Guia de início rápido: executar a recuperação agentic na Pesquisa de IA do Azure

2025-06-24

Observação

Esta funcionalidade está atualmente em pré-visualização pública. Esta pré-visualização é fornecida sem um contrato de nível de serviço e não é recomendada para cargas de trabalho de produção. Algumas funcionalidades poderão não ser suportadas ou poderão ter capacidades limitadas. Para obter mais informações, veja Termos Suplementares de Utilização para Pré-visualizações do Microsoft Azure.

Neste kickstart, tu usas a recuperação agêncica para oferecer uma experiência de pesquisa conversacional impulsionada por modelos linguísticos avançados (LLMs) e os teus dados proprietários. A recuperação agenética divide consultas complexas dos utilizadores em subconsultas, realiza as subconsultas em paralelo e extrai dados base de documentos indexados no Azure AI Search. A saída destina-se à integração com soluções de chat de agentes e personalizadas.

Embora você possa fornecer seus próprios dados, este guia de início rápido usa exemplos de documentos JSON do e-book Earth at Night da NASA. Os documentos descrevem tópicos de ciência geral e imagens da Terra à noite observadas do espaço.

Sugestão

Para começar a usar um bloco de anotações Jupyter, consulte o repositório Azure-Samples/azure-search-dotnet-samples no GitHub.

Pré-requisitos

Uma conta do Azure com uma assinatura ativa. Crie uma conta gratuitamente.
Um serviço Azure AI Search na camada Básica ou superior com o classificador semântico habilitado.
Um projeto do Azure AI Foundry. Você obtém um recurso do Azure AI Foundry (que você precisa para implantações de modelo) ao criar um projeto do Azure AI Foundry.
A CLI do Azure para autenticação sem chave com o Microsoft Entra ID.

Configurar acesso baseado em função

Você pode usar chaves de API do serviço de pesquisa ou ID do Entra da Microsoft com atribuições de função. As chaves são mais fáceis de começar, mas as funções são mais seguras.

Para configurar o recomendado acesso de acordo com a função:

Inicie sessão no portal Azure.
Habilite o acesso baseado em função em seu serviço Azure AI Search.
No seu serviço Azure AI Search, atribua as seguintes funções a si mesmo.
- Colaborador do Serviço de Pesquisa
- Contribuidor de dados do índice de pesquisa
- Leitor de dados de índice de pesquisa

Para recuperação agentiva, o Azure AI Search também precisa de acesso ao seu recurso do Azure OpenAI Foundry.

Crie uma identidade gerenciada atribuída ao sistema em seu serviço Azure AI Search. Veja como fazer isso usando a CLI do Azure:
```
az search service update --name YOUR-SEARCH-SERVICE-NAME --resource-group YOUR-RESOURCE-GROUP-NAME --identity-type SystemAssigned
```
Se já tiver uma identidade gerida, pode ignorar este passo.
No recurso do Azure AI Foundry, atribua o Usuário dos Serviços Cognitivos à identidade gerenciada que você criou para o serviço de pesquisa.

Implantar modelos

Para utilizar a recuperação agêncica, deve implantar um dos modelos do Azure OpenAI com suporte no seu recurso do Azure AI Foundry.

Um modelo de chat para planeamento de consultas e geração de respostas. Usamos gpt-4.1-mini neste início rápido. Opcionalmente, você pode usar um modelo diferente para planejamento de consultas e outro para geração de respostas, mas esse início rápido usa o mesmo modelo para simplicidade.
Um modelo de incorporação para consultas vetoriais. Usamos text-embedding-3-large neste início rápido, mas você pode usar qualquer modelo de incorporação que suporte a text-embedding tarefa.

Para implantar os modelos do Azure OpenAI:

Entre no portal do Azure AI Foundry e selecione seu recurso do Azure AI Foundry.
No painel esquerdo, selecione Catálogo de modelos.
Selecione gpt-4.1-mini e, em seguida, selecione Usar este modelo.
Especifique um nome de implantação. Para simplificar o seu código, recomendamos gpt-4.1-mini.
Deixe as configurações padrão.
Selecione Implantar.
Repita as etapas anteriores, mas desta vez implante o modelo de texto-incorporado-3-grande.

Obter pontos finais

No teu código, especificas os seguintes endpoints para estabelecer ligações com o teu serviço Azure AI Search e o recurso Azure AI Foundry. Estas etapas pressupõem que você configurou o acesso baseado em função conforme descrito anteriormente.

Para obter os seus endpoints de serviço:

Inicie sessão no portal Azure.
No seu serviço Azure AI Search:
1. No painel esquerdo, selecione Visão geral.
2. Copie o URL, que deve ser semelhante ao https://my-service.search.windows.net.
No seu recurso do Azure AI Foundry:
1. No painel esquerdo, selecione Gerenciamento de Recursos>Chaves e Ponto de Extremidade.
2. Selecione a guia OpenAI e copie o URL semelhante ao https://my-resource.openai.azure.com.

Importante

A recuperação agentic tem dois modelos de faturamento baseados em token:

Gestão de faturação do Azure OpenAI para o planeamento de consultas.
Faturação da Pesquisa de IA do Azure para execução de consultas (classificação semântica).

A classificação semântica é gratuita na pré-visualização pública inicial. Após a pré-visualização, aplica-se a cobrança padrão dos tokens. Para obter mais informações, consulte Disponibilidade e preços da recuperação agêntica.

Configuração

Crie uma nova pasta quickstart-agentic-retrieval para conter o aplicativo e abra o Visual Studio Code nessa pasta com o seguinte comando:
```
mkdir quickstart-agentic-retrieval && cd quickstart-agentic-retrieval
```
Crie um novo aplicativo de console com o seguinte comando:
```
dotnet new console
```
Instale a biblioteca de cliente do Azure AI Search (Azure.Search.Documents) para .NET com:
```
dotnet add package Azure.Search.Documents --version 11.7.0-beta.4
```
Instale a biblioteca de cliente do Azure OpenAI (Azure.AI.OpenAI) para .NET com:
```
dotnet add package Azure.AI.OpenAI --version 2.1.0
```
Para carregar variáveis de ambiente a partir de um ficheiro dotenv, instale o pacote .env.
```
dotnet add package dotenv.net
```
Para a autenticação sem chave recomendada com o Microsoft Entra ID, instale o pacote Azure.Identity com:
```
dotnet add package Azure.Identity
```
Para a autenticação sem chave recomendada com o Microsoft Entra ID, entre no Azure com o seguinte comando:
```
az login
```

Criar o índice e o agente de conhecimento

Crie um novo arquivo nomeado .env na quickstart-agentic-retrieval pasta e adicione as seguintes variáveis de ambiente:
```
AZURE_OPENAI_ENDPOINT=https://<your-ai-foundry-resource-name>.openai.azure.com/
AZURE_OPENAI_GPT_DEPLOYMENT=gpt-4.1-mini
AZURE_SEARCH_ENDPOINT=https://<your-search-service-name>.search.windows.net
AZURE_SEARCH_INDEX_NAME=agentic-retrieval-sample
```
Substitua <your-search-service-name> e <your-ai-foundry-resource-name> pelo nome real do serviço Azure AI Search e pelo nome do recurso Azure AI Foundry.

