VECTOR_SEARCH (Transact-SQL) (wersja zapoznawcza)

Dotyczy do: SQL Server 2025 (17.x) Azure SQL Database SQL database in Microsoft Fabric

Wyszukaj wektory podobne do danych wektorów zapytań przy użyciu przybliżonego algorytmu wyszukiwania wektorów najbliższych sąsiadów. Aby dowiedzieć się więcej o tym, jak działa indeksowanie wektorów i wyszukiwanie wektorów oraz różnice między dokładnym i przybliżonym wyszukiwaniem, zapoznaj się z indeksami wyszukiwania wektorowego i wektorów w a aparatu bazy danych SQL.

Usługa Azure SQL Database i baza danych SQL w Fabric

Funkcja jest dostępna w wersji podglądowej. Przed rozpoczęciem korzystania z niego zapoznaj się z bieżącymi ograniczeniami .

Uwaga / Notatka

Jako funkcja w wersji zapoznawczej technologia przedstawiona w tym artykule podlega dodatkowym warunkom użytkowania dla wersji zapoznawczych platformy Microsoft Azure.

Ważna

Aby uzyskać optymalną wydajność i uzyskać dostęp do najnowszych możliwości wyszukiwania wektorów, użyj indeksów wektorów utworzonych przy użyciu najnowszej wersji. Aby uzyskać więcej informacji na temat uaktualniania istniejących indeksów i porównywania wersji, zobacz CREATE VECTOR INDEX — uaktualnij indeksy wektorów do najnowszej wersji.

Dostępność regionalna

Ta funkcja jest wdrażana w usłudze Azure SQL Database i bazie danych SQL Database w usłudze Microsoft Fabric. Podczas wdrażania dostępność i zachowanie mogą się różnić w zależności od regionu i wersji indeksu. Jeśli funkcja lub składnia nie jest dostępna, stanie się ona dostępna automatycznie po zakończeniu wdrażania. Aby uzyskać informacje o bieżącym stanie dostępności regionalnej, zobacz Dostępność funkcji według regionów.

Ostrzeżenie

Powiadomienie o wycofaniu: TOP_N parametr w pliku VECTOR_SEARCH jest przestarzały i utrzymywany tylko w celu zapewnienia zgodności z poprzednimi wersjami indeksów wektorów wersji. W zamian nowe implementacje powinny używać SELECT TOP (N) WITH APPROXIMATE składni. Aby uzyskać więcej informacji, zobacz Składnia.

Funkcja podglądowa SQL Server 2025

W SQL Server 2025 funkcja ta jest w podglądzie i może ulec zmianie. Aby móc korzystać z tej funkcji, należy włączyć konfigurację PREVIEW_FEATURESw zakresie bazy danych.

Przed rozpoczęciem korzystania z niego zapoznaj się z bieżącymi ograniczeniami .

Uwaga / Notatka

Najnowsza wersja indeksów wektorów jest obecnie dostępna tylko w usłudze Azure SQL Database i bazie danych SQL w usłudze Microsoft Fabric.

Najważniejsze ulepszenia dotyczące najnowszych indeksów wektorów

Indeksy wektorowe utworzone przy użyciu najnowszej wersji wprowadzają znaczące ulepszenia:

Pełna obsługa języka DML: usuwa poprzednie ograniczenie, które sprawiło, że tabele indeksowane wektorowo tylko do odczytu po utworzeniu indeksu. Teraz można wykonywać operacje INSERT, UPDATE, DELETE i MERGE przy zachowaniu funkcji indeksu wektorowego z automatyczną konserwacją indeksu w czasie rzeczywistym
Filtrowanie iteracyjne: Predykaty w klauzuli WHERE są stosowane podczas procesu wyszukiwania wektorowego, a nie po pobraniu
Optymalizator sterowany: optymalizator zapytań automatycznie określa, czy używać indeksu DiskANN, czy wyszukiwania kNN na podstawie cech zapytania
Zaawansowane kwantyzacja: techniki kwantyzacji wektorów zostały zintegrowane w celu zapewnienia lepszej wydajności magazynowania i szybszej wydajności zapytań, a te optymalizacje są niewidoczne dla użytkowników

Syntax

Transact-SQL konwencje składni

Przy użyciu najnowszych wersji indeksów wektorów:

Ważna

Podczas wykonywania zapytań dotyczących tabel używających najnowszej wersji indeksu wektorowego przybliżona funkcja wyszukiwania wektorowego musi używać składni TOP (N) APPROXIMATE. To wymaganie składni wskazuje, że zapytanie jawnie żąda przybliżonych wyników najbliższego sąsiada.

SELECT TOP (N) WITH APPROXIMATE
    column_list
FROM VECTOR_SEARCH(
        TABLE = object [ AS source_table_alias ]
        , COLUMN = vector_column
        , SIMILAR_TO = query_vector
        , METRIC = { 'cosine' | 'dot' | 'euclidean' }
    ) [ AS result_table_alias ]
[ WHERE predicate ]
ORDER BY distance;

W przypadku wcześniejszych wersji indeksów wektorów:

VECTOR_SEARCH(
    TABLE = object [ AS source_table_alias ]
    , COLUMN = vector_column
    , SIMILAR_TO = query_vector
    , METRIC = { 'cosine' | 'dot' | 'euclidean' }
    , TOP_N = k
) [ AS result_table_alias ]

Ważna

Parametr TOP_N nie jest obsługiwany w przypadku najnowszych indeksów wektorów wersji. Użyj składni pokazanej SELECT TOP (N) WITH APPROXIMATE powyżej. Aby uzyskać więcej informacji, zobacz Błąd przy użyciu starszej składni.

