en structuur van de tekstuele inhoud definiëren die u indexeert. U hebt minimaal een documentsleutel nodig.
U moet ook velden toevoegen die handig zijn in de query of in het antwoord. In het volgende voorbeeld ziet u vectorvelden voor titel en inhoud ('titleVector', 'contentVector') die gelijk zijn aan vectoren. Het bevat ook velden voor gelijkwaardige tekstuele inhoud ('titel', 'inhoud') die handig is voor het sorteren, filteren en lezen in een zoekresultaat.
Een indexdefinitie met de beschreven elementen ziet er als volgt uit:
Inhoud die u opgeeft voor indexering, moet voldoen aan het indexschema en een unieke tekenreekswaarde voor de documentsleutel bevatten. Vooraf geplaatste gegevens worden geladen in een of meer vectorvelden, die naast andere velden kunnen bestaan die alfanumerieke inhoud bevatten.
U kunt push- of pull-methodologieën gebruiken voor gegevensopname.
Gebruik Documenten - Index om vector- en niet-vectorgegevens in een index te laden. De push-API's voor indexering zijn identiek in alle stabiele en preview-versies. Gebruik een van de volgende API's om documenten te laden:
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"
}
. . .
]
}
Alle nieuwere preview-releases maken gebruik van pull-API's (indexeerfuncties en vaardighedensets) voor geïntegreerde vectorisatie tijdens indexering en querytijd.
Indexeerfuncties kunnen vectorvelden ophalen en indexeren in brondocumenten, ervan uitgaande dat een indexschema voldoet aan de vereisten voor vectorvelden en de preview-REST API. Gegevensbronnen bieden de vectoren in elke indeling die door de gegevensbron wordt ondersteund (zoals tekenreeksen in JSON). De indexeerfunctie gaat ervan uit dat velden die als Collection(Edm.Single) vectoren zijn getypt en die inhoud als vectorindexen zullen indexeren.
Geen wijzigingen in veldtoewijzingsgedrag of wijzigingsdetectie voor vectoren. Het gedrag voor tekstindexering is ook van toepassing op vectoren.
Als vectorgegevens worden opgehaald in bestanden, raden we een niet-standaardwaarde parsingMode aan, zoals json, jsonLinesof csv op basis van de vorm van de gegevens.
Azure SQL biedt geen manier om een verzameling systeemeigen op te slaan als één SQL-kolom. Er is op dit moment geen tijdelijke oplossing geïdentificeerd.
De dimensies van alle vectoren uit de gegevensbron moeten hetzelfde zijn en moeten overeenkomen met de indexdefinitie van het veld waarnaar ze worden toegewezen. De indexeerfunctie genereert een fout voor documenten die niet overeenkomen.
Vaardigheden en vectorizers worden gebruikt om insluitingen te genereren. Voor vectorisatie tijdens het indexeren kiest u uit de volgende vaardigheden:
Voor validatiedoeleinden kunt u een query uitvoeren op de index met behulp van Search Explorer in Azure Portal of een REST API-aanroep. Omdat Azure AI Search een vector niet kan converteren naar door mensen leesbare tekst, probeert u velden te retourneren uit hetzelfde document dat bewijs van de overeenkomst levert. Als de vectorquery bijvoorbeeld is gericht op het veld titleVector, kunt u 'titel' selecteren voor de zoekresultaten.
Velden moeten worden toegeschreven aan 'ophaalbaar' om in de resultaten te worden opgenomen.
U kunt Search Explorer gebruiken om een query uit te voeren op een index. Search Explorer heeft twee weergaven: queryweergave (standaard) en JSON-weergave.
Gebruik de standaardqueryweergave voor een snelle bevestiging dat de index vectoren bevat. De queryweergave is bedoeld voor zoeken in volledige tekst. Hoewel u deze niet kunt gebruiken voor vectorquery's, kunt u een lege zoekopdracht (search=*) verzenden om te controleren op inhoud. De inhoud van alle velden, inclusief vectorvelden, wordt geretourneerd als tekst zonder opmaak.
Het volgende REST API-voorbeeld is een vectorquery, maar retourneert alleen niet-vectorvelden (titel, inhoud, categorie). Alleen velden die als 'ophaalbaar' zijn gemarkeerd, kunnen worden geretourneerd in zoekresultaten.
Als u een vectorarchief wilt bijwerken, wijzigt u het schema en laadt u documenten zo nodig opnieuw om nieuwe velden in te vullen. API's voor schema-updates zijn Onder andere Create or Update Index (REST), CreateOrUpdateIndex in de Azure SDK voor .NET, create_or_update_index in de Azure SDK voor Python en vergelijkbare methoden in andere Azure SDK's.
De standaardrichtlijnen voor het bijwerken van een index worden behandeld in Drop en rebuild an index.
Belangrijke punten zijn onder andere:
Verwijderen en herbouwen is vaak vereist voor updates en verwijdering van bestaande velden.
U kunt echter een bestaand schema bijwerken met de volgende wijzigingen, zonder dat u opnieuw hoeft te worden opgebouwd:
Voeg nieuwe velden toe aan een verzameling velden.
Voeg nieuwe vectorconfiguraties toe, toegewezen aan nieuwe velden, maar niet aan bestaande velden die al zijn gevectoriseerd.
Wijzig 'ophalen mogelijk' (waarden zijn waar of onwaar) in een bestaand veld. Vectorvelden moeten doorzoekbaar en opgehaald kunnen worden, maar als u de toegang tot een vectorveld wilt uitschakelen in situaties waarin neerzetten en opnieuw opbouwen niet haalbaar is, kunt u ophalen op onwaar instellen.