No Program.cs, cole o código a seguir.

using dotenv.net;
using Azure.Identity;
using Azure.Search.Documents.Indexes;
using Azure.Search.Documents.Indexes.Models;
using System.Net.Http;
using System.Text.Json;
using Azure.Search.Documents;
using Azure.Search.Documents.Models;
using Azure.Search.Documents.Agents;
using Azure.Search.Documents.Agents.Models;
using Azure.AI.OpenAI;
using OpenAI.Chat;

namespace AzureSearch.Quickstart
{
    class Program
    {
        static async Task Main(string[] args)
        {
            // Load environment variables from .env file
            // Ensure you have a .env file in the same directory with the required variables.
            DotEnv.Load();

            string endpoint = Environment.GetEnvironmentVariable("AZURE_SEARCH_ENDPOINT") 
                ?? throw new InvalidOperationException("AZURE_SEARCH_ENDPOINT is not set.");
            string azureOpenAIEndpoint = Environment.GetEnvironmentVariable("AZURE_OPENAI_ENDPOINT") 
                ?? throw new InvalidOperationException("AZURE_OPENAI_ENDPOINT is not set.");

            string azureOpenAIGptDeployment = "gpt-4.1-mini";
            string azureOpenAIGptModel = "gpt-4.1-mini";
            string azureOpenAIEmbeddingDeployment = "text-embedding-3-large";
            string azureOpenAIEmbeddingModel = "text-embedding-3-large";

            string indexName = "earth_at_night";
            string agentName = "earth-search-agent";

            var credential = new DefaultAzureCredential();            

            // Define the fields for the index
            var fields = new List<SearchField>
            {
                new SimpleField("id", SearchFieldDataType.String) 
                { 
                    IsKey = true, 
                    IsFilterable = true, 
                    IsSortable = true, 
                    IsFacetable = true 
                },
                new SearchField("page_chunk", SearchFieldDataType.String) 
                { 
                    IsFilterable = false, 
                    IsSortable = false, 
                    IsFacetable = false 
                },
                new SearchField("page_embedding_text_3_large", SearchFieldDataType.Collection(SearchFieldDataType.Single)) 
                { 
                    VectorSearchDimensions = 3072, 
                    VectorSearchProfileName = "hnsw_text_3_large" 
                },
                new SimpleField("page_number", SearchFieldDataType.Int32) 
                { 
                    IsFilterable = true, 
                    IsSortable = true, 
                    IsFacetable = true 
                }
            };// Define the vectorizer
            var vectorizer = new AzureOpenAIVectorizer(vectorizerName: "azure_openai_text_3_large")
            {
                Parameters = new AzureOpenAIVectorizerParameters
                {
                    ResourceUri = new Uri(azureOpenAIEndpoint),
                    DeploymentName = azureOpenAIEmbeddingDeployment,
                    ModelName = azureOpenAIEmbeddingModel
                }
            };

            // Define the vector search profile and algorithm
            var vectorSearch = new VectorSearch()
            {
                Profiles =
                {
                    new VectorSearchProfile(
                        name: "hnsw_text_3_large",
                        algorithmConfigurationName: "alg"
                    )
                    {
                        VectorizerName = "azure_openai_text_3_large"
                    }
                },
                Algorithms =
                {
                    new HnswAlgorithmConfiguration(name: "alg")
                },
                Vectorizers =
                {
                    vectorizer
                }
            };

            // Define semantic configuration
            var semanticConfig = new SemanticConfiguration(
                name: "semantic_config",
                prioritizedFields: new SemanticPrioritizedFields
                {
                    ContentFields = { new SemanticField("page_chunk") }
                }
            );

            var semanticSearch = new SemanticSearch()
            {
                DefaultConfigurationName = "semantic_config",
                Configurations =
                {
                    semanticConfig
                }
            };

            // Create the index
            var index = new SearchIndex(indexName)
            {
                Fields = fields,
                VectorSearch = vectorSearch,
                SemanticSearch = semanticSearch
            };

            // Create the index client. Delete the index if it exists and then recreate it.
            var indexClient = new SearchIndexClient(new Uri(endpoint), credential);
            try
            {
                await indexClient.DeleteIndexAsync(indexName);
                Console.WriteLine($"Index '{indexName}' deleted successfully (if it existed).");
            }
            catch (Exception ex)
            {
                Console.WriteLine($"Index '{indexName}' could not be deleted or did not exist: {ex.Message}");
            }            
            await indexClient.CreateOrUpdateIndexAsync(index);
            Console.WriteLine($"Index '{indexName}' created or updated successfully");

            // Download the documents from the GitHub URL
            string url = "https://raw.githubusercontent.com/Azure-Samples/azure-search-sample-data/refs/heads/main/nasa-e-book/earth-at-night-json/documents.json";
            var httpClient = new HttpClient();
            var response = await httpClient.GetAsync(url);
            response.EnsureSuccessStatusCode();
            var json = await response.Content.ReadAsStringAsync();

            var documents = JsonSerializer.Deserialize<List<Dictionary<string, object>>>(json);
            var searchClient = new SearchClient(new Uri(endpoint), indexName, credential);
            var searchIndexingBufferedSender = new SearchIndexingBufferedSender<Dictionary<string, object>>(
                searchClient,
                new SearchIndexingBufferedSenderOptions<Dictionary<string, object>>
                {
                    KeyFieldAccessor = doc => doc["id"].ToString(),
                }
            );            
            await searchIndexingBufferedSender.UploadDocumentsAsync(documents);
            await searchIndexingBufferedSender.FlushAsync();
            Console.WriteLine($"Documents uploaded to index '{indexName}'");

            var openAiParameters = new AzureOpenAIVectorizerParameters
            {
                ResourceUri = new Uri(azureOpenAIEndpoint),
                DeploymentName = azureOpenAIGptDeployment,
                ModelName = azureOpenAIGptModel
            };

            var agentModel = new KnowledgeAgentAzureOpenAIModel(azureOpenAIParameters: openAiParameters);

            var targetIndex = new KnowledgeAgentTargetIndex(indexName)
            {
                DefaultRerankerThreshold = 2.5f
            };            
            // Create the knowledge agent
            var agent = new KnowledgeAgent(
                name: agentName,
                models: new[] { agentModel },
                targetIndexes: new[] { targetIndex });
            await indexClient.CreateOrUpdateKnowledgeAgentAsync(agent);
            Console.WriteLine($"Search agent '{agentName}' created or updated successfully");

            string instructions = @"
            A Q&A agent that can answer questions about the Earth at night.
            Sources have a JSON format with a ref_id that must be cited in the answer.
            If you do not have the answer, respond with ""I don't know"".
            ";

            var messages = new List<Dictionary<string, object>>
            {
                new Dictionary<string, object>
                {
                    { "role", "system" },
                    { "content", instructions }
                }
            };            
            var agentClient = new KnowledgeAgentRetrievalClient(
                endpoint: new Uri(endpoint),
                agentName: agentName,
                tokenCredential: new DefaultAzureCredential()
            );

            messages.Add(new Dictionary<string, object>
            {
                { "role", "user" },
                { "content", @"
                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?
                " }
            });            
            var retrievalResult = await agentClient.RetrieveAsync(
                retrievalRequest: new KnowledgeAgentRetrievalRequest(
                    messages: messages
                        .Where(message => message["role"].ToString() != "system")
                        .Select(message => new KnowledgeAgentMessage(
                            role: message["role"].ToString(),
                            content: new[] { new KnowledgeAgentMessageTextContent(message["content"].ToString()) }))
                        .ToList()
                )
                {
                    TargetIndexParams = { new KnowledgeAgentIndexParams { IndexName = indexName, RerankerThreshold = 2.5f } }
                }
            );            
            messages.Add(new Dictionary<string, object>
            {
                { "role", "assistant" },
                { "content", (retrievalResult.Value.Response[0].Content[0] as KnowledgeAgentMessageTextContent).Text }
            });