Arguments

TABELA = obiekt [JAK source_table_alias]

Tabela, na której jest wykonywane wyszukiwanie. Musi to być tabela podstawowa. Widoki, tabele tymczasowe, zarówno lokalne, jak i globalne, nie są obsługiwane.

KOLUMNA = vector_column

Kolumna wektorowa, w której jest wykonywane wyszukiwanie. Kolumna musi być typem danych wektorowych .

SIMILAR_TO = query_vector

Wektor używany do wyszukiwania. Musi to być zmienna lub kolumna typu wektora .

METRIC = { 'cosine' | 'dot' | "euclidean" }

Metryka odległości używana do obliczania odległości między wektorem zapytania a wektorami w określonej kolumnie. Indeks ANN (Przybliżony najbliższy sąsiad) jest używany tylko wtedy, gdy zostanie znaleziony pasujący indeks ANN z tą samą metryką i w tej samej kolumnie. Jeśli nie ma żadnych zgodnych indeksów ANN, zostanie zgłoszone ostrzeżenie i zostanie użyty algorytm kNN (k najbliższego sąsiada).

TOP_N = <k>

Ostrzeżenie

Ten parametr jest przestarzały i utrzymywany tylko w celu zapewnienia zgodności z poprzednimi wersjami indeksów wektorów wersji. W przypadku najnowszych indeksów wersji użyj SELECT TOP (N) WITH APPROXIMATE składni. Nowe implementacje powinny używać najnowszej składni.

Maksymalna liczba podobnych wektorów, które muszą być zwracane. Musi to być dodatnia liczba całkowita. Ten parametr nie jest obsługiwany w przypadku indeksów wektorów utworzonych przy użyciu najnowszej wersji.

result_table_alias

Alias jest używany do odwołowania się do zestawu wyników.

Zwracanie zestawu wyników

Zestaw wyników zwracany przez VECTOR_SEARCH funkcję obejmuje:

Wszystkie kolumny z tabeli określonej w argumencie TABLE .
Dodatkowa kolumna o nazwie distance, która reprezentuje odległość między wektorem w kolumnie określonej przez COLUMN argument i wektor podany w argumencie SIMILAR_TO .

Kolumna odległości jest generowana przez VECTOR_SEARCH samą funkcję, podczas gdy wszystkie inne kolumny pochodzą z tabeli, do których TABLE odwołuje się argument .

Jeśli używasz aliasu dla tabeli w argumencie TABLE , musisz użyć tego samego aliasu, aby odwołać się do jego kolumn w instrukcji SELECT . Nie można użyć aliasu przypisanego do do odwołań do VECTOR_SEARCH kolumn z tabeli określonej w pliku TABLE. To zachowanie jest łatwiejsze do zrozumienia, jeśli myślisz o zestawie wyników utworzonym przez pobranie danych wyjściowych VECTOR_SEARCH i scalenie go z danymi tabeli.

Jeśli tabela określona w TABLE argumencie zawiera już kolumnę o nazwie distance, zachowanie będzie podobne do sprzężenia SQL między dwiema tabelami, które współużytkują nazwę kolumny. W takich przypadkach należy użyć aliasów tabeli, aby uściślić odwołania do kolumn — w przeciwnym razie zostanie zgłoszony błąd.

Ważna

Kolumna distance jest jedynym prawidłowym kluczem porządkowania dla przybliżonych wyników wyszukiwania wektorów.

Limitations

Tylko kolejność rosnąca: kolumna distance musi być uporządkowana w kolejności rosnącej (ASC). Kolejność malejąca (DESC) nie jest obsługiwana.

Zachowanie specyficzne dla wersji

Zachowanie zmiennej VECTOR_SEARCH zależy od wersji indeksu wektorowego.

Wcześniejsze wersje indeksów wektorów

Uwaga / Notatka

Te ograniczenia dotyczą tylko indeksów wektorów utworzonych we wcześniejszych wersjach. Przeprowadź migrację do najnowszej wersji, aby włączyć filtrowanie iteracyjne. Zobacz Migrowanie z wcześniejszych wersji indeksu wektorowego.

Tylko filtrowanie końcowe: wyszukiwanie wektorów odbywa się przed zastosowaniem dowolnego predykatu. Dodatkowe predykaty są stosowane tylko po zwracaniu najbardziej podobnych wektorów. Poniższy przykład zwraca 10 pierwszych wierszy z osadzanymi najbardziej podobnymi do wektora @qvzapytania , a następnie stosuje predykat określony w klauzuli WHERE . Jeśli żadna z 10 wierszy skojarzonych z wektorami zwróconymi przez wyszukiwanie wektorowe ma kolumnę accepted równą 1, wynik jest pusty.

SELECT TOP (10) s.id,
                s.title,
                r.distance
FROM VECTOR_SEARCH(
         TABLE = dbo.sessions AS s,
         COLUMN = embedding,
         SIMILAR_TO = @qv,
         METRIC = 'cosine',
         TOP_N = 10
     ) AS r
WHERE accepted = 1
ORDER BY r.distance;

Ogólne ograniczenia

VECTOR_SEARCH Nie można jej używać w treści widoku.

Examples

Odp. Wyszukiwanie podobieństwa wektorów podstawowych

Ważna

Podczas wykonywania zapytań dotyczących tabel używających najnowszej wersji indeksu wektorowego przybliżone wyszukiwanie wektorów musi używać TOP (N) WITH APPROXIMATE składni. To wymaganie składni wskazuje, że zapytanie jawnie żąda przybliżonych wyników najbliższego sąsiada.

W poniższym przykładzie znaleziono 10 najbardziej podobnych artykułów do Pink Floyd music style w wikipedia_articles_embeddings tabeli.