            Console.WriteLine((retrievalResult.Value.Response[0].Content[0] as KnowledgeAgentMessageTextContent).Text);

            Console.WriteLine("Activities:");
            foreach (var activity in retrievalResult.Value.Activity)
            {
                Console.WriteLine($"Activity Type: {activity.GetType().Name}");
                string activityJson = JsonSerializer.Serialize(
                    activity,
                    activity.GetType(),
                    new JsonSerializerOptions { WriteIndented = true }
                );
                Console.WriteLine(activityJson);
            }

            Console.WriteLine("Results");
            foreach (var reference in retrievalResult.Value.References)
            {
                Console.WriteLine($"Reference Type: {reference.GetType().Name}");
                string referenceJson = JsonSerializer.Serialize(
                    reference,
                    reference.GetType(),
                    new JsonSerializerOptions { WriteIndented = true }
                );
                Console.WriteLine(referenceJson);            }

            AzureOpenAIClient azureClient = new(
                new Uri(azureOpenAIEndpoint),
                new DefaultAzureCredential());
            ChatClient chatClient = azureClient.GetChatClient(azureOpenAIGptDeployment);

            List<ChatMessage> chatMessages = messages
                .Select<Dictionary<string, object>, ChatMessage>(m => m["role"].ToString() switch
                {
                    "user" => new UserChatMessage(m["content"].ToString()),
                    "assistant" => new AssistantChatMessage(m["content"].ToString()),
                    "system" => new SystemChatMessage(m["content"].ToString()),
                    _ => null
                })                
                .Where(m => m != null)
                .ToList();

            var result = await chatClient.CompleteChatAsync(chatMessages);
            Console.WriteLine($"[ASSISTANT]: {result.Value.Content[0].Text.Replace(".", "\n")}");

            messages.Add(new Dictionary<string, object>
            {
                { "role", "user" },
                { "content", "How do I find lava at night?" }            
            });

            var retrievalResult2 = await agentClient.RetrieveAsync(
                retrievalRequest: new KnowledgeAgentRetrievalRequest(
                    messages: messages
                        .Where(message => message["role"].ToString() != "system")
                        .Select(message => new KnowledgeAgentMessage(
                            role: message["role"].ToString(),
                            content: new[] { new KnowledgeAgentMessageTextContent(message["content"].ToString()) }))
                        .ToList()
                )
                {
                    TargetIndexParams = { new KnowledgeAgentIndexParams { IndexName = indexName, RerankerThreshold = 2.5f } }
                }
            );

            messages.Add(new Dictionary<string, object>
            {
                { "role", "assistant" },
                { "content", (retrievalResult2.Value.Response[0].Content[0] as KnowledgeAgentMessageTextContent).Text }
            });

            Console.WriteLine((retrievalResult2.Value.Response[0].Content[0] as KnowledgeAgentMessageTextContent).Text);

            Console.WriteLine("Activities:");
            foreach (var activity in retrievalResult2.Value.Activity)
            {
                Console.WriteLine($"Activity Type: {activity.GetType().Name}");
                string activityJson2 = JsonSerializer.Serialize(
                    activity,
                    activity.GetType(),
                    new JsonSerializerOptions { WriteIndented = true }
                );
                Console.WriteLine(activityJson2);
            }

            Console.WriteLine("Results");
            foreach (var reference in retrievalResult2.Value.References)
            {
                Console.WriteLine($"Reference Type: {reference.GetType().Name}");
                string referenceJson2 = JsonSerializer.Serialize(
                    reference,
                    reference.GetType(),
                    new JsonSerializerOptions { WriteIndented = true }
                );
                Console.WriteLine(referenceJson2);
            }

            List<ChatMessage> chatMessages2 = messages
                .Select<Dictionary<string, object>, ChatMessage>(m => m["role"].ToString() switch
                {
                    "user" => new UserChatMessage(m["content"].ToString()),
                    "assistant" => new AssistantChatMessage(m["content"].ToString()),
                    "system" => new SystemChatMessage(m["content"].ToString()),
                    _ => null
                })                
                .Where(m => m != null)
                .ToList();

            var result2 = await chatClient.CompleteChatAsync(chatMessages2);
            Console.WriteLine($"[ASSISTANT]: {result2.Value.Content[0].Text.Replace(".", "\n")}");

            await indexClient.DeleteKnowledgeAgentAsync(agentName);
            System.Console.WriteLine($"Search agent '{agentName}' deleted successfully");

            await indexClient.DeleteIndexAsync(indexName);            
            System.Console.WriteLine($"Index '{indexName}' deleted successfully");
        }
    }
}

Crie e execute o aplicativo com o seguinte comando:
```
dotnet run
```

Resultado

A saída do aplicativo deve ser semelhante à seguinte:

Index 'earth_at_night' deleted successfully (if it existed).
Index 'earth_at_night' created or updated successfully
Documents uploaded to index 'earth_at_night'
Search agent 'earth-search-agent' created or updated successfully
[]
Activities:
Activity Type: KnowledgeAgentModelQueryPlanningActivityRecord
{
  "InputTokens": 1265,
  "OutputTokens": 536,
  "ElapsedMs": null,
  "Id": 0
}
Activity Type: KnowledgeAgentSearchActivityRecord
{
  "TargetIndex": "earth_at_night",
  "Query": {
    "Search": "Reasons for larger December brightening in suburban belts compared to urban cores despite higher absolute light levels downtown",
    "Filter": null
  },
  "QueryTime": "2025-06-19T14:02:27.504+00:00",
  "Count": 0,
  "ElapsedMs": 768,
  "Id": 1
}
Activity Type: KnowledgeAgentSearchActivityRecord
{
  "TargetIndex": "earth_at_night",
  "Query": {
    "Search": "Why is the Phoenix nighttime street grid sharply visible from space while large stretches of interstate between Midwestern cities are comparatively dim?",
    "Filter": null
  },
  "QueryTime": "2025-06-19T14:02:27.817+00:00",
  "Count": 0,
  "ElapsedMs": 292,
  "Id": 2
}
Activity Type: KnowledgeAgentSemanticRankerActivityRecord
{
  "InputTokens": 52609,
  "ElapsedMs": null,
  "Id": 3
}
Results
[ASSISTANT]: The suburban belts display larger December brightening than urban cores because suburban areas often have more residential lighting that increases during December holidays, such as decorative lights, leading to a noticeable rise in brightness
 In contrast, urban cores already have very high absolute light levels, so the relative increase from additional lighting is less significant


Regarding Phoenix's nighttime street grid visibility from space, it is sharply visible because the city has a distinctive, well-lit, and uniformly spaced street grid pattern that emits consistent light
 In contrast, large stretches of interstate highways between Midwestern cities remain comparatively dim because highways have less continuous lighting, with fewer lights spread over longer distances, making them less prominent from space [ref_id: night_earth_study_2021]