DECLARE @qv VECTOR(1536) = AI_GENERATE_EMBEDDINGS(N'Pink Floyd music style' USE MODEL Ada2Embeddings);

SELECT TOP (10) WITH APPROXIMATE
    t.id,
    t.title,
    r.distance
FROM VECTOR_SEARCH(
        TABLE = dbo.wikipedia_articles_embeddings AS t,
        COLUMN = content_vector,
        SIMILAR_TO = @qv,
        METRIC = 'cosine'
    ) AS r
ORDER BY r.distance;

Składnia wykonywania zapytań zależy od wersji indeksu wektorowego:

Wersja indeksu wektorowego	Przykład składni
Najnowsza wersja	Użyj `SELECT TOP (N) WITH APPROXIMATE` bez `TOP_N` parametru
Wcześniejsze wersje (przestarzałe)	Używanie `TOP_N` parametru w `VECTOR_SEARCH` funkcji

Wskazówka

Aby określić wersję indeksu wektorowego, zobacz Migrowanie z wcześniejszych wersji indeksu wektorowego.

W przypadku wcześniejszych indeksów wersji (składnia przestarzała):

DECLARE @qv VECTOR(1536) = AI_GENERATE_EMBEDDINGS(N'Pink Floyd music style' USE MODEL Ada2Embeddings);

SELECT TOP (10)
    t.id,
    t.title,
    r.distance
FROM VECTOR_SEARCH(
        TABLE = dbo.wikipedia_articles_embeddings AS t,
        COLUMN = content_vector,
        SIMILAR_TO = @qv,
        METRIC = 'cosine',
        TOP_N = 10  -- Deprecated: Use SELECT TOP (N) WITH APPROXIMATE instead
    ) AS r
ORDER BY r.distance;

Uwaga / Notatka

Użycie parametru TOP_N z najnowszymi indeksami wektorów wersji zwraca błąd Msg 42274. Aby uzyskać szczegółowe informacje, zobacz Błąd przy użyciu starszej składni w sekcji Oczekiwane zachowania.

B. Ukończ przepływ pracy z tworzeniem indeksu

Podstawowy przykład kompleksowego użycia CREATE VECTOR INDEX i powiązanej VECTOR_SEARCH funkcji. Osadzanie są wyśmiewane. W rzeczywistym scenariuszu osadzanie jest generowane przy użyciu modelu osadzania i AI_GENERATE_EMBEDDINGS lub zewnętrznej biblioteki, takiej jak zestaw OpenAI SDK.

Uwaga / Notatka

Najnowsze indeksy wektorów wersji wymagają co najmniej 100 wierszy danych przed utworzeniem indeksu. W tym przykładzie wstawia 100 wierszy, aby spełnić to wymaganie. Aby uzyskać więcej informacji, zobacz Minimalne wymagania dotyczące danych.

Poniższy blok kodu demonstruje VECTOR_SEARCH funkcję z pozornymi osadzaniami:

Włącza funkcję w wersji zapoznawczej (wymaganą tylko dla programu SQL Server 2025; nie jest wymagana dla usługi Azure SQL Database lub bazy danych SQL Database w usłudze Fabric).
Utwórz przykładową tabelę dbo.Articles z kolumną embedding z wektorem typu danych (5).
Wstaw 100 wierszy przykładowych danych z pozorowanym osadzaniem danych.
Utwórz indeks wektora w pliku dbo.Articles.embedding.
Demonstruj wyszukiwanie podobieństwa wektorów za pomocą VECTOR_SEARCH funkcji .

-- Step 0: Enable Preview Feature (SQL Server 2025 only)
ALTER DATABASE SCOPED CONFIGURATION
SET PREVIEW_FEATURES = ON;
GO

-- Step 1: Create a sample table with a VECTOR(5) column
CREATE TABLE dbo.Articles
(
    id INT PRIMARY KEY,
    title NVARCHAR(100),
    content NVARCHAR(MAX),
    embedding VECTOR(5) -- mocked embeddings
);
GO

-- Step 2: Insert sample data (100 rows required for latest version indexes)
INSERT INTO Articles (id, title, content, embedding)
SELECT
    value AS id,
    'Article ' || [value],
    'Content for article ' || [value],
    CAST(JSON_ARRAY(
        CAST(value * 0.01 AS FLOAT),
        CAST(value * 0.02 AS FLOAT),
        CAST(value * 0.03 AS FLOAT),
        CAST(value * 0.04 AS FLOAT),
        CAST(value * 0.05 AS FLOAT)
    ) AS VECTOR(5))
FROM GENERATE_SERIES(1, 100);
GO

-- Step 3: Create a vector index on the embedding column
CREATE VECTOR INDEX vec_idx ON Articles(embedding)
WITH (METRIC = 'cosine', TYPE = 'diskann');
GO

-- Step 4: Perform a vector similarity search
DECLARE @qv VECTOR(5) = '[0.3, 0.3, 0.3, 0.3, 0.3]';
SELECT TOP(3) WITH APPROXIMATE
    t.id,
    t.title,
    t.content,
    s.distance
FROM
    VECTOR_SEARCH(
        TABLE = Articles AS t,
        COLUMN = embedding,
        SIMILAR_TO = @qv,
        METRIC = 'cosine'
    ) AS s
ORDER BY s.distance, t.title;

Składnia wykonywania zapytań zależy od wersji indeksu wektorowego:

Wersja indeksu wektorowego	Przykład składni
Najnowsza wersja	Użyj `SELECT TOP (N) WITH APPROXIMATE` bez `TOP_N` parametru
Wcześniejsze wersje (przestarzałe)	Używanie `TOP_N` parametru w `VECTOR_SEARCH` funkcji

W przypadku wcześniejszych indeksów wersji (składnia przestarzała):

DECLARE @qv VECTOR(5) = '[0.3, 0.3, 0.3, 0.3, 0.3]';
SELECT TOP(3)
    t.id,
    t.title,
    t.content,
    s.distance
FROM
    VECTOR_SEARCH(
        TABLE = Articles AS t,
        COLUMN = embedding,
        SIMILAR_TO = @qv,
        METRIC = 'cosine',
        TOP_N = 3  -- Deprecated: Use SELECT TOP (N) WITH APPROXIMATE instead
    ) AS s
ORDER BY s.distance, t.title;

C. Wyszukiwanie wektorowe z filtrowaniem iteracyjnym

W poniższym przykładzie pokazano iteracyjne filtrowanie przy użyciu najnowszych indeksów wektorów wersji. Zapytanie znajduje podobne artykuły podczas stosowania predykatów podczas procesu wyszukiwania.