[{"ref_id":0,"content":"<!-- PageHeader=\"Volcanoes\" -->\n\n## Volcanoes\n\n### The Infrared Glows of Kilauea's Lava Flows—Hawaii\n\nIn early May 2018, an eruption on Hawaii's Kilauea volcano began to unfold. The eruption took a dangerous turn on May 3, 2018, when new fissures opened in the residential neighborhood of Leilani Estates. During the summer-long eruptive event, other fissures emerged along the East Rift Zone. Lava from vents along the rift zone flowed downslope, reaching the ocean in several areas, and filling in Kapoho Bay.\n\nA time series of Landsat 8 imagery shows the progression of the lava flows from May 16 to August 13. The night view combines thermal, shortwave infrared, and near-infrared wavelengths to tease out the very hot lava (bright white), cooling lava (red), and lava flows obstructed by clouds (purple).\n\n#### Figure: Location of Kilauea Volcano, Hawaii\n\nA globe is shown centered on North America, with a marker placed in the Pacific Ocean indicating the location of Hawaii, to the southwest of the mainland United States.\n\n<!-- PageFooter=\"Earth at Night\" -->\n<!-- PageNumber=\"44\" -->"},{"ref_id":1,"content":"<!-- PageHeader=\"Volcanoes\" -->\n\n### Nighttime Glow at Mount Etna - Italy\n\nAt about 2:30 a.m. local time on March 16, 2017, the VIIRS DNB on the Suomi NPP satellite captured this nighttime image of lava flowing on Mount Etna in Sicily, Italy. Etna is one of the world's most active volcanoes.\n\n#### Figure: Location of Mount Etna\nA world globe is depicted, with a marker indicating the location of Mount Etna in Sicily, Italy, in southern Europe near the center of the Mediterranean Sea.\n\n<!-- PageFooter=\"Earth at Night\" -->\n<!-- PageNumber=\"48\" -->"},{"ref_id":2,"content":"For the first time in perhaps a decade, Mount Etna experienced a \"flank eruption\"—erupting from its side instead of its summit—on December 24, 2018. The activity was accompanied by 130 earthquakes occurring over three hours that morning. Mount Etna, Europe’s most active volcano, has seen periodic activity on this part of the mountain since 2013. The Operational Land Imager (OLI) on the Landsat 8 satellite acquired the main image of Mount Etna on December 28, 2018.\n\nThe inset image highlights the active vent and thermal infrared signature from lava flows, which can be seen near the newly formed fissure on the southeastern side of the volcano. The inset was created with data from OLI and the Thermal Infrared Sensor (TIRS) on Landsat 8. Ash spewing from the fissure cloaked adjacent villages and delayed aircraft from landing at the nearby Catania airport. Earthquakes occurred in the subsequent days after the initial eruption and displaced hundreds of people from their homes.\n\nFor nighttime images of Mount Etna’s March 2017 eruption, see pages 48–51.\n\n---\n\n### Hazards of Volcanic Ash Plumes and Satellite Observation\n\nWith the help of moonlight, satellite instruments can track volcanic ash plumes, which present significant hazards to airplanes in flight. The volcanic ash—composed of tiny pieces of glass and rock—is abrasive to engine turbine blades, and can melt on the blades and other engine parts, causing damage and even engine stalls. This poses a danger to both the plane’s integrity and passenger safety. Volcanic ash also reduces visibility for pilots and can cause etching of windshields, further reducing pilots’ ability to see. Nightlight images can be combined with thermal images to provide a more complete view of volcanic activity on Earth’s surface.\n\nThe VIIRS Day/Night Band (DNB) on polar-orbiting satellites uses faint light sources such as moonlight, airglow (the atmosphere’s self-illumination through chemical reactions), zodiacal light (sunlight scattered by interplanetary dust), and starlight from the Milky Way. Using these dim light sources, the DNB can detect changes in clouds, snow cover, and sea ice:\n\n#### Table: Light Sources Used by VIIRS DNB\n\n| Light Source         | Description                                                        
          |\n|----------------------|------------------------------------------------------------------------------|\n| Moonlight            | Reflected sunlight from the Moon, illuminating Earth's surface at night      |\n| Airglow              | Atmospheric self-illumination from chemical reactions                        |\n| Zodiacal Light       | Sunlight scattered by interplanetary dust                                    |\n| Starlight/Milky Way  | Faint illumination provided by stars in the Milky Way                        |\n\nGeostationary Operational Environmental Satellites (GOES), managed by NOAA, orbit over Earth’s equator and offer uninterrupted observations of North America. High-latitude areas such as Alaska benefit from polar-orbiting satellites like Suomi NPP, which provide overlapping coverage at the poles, enabling more data collection in these regions. During polar darkness (winter months), VIIRS DNB data allow scientists to:\n\n- Observe sea ice formation\n- Monitor snow cover extent at the highest latitudes\n- Detect open water for ship navigation\n\n#### Table: Satellite Coverage Overview\n\n| Satellite Type          | Orbit           | Coverage Area         | Special Utility                              |\n|------------------------|-----------------|----------------------|----------------------------------------------|\n| GOES              
     | Geostationary   | Equatorial/North America | Continuous regional monitoring              |\n| Polar-Orbiting (e.g., Suomi NPP) | Polar-orbiting    | Poles/high latitudes      | Overlapping passes; useful during polar night|\n\n---\n\n### Weather Forecasting and Nightlight Data\n\nThe use of nightlight data by weather forecasters is growing as the VIIRS instrument enables observation of clouds at night illuminated by sources such as moonlight and lightning. Scientists use these data to study the nighttime behavior of weather systems, including severe storms, which can develop and strike populous areas at night as well as during the day. Combined with thermal data, visible nightlight data allow the detection of clouds at various heights in the atmosphere, such as dense marine fog. This capability enables weather forecasters to issue marine advisories with higher confidence, leading to greater utility. (See \"Marine Layer Clouds—California\" on page 56.)\n\nIn this section of the book, you will see how nightlight data are used to observe nature’s spectacular light shows across a wide range of sources.\n\n---\n\n#### Notable Data from Mount Etna Flank Eruption (December 2018)\n\n| Event/Observation                  | Details                                        
                            |\n|-------------------------------------|----------------------------------------------------------------------------|\n| Date of Flank Eruption              | December 24, 2018                                                          |\n| Number of Earthquakes               | 130 earthquakes within 3 hours                                              |\n| Image Acquisition                   | December 28, 2018 by Landsat 8 OLI                                   
      |\n| Location of Eruption                | Southeastern side of Mount Etna                   
                         |\n| Thermal Imaging Data                | From OLI and TIRS (Landsat 8), highlighting active vent and lava flows     |\n| Impact on Villages/Air Transport    | Ash covered villages; delayed aircraft at Catania airport                  |\n| Displacement                   
     | Hundreds of residents displaced                                            |\n| Ongoing Seismic Activity            | Earthquakes continued after initial eruption                             
  |\n\n---\n\n<!-- PageFooter=\"Earth at Night\" -->\n<!-- PageNumber=\"30\" -->"},{"ref_id":3,"content":"# Volcanoes\n\n---\n\n### Mount Etna Erupts - Italy\n\nThe highly active Mount Etna in Italy sent red lava rolling down its flank on March 19, 2017. An astronaut onboard the ISS took the photograph below of the volcano and its environs that night. City lights surround the mostly dark volcanic area.\n\n---\n\n#### Figure 1: Location of Mount Etna, Italy\n\nA world map highlighting the location of Mount Etna in southern Italy. The marker indicates its geographic placement on the east coast of Sicily, Italy, in the Mediterranean region, south of mainland Europe and north of northern Africa.\n\n---\n\n#### Figure 2: Nighttime View of Mount Etna's Eruption and Surrounding Cities\n\nThis is a nighttime satellite image taken on March 19, 2017, showing the eruption of Mount Etna (southeastern cone) with visible bright red and orange coloring indicating flowing lava from a lateral vent. The surrounding areas are illuminated by city lights, with the following geographic references labeled:\n\n| Location        | Position in Image         | Visible Characteristics             
       |\n|-----------------|--------------------------|--------------------------------------------|\n| Mt. Etna (southeastern cone) | Top center-left | Bright red/orange lava flow                |\n| Lateral vent    | Left of the volcano       | Faint red/orange flow extending outwards   |\n| Resort          | Below the volcano, to the left   | Small cluster of lights                    |\n| Giarre          | Top right                 | Bright cluster of city lights              |\n| Acireale        | Center right              | Large, bright area of city lights          |\n| Biancavilla     | Bottom left               | Smaller cluster of city lights             |\n\nAn arrow pointing north is shown on the image for orientation.\n\n---\n\n<!-- Earth at Night Page Footer -->\n<!-- Page Number: 50 -->"},{"ref_id":4,"content":"# Volcanoes\n\n## Figure: Satellite Image of Sicily and Mount Etna Lava, March 16, 2017\n\nThe annotated satellite image below shows the island of Sicily and the surrounding region at night, highlighting city lights and volcanic activity.\n\n**Description:**\n\n- **Date of image:** March 16, 2017\n- **Geographical locations labeled:**\n    - Major cities: Palermo (northwest Sicily), Marsala (western Sicily), Catania (eastern Sicily)\n    - Significant feature: Mount Etna, labeled with an adjacent \"hot lava\" region showing the glow from active lava flows\n    - Surrounding water body: Mediterranean Sea\n    - Island: Malta to the south of Sicily\n- **Other details:** \n    - The image is shown at night, with bright spots indicating city lights.\n    - The position of \"hot lava\" near Mount Etna is distinctly visible as a bright spot different from other city lights, indicating volcanic activity.\n    - A scale bar is included showing a reference length of 50 km.\n    - North direction is indicated with an arrow.\n    - Cloud cover is visible in the southwest part of the image, partially obscuring the view near Marsala and Malta.\n\n**Summary of Features Visualized:**\n\n| Feature          | Description                 
                          |\n|------------------|------------------------------------------------------|\n| Cities           | Bright clusters indicating locations: Palermo, Marsala, Catania |\n| Mount Etna       | Marked on the map, located on the eastern side of Sicily, with visible hot lava activity |\n| Malta            | Clearly visible to the south of Sicily               |\n| Water bodies     | Mediterranean Sea labeled                            |\n| Scale & Direction| 50 km scale bar and North indicator                  |\n| Date             | March 16, 2017                     
                  |\n| Cloud Cover      | Visible in the lower left (southern) part of the image |\n\nThis figure demonstrates the visibility of volcanic activity at Mount Etna from space at night, distinguishing the light from hot lava against the background city lights of Sicily and Malta."},{"ref_id":5,"content":"## Nature's Light Shows\n\nAt night, with the light of the Sun removed, nature's brilliant glow from Earth's surface becomes visible to the naked eye from space. Some of Earth's most spectacular light shows are natural, like the aurora borealis, or Northern Lights, in the Northern Hemisphere (aurora australis, or Southern Lights, in the Southern Hemisphere). The auroras are natural electrical phenomena caused by charged particles that race from the Sun toward Earth, inducing chemical reactions in the upper atmosphere and creating the appearance of streamers of reddish or greenish light in the sky, usually near the northern or southern magnetic pole. Other natural lights can indicate danger, like a raging forest fire encroaching on a city, town, or community, or lava spewing from an erupting volcano.\n\nWhatever the source, the ability of humans to monitor nature's light shows at night has practical applications for society. For example, tracking fires during nighttime hours allows for continuous monitoring and enhances our ability to protect humans and other animals, plants, and infrastructure. Combined with other data sources, our ability to observe the light of fires at night allows emergency managers to more efficiently and accurately issue warnings and evacuation orders and allows firefighting efforts to continue through the night. With enough moonlight (e.g., full-Moon phase), it's even possible to track the movement of smoke plumes at night, which can impact air quality, regardless of time of day.\n\nAnother natural source of light at night is emitted from glowing lava flows at the site of active volcanoes. Again, with enough moonlight, these dramatic scenes can be tracked and monitored for both scientific research and public safety.\n\n\n### Figure: The Northern Lights Viewed from Space\n\n**September 17, 2011**\n\nThis photo, taken from the International Space Station on September 17, 2011, shows a spectacular display of the aurora borealis (Northern Lights) as green and reddish light in the night sky above Earth. In the foreground, part of a Soyuz spacecraft is visible, silhouetted against the bright auroral light. The green glow is generated by energetic charged particles from the Sun interacting with Earth's upper atmosphere, exciting oxygen and nitrogen atoms, and producing characteristic colors. The image demonstrates the vividness and grandeur of natural night-time light phenomena as seen from orbit."}]
Activities:
Activity Type: KnowledgeAgentModelQueryPlanningActivityRecord
{
  "InputTokens": 1289,
  "OutputTokens": 116,
  "ElapsedMs": null,
  "Id": 0
}
Activity Type: KnowledgeAgentSearchActivityRecord
{
  "TargetIndex": "earth_at_night",
  "Query": {
    "Search": "How to locate lava flows at night?",
    "Filter": null
  },
  "QueryTime": "2025-06-19T14:02:44.67+00:00",
  "Count": 6,
  "ElapsedMs": 235,
  "Id": 1
}
Activity Type: KnowledgeAgentSemanticRankerActivityRecord
{
  "InputTokens": 24807,
  "ElapsedMs": null,
  "Id": 2
}
Results
Reference Type: KnowledgeAgentAzureSearchDocReference
{
  "DocKey": "earth_at_night_508_page_60_verbalized",
  "SourceData": {},
  "Id": "0",
  "ActivitySource": 1
}
Reference Type: KnowledgeAgentAzureSearchDocReference
{
  "DocKey": "earth_at_night_508_page_64_verbalized",
  "SourceData": {},
  "Id": "1",
  "ActivitySource": 1
}
Reference Type: KnowledgeAgentAzureSearchDocReference
{
  "DocKey": "earth_at_night_508_page_46_verbalized",
  "SourceData": {},
  "Id": "2",
  "ActivitySource": 1
}
Reference Type: KnowledgeAgentAzureSearchDocReference
{
  "DocKey": "earth_at_night_508_page_66_verbalized",
  "SourceData": {},
  "Id": "3",
  "ActivitySource": 1
}
Reference Type: KnowledgeAgentAzureSearchDocReference
{
  "DocKey": "earth_at_night_508_page_65_verbalized",
  "SourceData": {},
  "Id": "4",
  "ActivitySource": 1
}
Reference Type: KnowledgeAgentAzureSearchDocReference
{
  "DocKey": "earth_at_night_508_page_44_verbalized",
  "SourceData": {},
  "Id": "5",
  "ActivitySource": 1
}
[ASSISTANT]: You can find lava at night primarily by using satellite imagery that captures the thermal and visible light emissions from active volcanoes
 Very hot lava emits strong infrared radiation and glows visibly, which can be detected from space, especially when combined with moonlight or other faint light sources
 For example, satellites like Landsat 8 and VIIRS on Suomi NPP have captured nighttime images of lava flows on volcanoes such as Kilauea in Hawaii and Mount Etna in Italy
 These images show bright white-hot areas indicating very hot lava and reddish areas for cooling lava flows (ref_id 0, 1, 3, 4)