W przypadku najnowszych indeksów wersji predykaty w klauzuli WHERE są stosowane podczas procesu wyszukiwania wektorowego (nie po). Aparat kontynuuje wyszukiwanie, dopóki nie znajdzie 5 kwalifikujących się wierszy, które spełniają wszystkie kryteria:

Podobieństwo wektorów do "algorytmów uczenia maszynowego"
Kategoria jest równa "Technologia"
Stan opublikowany to 1

Dzięki temu uzyskasz dokładnie 5 wyników (jeśli istnieją) bez ręcznego dostrajania parametrów wyszukiwania. Aby uzyskać szczegółowe porównanie wcześniejszych i najnowszych wersji, zobacz Iteracyjne zachowanie filtrowania w sekcji Oczekiwane zachowania.

DECLARE @qv VECTOR(1536) = AI_GENERATE_EMBEDDINGS(N'machine learning algorithms' USE MODEL Ada2Embeddings);

SELECT TOP (5) WITH APPROXIMATE
    t.id,
    t.title,
    t.category,
    r.distance
FROM VECTOR_SEARCH(
        TABLE = dbo.wikipedia_articles AS t,
        COLUMN = content_vector,
        SIMILAR_TO = @qv,
        METRIC = 'cosine'
    ) AS r
WHERE t.category = 'Technology'
  AND t.published = 1
ORDER BY r.distance;

Uwaga / Notatka

Niektóre operacje SQL, takie jak GROUP BY, funkcje agregujące i funkcje okien, wymagają wzorca podzapytania. Aby uzyskać szczegółowe informacje, zobacz Łączenie wyszukiwania wektorów z innymi operacjami SQL.

D. Sprzężenia z wieloma tabelami ze sprzężeniami WEWNĘTRZNYMi

W poniższym przykładzie pokazano sprzężenie WEWNĘTRZNE z filtrowaniem w wielu tabelach. Użyj funkcji podczas osadzania są przechowywane w oddzielnej tabeli od danych jednostki głównej.

-- Assuming a schema with separate tables for articles and embeddings
DECLARE @qv VECTOR(1536) = AI_GENERATE_EMBEDDINGS(N'artificial intelligence and machine learning' USE MODEL Ada2Embeddings);

SELECT TOP (10) WITH APPROXIMATE
    a.id,
    a.title,
    a.category,
    vs.distance
FROM wikipedia_articles a
INNER JOIN VECTOR_SEARCH(
    TABLE = wikipedia_articles_embeddings AS e,
    COLUMN = content_vector,
    SIMILAR_TO = @qv,
    METRIC = 'cosine'
) AS vs ON a.id = e.article_id
WHERE e.approved = 1                           -- Iterative filter on embedding table
  AND a.category IN ('Technology', 'Science')  -- Filter on main table
  AND a.views > 50000
ORDER BY vs.distance;

Kluczowe funkcje tego przykładu:

Zakres aliasu tabeli: aliase z TABLE = wikipedia_articles_embeddings AS e programu jest dostępny w klauzuli WHERE na potrzeby filtrowania iteracyjnego przy użyciu najnowszych indeksów wersji

Oczekiwane zachowania

Błąd podczas korzystania ze starszej składni

Jeśli spróbujesz użyć parametru TOP_N w VECTOR_SEARCH podczas wykonywania zapytania do tabeli z najnowszym indeksem wektorów wersji, program SQL Server zwraca następujący błąd:

Msg 42274, Level 16, State 1
Vector search with version 3 index does not support explicit TOP_N parameter.

Aby rozwiązać ten błąd:

Usuwanie parametru TOP_NVECTOR_SEARCH z funkcji
Zamiast tego użyj SELECT TOP (N) WITH APPROXIMATE składni

Niepoprawne (generuje błąd z najnowszym indeksem wersji):

SELECT TOP (10) 
    t.id,
    r.distance
FROM VECTOR_SEARCH(
        TABLE = dbo.wikipedia_articles AS t,
        COLUMN = title_vector,
        SIMILAR_TO = @qv,
        METRIC = 'cosine',
        TOP_N = 10  -- This parameter causes the error with latest version indexes
    ) AS r;

Odpowiedź prawidłowa (działa z najnowszym indeksem wersji):

SELECT TOP (10) WITH APPROXIMATE  -- Specify TOP and WITH APPROXIMATE here
    t.id,
    r.distance
FROM VECTOR_SEARCH(
        TABLE = dbo.wikipedia_articles AS t,
        COLUMN = title_vector,
        SIMILAR_TO = @qv,
        METRIC = 'cosine'
        -- No TOP_N parameter
    ) AS r
ORDER BY r.distance;

Zachowanie filtrowania iteracyjnego

Najnowsza wersja wprowadza znaczące ulepszenia wcześniejszych wersji indeksów wektorów:

Aspekt	Starsza wersja	Najnowsza wersja
Aplikacja predykatu	Predykaty relacyjne zostały zastosowane po tym, jak wyszukiwanie wektorów zwróciło stałą liczbę najbliższych sąsiadów (tylko po filtrowaniu)	Predykaty relacyjne są stosowane podczas procesu wyszukiwania wektorowego (filtrowanie iteracyjne)
Kompletność wyników	Zapytania mogą zwracać mniej wierszy lub nie wierszy, jeśli początkowe najbliższe sąsiady nie spełniają wymagań filtrów, nawet gdy istniały kwalifikujące się wiersze	Zapytania zwracają oczekiwaną liczbę wierszy, gdy istnieją kwalifikujące się dane bez ręcznego dostrajania lub ponownego zapisywania zapytań
Dostrajanie TOP (N)	Użytkownicy często musieli odgadnąć lub przerobić wartości TOP (N), aby zrekompensować po filtrowaniu	Nie trzeba odgadywać wartości TOP (N). Aparat wyszukuje do momentu znalezienia wystarczającej liczby kwalifikujących się wierszy lub wyczerpania miejsca wyszukiwania
Optymalizacja zapytań	Nie dotyczy	Program SQL Server automatycznie wybiera najbardziej wydajną strategię wykonywania, w tym przełączanie między wyszukiwaniem indeksu wektorowego i skanowaniem kNN w razie potrzeby

Aby zapoznać się z praktycznym przykładem iteracyjnego filtrowania, zobacz Przykład wyszukiwania Wektorów przy użyciu filtrowania iteracyjnego.

Wymagania klauzuli ORDER BY

W przypadku korzystania z SELECT TOP (N) WITH APPROXIMATEklauzuli ORDER BY ma określone wymagania:

Element ORDER BY musi być obecny: kwerendy bez klauzuli ORDER BY kończą się niepowodzeniem z powodu błędu .
Dozwolona jest tylko kolumna odległości: klauzula ORDER BY musi odwoływać się tylko do kolumny odległości z zestawu wyników VECTOR_SEARCH. Dołączanie dodatkowych kolumn kończy się niepowodzeniem z powodu błędu. Aby posortować według wielu kolumn, użyj wzorca podzapytania opisanego w kolumnach Multiple ORDER BY (Wiele kolumn ORDER BY).
Tylko kolejność rosnąca: kolumna odległości musi być uporządkowana w kolejności rosnącej (ASC). Kolejność malejąca (DESC) nie jest obsługiwana.

Prawidłowa WARTOŚĆ ORDER BY:

SELECT TOP (10) WITH APPROXIMATE
    t.id,
    t.title,
    r.distance
FROM VECTOR_SEARCH(
    TABLE = products,
    COLUMN = embedding,
    SIMILAR_TO = @query_vector,
    METRIC = 'cosine'
) AS r
INNER JOIN products t ON t.id = r.id
ORDER BY r.distance;  -- ✓ Valid

Nieprawidłowe wzorce ORDER BY:

-- Missing ORDER BY
SELECT TOP (10) WITH APPROXIMATE
    r.distance
FROM VECTOR_SEARCH(
    TABLE = products,
    COLUMN = embedding,
    SIMILAR_TO = @query_vector,
    METRIC = 'cosine'
) AS r;
-- ✗ Error Msg 42248: APPROXIMATE cannot be used in a query without ORDER BY

-- Multiple columns in ORDER BY
SELECT TOP (10) WITH APPROXIMATE
    t.title,
    r.distance
FROM VECTOR_SEARCH(
    TABLE = products,
    COLUMN = embedding,
    SIMILAR_TO = @query_vector,
    METRIC = 'cosine'
) AS r
INNER JOIN products t ON t.id = r.id
ORDER BY r.distance, t.title;
-- ✗ Error Msg 42271: TOP WITH APPROXIMATE and VECTOR_SEARCH requires ORDER BY 
-- on distance column ascending, and no other columns

-- Descending order
SELECT TOP (10) WITH APPROXIMATE
    r.distance
FROM VECTOR_SEARCH(
    TABLE = products,
    COLUMN = embedding,
    SIMILAR_TO = @query_vector,
    METRIC = 'cosine'
) AS r
ORDER BY r.distance DESC;
-- ✗ Error Msg 42271: TOP WITH APPROXIMATE and VECTOR_SEARCH requires ORDER BY 
-- on distance column ascending, and no other columns

Zachowanie bez indeksu wektorowego

VECTOR_SEARCH może wykonywać zapytania nawet wtedy, gdy w kolumnie docelowej nie istnieje żaden indeks wektorowy. Bez indeksu zapytanie wykonuje pełne skanowanie tabeli (k-najbliższego sąsiada (kNN) w celu obliczenia odległości dla wszystkich wierszy.

Zachowanie zapytania bez TOP Z PRZYBLIŻONĄ WARTOŚCIĄ

W przypadku użycia VECTOR_SEARCH bez SELECT TOP (N) WITH APPROXIMATEparametru zachowanie zapytania zależy od obecności TOP klauzul i ORDER BY :

Brak top, brak ORDER BY lub ORDER BY non-distance: Pełne skanowanie tabeli (wyszukiwanie siłowe), które oblicza i zwraca odległości dla wszystkich wierszy
TOP (bez PRZYBLIŻONA) z odległości ORDER BY: Wykonuje jako kNN (k najbliższych sąsiadów) wyszukiwanie, które jest dokładnie najbliższego sąsiada wyszukiwania

Przykład — pełne skanowanie z kolumną odległości:

-- Returns all rows with calculated distances
SELECT 
    t.id,
    t.title,
    r.distance
FROM VECTOR_SEARCH(
    TABLE = dbo.wikipedia_articles AS t,
    COLUMN = title_vector,
    SIMILAR_TO = @qv,
    METRIC = 'cosine'
) AS r
ORDER BY t.id;  -- Not ordering by distance