Lava glows visibly due to its intense heat, which makes it stand out even at night against the darkness and city lights
 Nighttime satellite images combine thermal infrared wavelengths and near-infrared to distinguish active lava from surrounding cooler ground
 Monitoring these nighttime glows allows scientists to study volcanic activity and also helps with hazard assessment


So, at night, the best way to find lava is through thermal and infrared satellite imagery that detects the glow and heat signatures of lava flows from active volcanoes


References: 0, 1, 3, 4
Search agent 'earth-search-agent' deleted successfully
Index 'earth_at_night' deleted successfully

Explicação do código

Agora que você tem o código, vamos detalhar os principais componentes:

Criar um índice de pesquisa
Carregar documentos para o índice
Criar um agente de conhecimento
Configurar mensagens
Executar o fluxo de recuperação
Rever a resposta, a atividade e os resultados
Criar o cliente OpenAI do Azure
Use a API de conclusão de bate-papo para gerar uma resposta
Continue a conversa

Criar um índice de pesquisa

No Azure AI Search, um índice é uma coleção estruturada de dados. O código a seguir define um índice nomeado earth_at_night para conter texto sem formatação e conteúdo vetorial. Você pode usar um índice existente, mas ele deve atender aos critérios para tarefas de recuperação agentica.

// Define the fields for the index
var fields = new List<SearchField>
{
    new SimpleField("id", SearchFieldDataType.String) { IsKey = true, IsFilterable = true, IsSortable = true, IsFacetable = true },
    new SearchField("page_chunk", SearchFieldDataType.String) { IsFilterable = false, IsSortable = false, IsFacetable = false },
    new SearchField("page_embedding_text_3_large", SearchFieldDataType.Collection(SearchFieldDataType.Single)) { VectorSearchDimensions = 3072, VectorSearchProfileName = "hnsw_text_3_large" },
    new SimpleField("page_number", SearchFieldDataType.Int32) { IsFilterable = true, IsSortable = true, IsFacetable = true }
};            
// Define the vectorizer
var vectorizer = new AzureOpenAIVectorizer(vectorizerName: "azure_openai_text_3_large")
{
    Parameters = new AzureOpenAIVectorizerParameters
    {
        ResourceUri = new Uri(azureOpenAIEndpoint),
        DeploymentName = azureOpenAIEmbeddingDeployment,
        ModelName = azureOpenAIEmbeddingModel
    }
};

// Define the vector search profile and algorithm
var vectorSearch = new VectorSearch()
{
    Profiles =
    {
        new VectorSearchProfile(
            name: "hnsw_text_3_large",
            algorithmConfigurationName: "alg"
        )
        {
            VectorizerName = "azure_openai_text_3_large"
        }
    },
    Algorithms =
    {
        new HnswAlgorithmConfiguration(name: "alg")
    },
    Vectorizers =
    {
        vectorizer
    }
};

// Define semantic configuration
var semanticConfig = new SemanticConfiguration(
    name: "semantic_config",
    prioritizedFields: new SemanticPrioritizedFields
    {
        ContentFields = { new SemanticField("page_chunk") }
    }
);

var semanticSearch = new SemanticSearch()
{
    DefaultConfigurationName = "semantic_config",
    Configurations =
    {
        semanticConfig
    }
};

// Create the index
var index = new SearchIndex(indexName)
{
    Fields = fields,
    VectorSearch = vectorSearch,
    SemanticSearch = semanticSearch
};

// Create the index client and delete the index if it exists, then create it
var indexClient = new SearchIndexClient(new Uri(endpoint), credential);
try
{
    await indexClient.DeleteIndexAsync(indexName);
    Console.WriteLine($"Index '{indexName}' deleted successfully (if it existed).");
}
catch (Exception ex)
{
    Console.WriteLine($"Index '{indexName}' could not be deleted or did not exist: {ex.Message}");
}
await indexClient.CreateOrUpdateIndexAsync(index);

Console.WriteLine($"Index '{indexName}' created or updated successfully");

O esquema de índice contém campos para identificação de documentos e conteúdo da página, incorporações e números. Ele também inclui configurações para classificação semântica e consultas vetoriais, que usam o text-embedding-3-large modelo que você implantou anteriormente.

Carregar documentos para o índice

Atualmente, o earth_at_night índice está vazio. Execute o código a seguir para preencher o índice com documentos JSON do e-book Earth at Night da NASA. Conforme exigido pelo Azure AI Search, cada documento está em conformidade com os campos e tipos de dados definidos no esquema de índice.

// Download the documents from the GitHub URL
string url = "https://raw.githubusercontent.com/Azure-Samples/azure-search-sample-data/refs/heads/main/nasa-e-book/earth-at-night-json/documents.json";
var httpClient = new HttpClient();
var response = await httpClient.GetAsync(url);
response.EnsureSuccessStatusCode();
var json = await response.Content.ReadAsStringAsync();

var documents = JsonSerializer.Deserialize<List<Dictionary<string, object>>>(json);
var searchClient = new SearchClient(new Uri(endpoint), indexName, credential);
var searchIndexingBufferedSender = new SearchIndexingBufferedSender<Dictionary<string, object>>(
    searchClient,
    new SearchIndexingBufferedSenderOptions<Dictionary<string, object>>
    {
        KeyFieldAccessor = doc => doc["id"].ToString(),
    }
);

await searchIndexingBufferedSender.UploadDocumentsAsync(documents);
await searchIndexingBufferedSender.FlushAsync();

Console.WriteLine($"Documents uploaded to index '{indexName}'");

Criar um agente de conhecimento

Para conectar o Azure AI Search à sua gpt-4.1-mini implantação e direcionar o índice earth_at_night no momento da consulta, precisa-se de um agente de conhecimento. O código a seguir define um agente de conhecimento chamado earth-search-agent que usa o KnowledgeAgentAzureOpenAIModel para processar consultas e recuperar documentos relevantes do earth_at_night índice.

Para garantir respostas relevantes e semanticamente significativas, DefaultRerankerThreshold é definido para excluir respostas com uma pontuação de reclassificação igual 2.5 ou inferior.

var openAiParameters = new AzureOpenAIVectorizerParameters
{
    ResourceUri = new Uri(azureOpenAIEndpoint),
    DeploymentName = azureOpenAIGptDeployment,
    ModelName = azureOpenAIGptModel
};

var agentModel = new KnowledgeAgentAzureOpenAIModel(azureOpenAIParameters: openAiParameters);

var targetIndex = new KnowledgeAgentTargetIndex(indexName)
{
    DefaultRerankerThreshold = 2.5f
};

// Create the knowledge agent
var agent = new KnowledgeAgent(
    name: agentName,
    models: new[] { agentModel },
    targetIndexes: new[] { targetIndex });
await indexClient.CreateOrUpdateKnowledgeAgentAsync(agent);
Console.WriteLine($"Search agent '{agentName}' created or updated successfully");

Configurar mensagens

As mensagens são a entrada para a rota de recuperação e contêm o histórico de conversas. Cada mensagem inclui uma função que indica sua origem, como assistente ou usuário, e conteúdo em linguagem natural. O LLM que você usa determina quais funções são válidas.

Uma mensagem de usuário representa a consulta a ser processada, enquanto uma mensagem de assistente orienta o agente de conhecimento sobre como responder. Durante o processo de recuperação, essas mensagens são enviadas a um LLM para extrair respostas relevantes de documentos indexados.

Esta mensagem assistente instrui earth-search-agent a responder a perguntas sobre a Terra à noite, citar fontes usando o seu ref_ide responder com "Não sei" quando as respostas não estiverem disponíveis.

string instructions = @"
A Q&A agent that can answer questions about the Earth at night.
Sources have a JSON format with a ref_id that must be cited in the answer.
If you do not have the answer, respond with ""I don't know"".
";

var messages = new List<Dictionary<string, object>>
{
    new Dictionary<string, object>
    {
        { "role", "system" },
        { "content", instructions }
    }
};

Executar o processo de recuperação

Esta etapa executa o processo de recuperação para extrair informações relevantes do seu índice de pesquisa. Com base nas mensagens e parâmetros na solicitação de recuperação, o LLM:

Analisa todo o histórico de conversas para determinar a necessidade de informações subjacentes.
Divide a consulta de usuário composta em subconsultas focadas.
Executa cada subconsulta simultaneamente em campos de texto e incorporações vetoriais no índice.
Usa o classificador semântico para reclassificar os resultados de todas as subconsultas.
Mescla os resultados em uma única cadeia de caracteres.

O código a seguir envia uma consulta de utilizador de duas partes para earth-search-agent, que desconstrói a consulta em subconsultas, executa as subconsultas no índice earth_at_night contra campos de texto e incorporações vetoriais, e classifica e mescla os resultados. A resposta é então anexada à messages lista.

var agentClient = new KnowledgeAgentRetrievalClient(
    endpoint: new Uri(endpoint),
    agentName: agentName,
    tokenCredential: new DefaultAzureCredential()
);            

messages.Add(new Dictionary<string, object>
{
    { "role", "user" },
    { "content", @"
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?
" }
});

var retrievalResult = await agentClient.RetrieveAsync(
    retrievalRequest: new KnowledgeAgentRetrievalRequest(
            messages: messages
                .Where(message => message["role"].ToString() != "system")
                .Select(
                message => new KnowledgeAgentMessage(
                    role: message["role"].ToString(),
                    content: new[] { new KnowledgeAgentMessageTextContent(message["content"].ToString()) }))
                .ToList()
            )
        {
            TargetIndexParams = { new KnowledgeAgentIndexParams { IndexName = indexName, RerankerThreshold = 2.5f } }
        }
    );

messages.Add(new Dictionary<string, object>
{
    { "role", "assistant" },
    { "content", (retrievalResult.Value.Response[0].Content[0] as KnowledgeAgentMessageTextContent).Text }
});

Rever a resposta, a atividade e os resultados

Agora você deseja exibir a resposta, a atividade e os resultados do pipeline de recuperação.

Cada resposta de recuperação da Pesquisa de IA do Azure inclui:

Uma cadeia de caracteres unificada que representa dados de referência dos resultados da pesquisa.
O plano de consulta.
Dados de referência que mostram quais partes dos documentos de origem contribuíram para a cadeia de caracteres unificada.

Console.WriteLine((retrievalResult.Value.Response[0].Content[0] as KnowledgeAgentMessageTextContent).Text);
Console.WriteLine("Activities:");
foreach (var activity in retrievalResult.Value.Activity)
{
    Console.WriteLine($"Activity Type: {activity.GetType().Name}");
    string activityJson = JsonSerializer.Serialize(
        activity,
        activity.GetType(),
        new JsonSerializerOptions { WriteIndented = true }
    );
    Console.WriteLine(activityJson);
}

Console.WriteLine("Results");
foreach (var reference in retrievalResult.Value.References)
{
    Console.WriteLine($"Reference Type: {reference.GetType().Name}");
    string referenceJson = JsonSerializer.Serialize(
        reference,
        reference.GetType(),
        new JsonSerializerOptions { WriteIndented = true }
    );
    Console.WriteLine(referenceJson);
}

A saída deve incluir:

Response Fornece uma cadeia de caracteres de texto dos documentos (ou partes) mais relevantes no índice de pesquisa com base na consulta do usuário. Como mostrado mais adiante neste guia de início rápido, você pode passar essa cadeia de caracteres para um LLM para geração de respostas.
Activity regista os passos dados durante o processo de recuperação, incluindo as subconsultas geradas pela sua gpt-4.1-mini implementação e os tokens usados para planeamento e execução de consultas.
Results lista os documentos que contribuíram para a resposta, cada um identificado pelo seu DocKey.

Criar o cliente OpenAI do Azure

Para estender o pipeline de recuperação da extração de resposta para a geração de resposta, configure o cliente OpenAI do Azure para interagir com a sua gpt-4.1-mini implementação, que especificou usando a variável answer_model numa seção anterior.

AzureOpenAIClient azureClient = new(
    new Uri(azureOpenAIEndpoint),
    new DefaultAzureCredential());

Use a API de conclusão de bate-papo para gerar uma resposta

Uma opção para geração de respostas é a API de Conclusão de Chat, que passa o histórico de conversas para o LLM para processamento.

ChatClient chatClient = azureClient.GetChatClient(azureOpenAIGptDeployment);            
List<ChatMessage> chatMessages = messages
    .Select<Dictionary<string, object>, ChatMessage>(m => m["role"].ToString() switch
    {
        "user" => new UserChatMessage(m["content"].ToString()),
        "assistant" => new AssistantChatMessage(m["content"].ToString()),
        "system" => new SystemChatMessage(m["content"].ToString()),
        _ => null
    })
    .Where(m => m != null)
    .ToList();


var result = await chatClient.CompleteChatAsync(chatMessages);

Console.WriteLine($"[ASSISTANT]: {result.Value.Content[0].Text.Replace(".", "\n")}");

Continue a conversa

Continue a conversa enviando outra consulta de usuário para earth-search-agent. O código a seguir executa novamente o pipeline de recuperação, buscando conteúdo relevante do earth_at_night índice e anexando a resposta à messages lista. No entanto, ao contrário de antes, agora você pode usar o cliente OpenAI do Azure para gerar uma resposta com base no conteúdo recuperado.

messages.Add(new Dictionary<string, object>
{
    { "role", "user" },
    { "content", "How do I find lava at night?" }
});

var retrievalResult2 = await agentClient.RetrieveAsync(
    retrievalRequest: new KnowledgeAgentRetrievalRequest(
            messages: messages
                .Where(message => message["role"].ToString() != "system")
                .Select(
                message => new KnowledgeAgentMessage(
                    role: message["role"].ToString(),
                    content: new[] { new KnowledgeAgentMessageTextContent(message["content"].ToString()) }))
                .ToList()
            )
        {
            TargetIndexParams = { new KnowledgeAgentIndexParams { IndexName = indexName, RerankerThreshold = 2.5f } }
        }
    );

messages.Add(new Dictionary<string, object>
{
    { "role", "assistant" },
    { "content", (retrievalResult2.Value.Response[0].Content[0] as KnowledgeAgentMessageTextContent).Text }
});

Limpeza de recursos

Ao trabalhar em sua própria assinatura, é uma boa ideia concluir um projeto determinando se você ainda precisa dos recursos criados. Os recursos que ficam em funcionamento podem acabar por custar-lhe dinheiro. Você pode excluir recursos individualmente ou pode excluir o grupo de recursos para excluir todo o conjunto de recursos.

No portal do Azure, você pode localizar e gerenciar recursos selecionando Todos os recursos ou Grupos de recursos no painel esquerdo. Você também pode executar o código a seguir para excluir os objetos criados neste início rápido.