Przykład — wyszukiwanie kNN (dokładne najbliższe sąsiady):

-- Returns exact top 10 nearest neighbors using kNN
SELECT TOP (10)
    t.id,
    t.title,
    r.distance
FROM VECTOR_SEARCH(
    TABLE = dbo.wikipedia_articles AS t,
    COLUMN = title_vector,
    SIMILAR_TO = @qv,
    METRIC = 'cosine'
) AS r
ORDER BY r.distance;  -- No WITH APPROXIMATE = exact kNN

TOP Z PRZYBLIŻONE BEZ VECTOR_SEARCH

Użycie SELECT TOP (N) WITH APPROXIMATE funkcji bez VECTOR_SEARCH funkcji w zapytaniu powoduje wystąpienie błędu. Klauzula WITH APPROXIMATE wymaga VECTOR_SEARCH obecności funkcji.

Odpowiedź nieprawidłowa — to zapytanie kończy się niepowodzeniem:

-- Error: WITH APPROXIMATE requires VECTOR_SEARCH
SELECT TOP (10) WITH APPROXIMATE
    id,
    title,
    VECTOR_DISTANCE('cosine', title_vector, @qv) AS distance
FROM dbo.wikipedia_articles
WHERE title_vector IS NOT NULL
ORDER BY VECTOR_DISTANCE('cosine', title_vector, @qv);

Odpowiedź prawidłowa — użyj VECTOR_SEARCH:

-- Correct: WITH APPROXIMATE with VECTOR_SEARCH
SELECT TOP (10) WITH APPROXIMATE
    t.id,
    t.title,
    r.distance
FROM VECTOR_SEARCH(
    TABLE = dbo.wikipedia_articles AS t,
    COLUMN = title_vector,
    SIMILAR_TO = @qv,
    METRIC = 'cosine'
) AS r
ORDER BY r.distance;

OGRANICZENIA TRUNCATE TABLE

Tabele z indeksami wektorowymi nie mogą być obcinane przy użyciu polecenia TRUNCATE TABLE. Aby usunąć wszystkie dane z tabeli indeksowanej wektorowo:

Usuwanie indeksu wektora
Obcinanie tabeli
Ponowne wypełnianie tabeli z co najmniej 100 wierszami
Ponowne tworzenie indeksu wektora

Przykładowy przepływ pracy:

-- Step 1: Drop the vector index
DROP INDEX idx_vector ON wikipedia_articles;

-- Step 2: Truncate the table
TRUNCATE TABLE wikipedia_articles;

-- Step 3: Repopulate with data (at least 100 rows)
-- ... insert operations ...

-- Step 4: Recreate the vector index
CREATE VECTOR INDEX idx_vector 
ON wikipedia_articles(title_vector)
WITH (METRIC = 'cosine');

Wskazówki dotyczące tabel wyszukiwania wektorów

Możesz użyć wskazówek tabeli z funkcją VECTOR_SEARCH , aby kontrolować zachowanie wykonywania zapytań. Wskazówka FORCE_ANN_ONLY tabeli wymusza optymalizator zapytań, aby używał tylko przybliżonego indeksu najbliższego sąsiada (ANN), nawet jeśli optymalizator może w inny sposób wybrać inną strategię wykonywania.

Składnia:

FROM VECTOR_SEARCH(
    TABLE      = table_name,
    COLUMN     = column_name,
    SIMILAR_TO = vector_value,
    METRIC     = 'metric_name'
) AS alias WITH (FORCE_ANN_ONLY)

Example:

Poniższy przykład wymusza użycie przybliżonego indeksu najbliższego sąsiada dla zapytania wyszukiwania wektorowego:

DECLARE @qembedding VECTOR(1536) = AI_GENERATE_EMBEDDINGS(N'artificial intelligence' USE MODEL Ada2Embeddings);

SELECT TOP 50 WITH APPROXIMATE
    t.id,
    t.title,
    r.distance
FROM VECTOR_SEARCH(
    TABLE      = dbo.wikipedia_articles AS t,
    COLUMN     = title_vector,
    SIMILAR_TO = @qembedding,
    METRIC     = 'cosine'
) AS r WITH (FORCE_ANN_ONLY)
ORDER BY r.distance;

Użyj FORCE_ANN_ONLY polecenia , aby upewnić się, że zapytanie używa przybliżonej strategii indeksu najbliższego sąsiada, przesłaniając automatyczny wybór strategii optymalizatora.

Uwaga / Notatka

Użycie FORCE_ANN_ONLY wymaga obu następujących elementów:

Indeks wektorowy w kolumnie docelowej
SELECT TOP (N) WITH APPROXIMATE w zapytaniu

Jeśli brakuje któregokolwiek z wymagań, zapytanie zakończy się niepowodzeniem, ponieważ nie może użyć przybliżonej strategii najbliższego sąsiada, którą wymusza wskazówka.

Łączenie wyszukiwania wektorów z innymi operacjami SQL

Funkcja VECTOR_SEARCH z TOP (N) WITH APPROXIMATE określonymi wymaganiami dotyczącymi jej użycia. Niektóre operacje SQL mogą być używane bezpośrednio z wyszukiwaniem wektorowym, podczas gdy inne wymagają wzorca podzapytania.

Operacje wymagające wzorca podzapytania

Jeśli musisz wykonać operacje, które nie są bezpośrednio zgodne z usługą TOP (N) WITH APPROXIMATE, użyj wyszukiwania wektorów w podzapytaniu (zapytanie wewnętrzne), a następnie zastosuj operacje w zapytaniu zewnętrznym. Ten wzorzec utrzymuje zalety wydajności przybliżonego wyszukiwania wektorów przy jednoczesnym włączeniu pełnej funkcjonalności JĘZYKA SQL.

Wskazówka

Wzorzec podzapytania działa dla każdej operacji, która nie może być połączona bezpośrednio z elementem TOP (N) WITH APPROXIMATE. Zastosuj wyszukiwanie wektorów w zapytaniu wewnętrznym, a następnie użyj dowolnej operacji SQL w zapytaniu zewnętrznym.

Typowe scenariusze

W poniższej tabeli wymieniono operacje wymagające wzorca podzapytania:

Operation	Przykładowy przypadek użycia
GRUPUJ WEDŁUG	Obliczanie statystyk na kategorię
Funkcje agregujące	Ogólna LICZBA, ŚREDNIA, MINIMALNA, MAKSYMALNA LICZBA wyników
Funkcje okna	ROW_NUMBER, RANK, DENSE_RANK, NTILE
Ustawianie operacji	UNION, UNION ALL, Z WYJĄTKIEM, PRZECIĘCIE
Wiele kolumn ORDER BY	Sortuj według odległości, a następnie według daty lub tytułu
ODMIENNY	Usuwanie zduplikowanych wyników
STOSOWANIE KRZYŻOWE	Stosowanie wyszukiwania wektorów na wiersz z tabeli zewnętrznej

GROUP BY i funkcje agregujące

Poniższy przykład znajduje średnią odległość od najlepiej pasujących artykułów według kategorii. W tym przykładzie kolumna category została dodana do tabeli w celu klasyfikowania wikipedia_articles artykułów.

DECLARE @qv VECTOR(1536) = AI_GENERATE_EMBEDDINGS(N'machine learning' USE MODEL Ada2Embeddings);

SELECT 
    category,
    COUNT(*) AS article_count,
    AVG(distance) AS avg_distance,
    MIN(distance) AS closest_match
FROM (
    SELECT TOP (100) WITH APPROXIMATE
        t.id,
        t.title,
        t.category,
        r.distance
    FROM VECTOR_SEARCH(
        TABLE = dbo.wikipedia_articles AS t,
        COLUMN = title_vector,
        SIMILAR_TO = @qv,
        METRIC = 'cosine'
    ) AS r
    ORDER BY r.distance
) AS vector_results
GROUP BY category
ORDER BY avg_distance;

Funkcje okna

Poniższy przykład klasyfikuje artykuły według podobieństwa i przypisuje kwartyli.

DECLARE @qv VECTOR(1536) = AI_GENERATE_EMBEDDINGS(N'neural networks' USE MODEL Ada2Embeddings);

SELECT 
    id,
    title,
    category,
    distance,
    ROW_NUMBER() OVER (ORDER BY distance) AS rank,
    NTILE(4) OVER (ORDER BY distance) AS quartile
FROM (
    SELECT TOP (100) WITH APPROXIMATE
        t.id,
        t.title,
        t.category,
        r.distance
    FROM VECTOR_SEARCH(
        TABLE = dbo.wikipedia_articles AS t,
        COLUMN = title_vector,
        SIMILAR_TO = @qv,
        METRIC = 'cosine'
    ) AS r
    ORDER BY r.distance
) AS vector_results
WHERE distance < 0.5
ORDER BY rank;

Operacje ustawiania (UNION, INTERSECT, Z WYJĄTKIEM)

Poniższy przykład łączy wyniki z dwóch różnych zapytań wyszukiwania przy użyciu funkcji UNION.

DECLARE @qv1 VECTOR(1536) = AI_GENERATE_EMBEDDINGS(N'artificial intelligence' USE MODEL Ada2Embeddings);
DECLARE @qv2 VECTOR(1536) = AI_GENERATE_EMBEDDINGS(N'machine learning' USE MODEL Ada2Embeddings);

SELECT id, title, 'AI Search' AS source
FROM (
    SELECT TOP (50) WITH APPROXIMATE
        t.id,
        t.title,
        r.distance
    FROM VECTOR_SEARCH(
        TABLE = dbo.wikipedia_articles AS t,
        COLUMN = title_vector,
        SIMILAR_TO = @qv1,
        METRIC = 'cosine'
    ) AS r
    ORDER BY r.distance
) AS ai_results

UNION

SELECT id, title, 'ML Search' AS source
FROM (
    SELECT TOP (50) WITH APPROXIMATE
        t.id,
        t.title,
        r.distance
    FROM VECTOR_SEARCH(
        TABLE = dbo.wikipedia_articles AS t,
        COLUMN = title_vector,
        SIMILAR_TO = @qv2,
        METRIC = 'cosine'
    ) AS r
    ORDER BY r.distance
) AS ml_results
ORDER BY id;

ODMIENNY

Poniższy przykład pobiera różne kategorie od najważniejszych pasujących artykułów.

DECLARE @qv VECTOR(1536) = AI_GENERATE_EMBEDDINGS(N'deep learning' USE MODEL Ada2Embeddings);

SELECT DISTINCT category
FROM (
    SELECT TOP (100) WITH APPROXIMATE
        t.id,
        t.category,
        r.distance
    FROM VECTOR_SEARCH(
        TABLE = dbo.wikipedia_articles AS t,
        COLUMN = title_vector,
        SIMILAR_TO = @qv,
        METRIC = 'cosine'
    ) AS r
    ORDER BY r.distance
) AS vector_results
WHERE distance < 0.7
ORDER BY category;

Wiele kolumn ORDER BY

Poniższy przykład sortuje według odległości, a następnie według tytułu więzi.