Eliminar o agente de gestão de conhecimento

O agente de conhecimento criado neste início rápido foi excluído usando o seguinte trecho de código do Program.cs:

await indexClient.DeleteKnowledgeAgentAsync(agentName);
Console.WriteLine($"Search agent '{agentName}' deleted successfully");

Excluir o índice de pesquisa

O índice de pesquisa criado neste início rápido foi excluído usando o seguinte trecho de código do Program.cs:

await indexClient.DeleteIndexAsync(indexName);
Console.WriteLine($"Index '{indexName}' deleted successfully");

Observação

Este guia de início rápido é baseado no caderno de anotações Jupyter Quickstart-Agentic-Retrieval no GitHub.

Pré-requisitos

Uma conta do Azure com uma assinatura ativa. Crie uma conta gratuitamente.
Um serviço Azure AI Search na camada Básica ou superior com o classificador semântico habilitado.
Um projeto do Azure AI Foundry. Você obtém um recurso do Azure AI Foundry (que você precisa para implantações de modelo) ao criar um projeto do Azure AI Foundry.
Visual Studio Code com a extensão Python e o pacote Jupyter.
A CLI do Azure para autenticação sem chave com o Microsoft Entra ID.

Configurar acesso baseado em função

Você pode usar chaves de API do serviço de pesquisa ou ID do Entra da Microsoft com atribuições de função. As chaves são mais fáceis de começar, mas as funções são mais seguras.

Para configurar o recomendado acesso de acordo com a função:

Inicie sessão no portal Azure.
Habilite o acesso baseado em função em seu serviço Azure AI Search.
No seu serviço Azure AI Search, atribua as seguintes funções a si mesmo.
- Colaborador do Serviço de Pesquisa
- Contribuidor de dados do índice de pesquisa
- Leitor de dados de índice de pesquisa

Para recuperação agentiva, o Azure AI Search também precisa de acesso ao seu recurso do Azure OpenAI Foundry.

Crie uma identidade gerenciada atribuída ao sistema em seu serviço Azure AI Search. Veja como fazer isso usando a CLI do Azure:
```
az search service update --name YOUR-SEARCH-SERVICE-NAME --resource-group YOUR-RESOURCE-GROUP-NAME --identity-type SystemAssigned
```
Se já tiver uma identidade gerida, pode ignorar este passo.
No recurso do Azure AI Foundry, atribua o Usuário dos Serviços Cognitivos à identidade gerenciada que você criou para o serviço de pesquisa.

Implantar modelos

Para utilizar a recuperação agêncica, deve implantar um dos modelos do Azure OpenAI com suporte no seu recurso do Azure AI Foundry.

Um modelo de chat para planeamento de consultas e geração de respostas. Usamos gpt-4.1-mini neste início rápido. Opcionalmente, você pode usar um modelo diferente para planejamento de consultas e outro para geração de respostas, mas esse início rápido usa o mesmo modelo para simplicidade.
Um modelo de incorporação para consultas vetoriais. Usamos text-embedding-3-large neste início rápido, mas você pode usar qualquer modelo de incorporação que suporte a text-embedding tarefa.

Para implantar os modelos do Azure OpenAI:

Entre no portal do Azure AI Foundry e selecione seu recurso do Azure AI Foundry.
No painel esquerdo, selecione Catálogo de modelos.
Selecione gpt-4.1-mini e, em seguida, selecione Usar este modelo.
Especifique um nome de implantação. Para simplificar o seu código, recomendamos gpt-4.1-mini.
Deixe as configurações padrão.
Selecione Implantar.
Repita as etapas anteriores, mas desta vez implante o modelo de texto-incorporado-3-grande.

Obter pontos finais

Para obter os seus endpoints de serviço:

Inicie sessão no portal Azure.
No seu serviço Azure AI Search:
1. No painel esquerdo, selecione Visão geral.
2. Copie o URL, que deve ser semelhante ao https://my-service.search.windows.net.
No seu recurso do Azure AI Foundry:
1. No painel esquerdo, selecione Gerenciamento de Recursos>Chaves e Ponto de Extremidade.
2. Selecione a guia OpenAI e copie o URL semelhante ao https://my-resource.openai.azure.com.

Importante

A recuperação agentic tem dois modelos de faturamento baseados em token:

Gestão de faturação do Azure OpenAI para o planeamento de consultas.
Faturação da Pesquisa de IA do Azure para execução de consultas (classificação semântica).

Ligue-se a partir do seu sistema local

Você configurou o acesso baseado em função para interagir com o Azure AI Search e o Azure OpenAI.

Para ligar a partir do seu sistema local:

Abra um novo terminal no Visual Studio Code e altere para o diretório onde você deseja salvar seus arquivos.
Execute o seguinte comando da CLI do Azure e entre com sua conta do Azure. Se você tiver várias assinaturas, selecione a que contém seu serviço Azure AI Search e o projeto Azure AI Foundry.
```
az login
```

Para obter mais informações, consulte Guia de início rápido: conectar-se sem chaves.

Instalar pacotes e carregar conexões

Antes de executar qualquer código, instale pacotes Python e defina credenciais, pontos de extremidade e detalhes de implantação para conexões com o Azure AI Search e o Azure OpenAI. Estes valores são utilizados em operações subsequentes.

Para instalar os pacotes e carregar as conexões:

No Visual Studio Code, crie um .ipynb arquivo. Por exemplo, você pode nomear o arquivo quickstart-agentic-retrieval.ipynbcomo .

Na primeira célula de código, cole o código a seguir para instalar os pacotes necessários.

! pip install azure-search-documents==11.6.0b12 --quiet
! pip install azure-identity --quiet
! pip install openai --quiet
! pip install aiohttp --quiet
! pip install ipykernel --quiet
! pip install requests --quiet

Você pode executar esta célula selecionando o botão Executar célula ou pressionando Shift+Enter.

Adicione outra célula de código e cole as seguintes instruções e variáveis de importação.

from azure.identity import DefaultAzureCredential, get_bearer_token_provider
import os

endpoint = "PUT YOUR SEARCH SERVICE ENDPOINT HERE"
credential = DefaultAzureCredential()
token_provider = get_bearer_token_provider(credential, "https://search.azure.com/.default")
azure_openai_endpoint = "PUT YOUR AZURE AI FOUNDRY ENDPOINT HERE"
azure_openai_gpt_deployment = "gpt-4.1-mini"
azure_openai_gpt_model = "gpt-4.1-mini"
azure_openai_api_version = "2025-03-01-preview"
azure_openai_embedding_deployment = "text-embedding-3-large"
azure_openai_embedding_model = "text-embedding-3-large"
index_name = "earth_at_night"
agent_name = "earth-search-agent"
answer_model = "gpt-4.1-mini"
api_version = "2025-05-01-Preview"

Defina endpoint como o ponto de extremidade do Azure AI Search, que se parece com https://<your-search-service-name>.search.windows.net. Defina azure_openai_endpoint como o ponto de extremidade do Azure AI Foundry, que se parece com https://<your-foundry-resource-name>.openai.azure.com. Você obteve ambos os valores na seção Obter pontos de extremidade.
Para verificar as variáveis, execute a célula de código.

Criar um índice de pesquisa

No Azure AI Search, um índice é uma coleção estruturada de dados. O código a seguir define um índice chamado earth_at_night, que você especificou usando a index_name variável na seção anterior.