DECLARE @qv VECTOR(1536) = AI_GENERATE_EMBEDDINGS(N'quantum computing' USE MODEL Ada2Embeddings);

SELECT 
    id,
    title,
    category,
    distance
FROM (
    SELECT TOP (100) WITH APPROXIMATE
        t.id,
        t.title,
        t.category,
        r.distance
    FROM VECTOR_SEARCH(
        TABLE = dbo.wikipedia_articles AS t,
        COLUMN = title_vector,
        SIMILAR_TO = @qv,
        METRIC = 'cosine'
    ) AS r
    ORDER BY r.distance
) AS vector_results
ORDER BY distance, title;

STOSOWANIE KRZYŻOWE

W przypadku używania z programem SELECT TOP (N) WITH APPROXIMATEVECTOR_SEARCHnie można używać CROSS APPLY ani OUTER APPLY w tej samej FROM klauzuli. Dotyczy to nawet wtedy, gdy w funkcji nie ma odwołania zewnętrznego VECTOR_SEARCH .

Zapytanie z CROSS APPLY poleceniem wykonuje logicznie wiele wyszukiwań wektorów (jeden na wiersz z tabeli zewnętrznej) i scala wszystkie wyniki w jednym uporządkowanym strumieniu. Przybliżony algorytm najbliższego sąsiada nie może efektywnie scalić wyników z wielu niezależnych wyszukiwań wektorów przy zachowaniu przybliżonych gwarancji i właściwości wydajności.

Wzorzec, który generuje błąd:

-- This query is NOT supported
SELECT TOP (100) WITH APPROXIMATE
    o.id,
    vs.title,
    vs.distance
FROM Orders AS o
    CROSS APPLY VECTOR_SEARCH(
        TABLE = Products,
        COLUMN = embedding,
        SIMILAR_TO = o.customer_preference_vector,
        METRIC = 'cosine'
    ) AS vs
WHERE o.order_date > '2026-01-01'
ORDER BY vs.distance;

Ten wzorzec próbuje znaleźć podobne produkty dla preferencji klienta każdego zamówienia, ale nie można wykonać z przybliżonym wektorowym planem wyszukiwania.

Zalecany wzorzec:

Aby uzyskać podobne wyniki, użyj podzapytania TOP (N) WITH APPROXIMATE w CROSS APPLY samym:

-- This query IS supported
SELECT
    o.id,
    vs.title,
    vs.distance
FROM Orders AS o
    CROSS APPLY (
        SELECT TOP (10) WITH APPROXIMATE
            p.title,
            r.distance
        FROM VECTOR_SEARCH(
            TABLE = Products AS p,
            COLUMN = embedding,
            SIMILAR_TO = o.customer_preference_vector,
            METRIC = 'cosine'
        ) AS r
        ORDER BY r.distance
    ) AS vs
WHERE o.order_date > '2026-01-01';

W tym wzorcu:

Każde wyszukiwanie wektorów jest ograniczone do 10 pierwszych wyników w podzapytaniu
Zapytanie zewnętrzne nie używa WITH APPROXIMATE
Wyniki są prawidłowo ograniczone do poszczególnych wierszy z tabeli zewnętrznej

Operacje, które działają bezpośrednio

Następujące operacje mogą być używane bezpośrednio bez VECTOR_SEARCH wymagania podzapytania:

SPRZĘŻENIE WEWNĘTRZNE — zobacz Przykład D: sprzężenia wieloskładniki z SPRZĘŻENIA WEWNĘTRZNEGO
GDZIE predykaty — stosowanie iteracyjnego lub po filtrowaniu
Pojedyncza odległość ORDER BY

Opinia

Czy ta strona była pomocna?

Last updated on 2026-03-18

Udostępnij za pośrednictwem

VECTOR_SEARCH (Transact-SQL) (wersja zapoznawcza)

Usługa Azure SQL Database i baza danych SQL w Fabric

Dostępność regionalna

Funkcja podglądowa SQL Server 2025

Najważniejsze ulepszenia dotyczące najnowszych indeksów wektorów

Syntax

Arguments

TABELA = obiekt [JAK source_table_alias]

KOLUMNA = vector_column

SIMILAR_TO = query_vector

METRIC = { 'cosine' | 'dot' | "euclidean" }

TOP_N = <k>

result_table_alias

Zwracanie zestawu wyników

Limitations

Zachowanie specyficzne dla wersji

Wcześniejsze wersje indeksów wektorów

Ogólne ograniczenia

Examples

Odp. Wyszukiwanie podobieństwa wektorów podstawowych

B. Ukończ przepływ pracy z tworzeniem indeksu

C. Wyszukiwanie wektorowe z filtrowaniem iteracyjnym

D. Sprzężenia z wieloma tabelami ze sprzężeniami WEWNĘTRZNYMi

Oczekiwane zachowania

Błąd podczas korzystania ze starszej składni

Zachowanie filtrowania iteracyjnego

Wymagania klauzuli ORDER BY

Zachowanie bez indeksu wektorowego

Zachowanie zapytania bez TOP Z PRZYBLIŻONĄ WARTOŚCIĄ

TOP Z PRZYBLIŻONE BEZ VECTOR_SEARCH

OGRANICZENIA TRUNCATE TABLE

Wskazówki dotyczące tabel wyszukiwania wektorów

Łączenie wyszukiwania wektorów z innymi operacjami SQL

Operacje wymagające wzorca podzapytania

Typowe scenariusze

GROUP BY i funkcje agregujące

Funkcje okna

Operacje ustawiania (UNION, INTERSECT, Z WYJĄTKIEM)

ODMIENNY

Wiele kolumn ORDER BY

STOSOWANIE KRZYŻOWE

Operacje, które działają bezpośrednio

Treści powiązane

Opinia

Dodatkowe zasoby