Создание векторного запроса в Поиск с использованием ИИ Azure

Если у вас есть индекс vector в Поиск с использованием ИИ Azure, в этой статье объясняется, как:

В этой статье используется REST для иллюстрации. После понимания базового рабочего процесса перейдите к примерам кода Azure SDK в репозитории azure-search-vector-samples, которое предоставляет комплексные решения, включающие векторные запросы.

Вы также можете использовать Search Explorer на портале Azure.

Необходимые условия

Преобразование входных данных строки запроса в вектор

Для запроса поля вектора сам запрос должен быть вектором.

Одним из способов преобразования строки текстового запроса пользователя в векторное представление является вызов библиотеки внедрения или API в коде приложения. Рекомендуется всегда использовать те же модели внедрения, используемые для создания внедрения в исходные документы. Примеры кода, демонстрирующие как создавать векторные представления, находятся в репозитории azure-search-vector-samples.

Второй подход — использовать встроенную векторизацию, которая теперь доступна повсеместно, чтобы Поиск с использованием ИИ Azure обрабатывал входные и выходные данные векторизации запросов.

Ниже приведен пример строки запроса REST API, отправленной в развертывание модели встраивания Azure OpenAI.

POST https://{{openai-service-name}}.openai.azure.com/openai/deployments/{{openai-deployment-name}}/embeddings?api-version={{openai-api-version}}
Content-Type: application/json
api-key: {{admin-api-key}}
{
    "input": "what azure services support generative AI'"
}

Ожидаемый ответ — 202 для успешного вызова развернутой модели.

Поле embedding в тексте ответа — векторное представление строки inputзапроса. В целях тестирования необходимо скопировать значение массива embeddingvectorQueries.vector в запрос, используя синтаксис, показанный в следующих нескольких разделах.

Фактический ответ на этот вызов POST к развернутой модели включает 1536 внедрения. Для удобства чтения в этом примере показаны только первые несколько векторов.

{
    "object": "list",
    "data": [
        {
            "object": "embedding",
            "index": 0,
            "embedding": [
                -0.009171937,
                0.018715322,
                ...
                -0.0016804502
            ]
        }
    ],
    "model": "ada",
    "usage": {
        "prompt_tokens": 7,
        "total_tokens": 7
    }
}

В этом подходе код приложения отвечает за подключение к модели, создание внедрения и обработку ответа.

Запрос векторного поиска

В этом разделе показана базовая структура векторного запроса. С помощью портала Azure, REST API или Azure SDKs можно сформулировать векторный запрос.

Если вы мигрируете с 2023-07-01-preview, это сопровождается кардинальными изменениями. Дополнительные сведения см. в статье об обновлении до последней версии REST API.

Стабильная версия поддерживает следующее:

  • vectorQueries — это конструкция для векторного поиска.
  • vectorQueries.kind установите vector для массива векторов или text, если входные данные являются строкой и если у вас есть векторизатор.
  • vectorQueries.vector — это запрос (векторное представление текста или изображения).
  • vectorQueries.exhaustive (необязательно) вызывает исчерпывающий KNN во время запроса, даже если поле индексируется для HNSW.
  • vectorQueries.fields (необязательно) целевые поля для выполнения запросов (до 10 полей на запрос).
  • vectorQueries.weight (необязательно) указывает относительный вес каждого векторного запроса, включенного в операции поиска. Дополнительные сведения см. в разделе "Векторный вес".
  • vectorQueries.k — это количество возвращаемых совпадений.

В следующем примере вектор представляет эту строку: "what Azure services support full text search". Запрос предназначен для contentVector поля и возвращает k результаты. Исходный вектор имеет 1536 встраиваний, которые сокращаются в этом примере для удобства чтения.

POST https://{{search-service-name}}.search.windows.net/indexes/{{index-name}}/docs/search?api-version=2026-04-01
Content-Type: application/json
api-key: {{admin-api-key}}
{
    "count": true,
    "select": "title, content, category",
    "vectorQueries": [
        {
            "kind": "vector",
            "vector": [
                -0.009154141,
                0.018708462,
                . . . 
                -0.02178128,
                -0.00086512347
            ],
            "exhaustive": true,
            "fields": "contentVector",
            "weight": 0.5,
            "k": 5
        }
    ]
}

Ответ векторного запроса

В Поиск с использованием ИИ Azure ответы запросов состоят из всех полей retrievable по умолчанию. Однако обычно результаты поиска ограничиваются подмножеством retrievable полей, перечисляя их в инструкции select .

В векторном запросе тщательно рассмотрите необходимость векторных полей в ответе. Поля векторов не доступны для чтения, поэтому если вы отправляете ответ на веб-страницу, следует выбрать невекторные поля, представляющие результат. Например, если запрос выполняется против contentVector, вместо этого можно вернуть content.

Если вы хотите векторные поля в результате, вот пример структуры отклика. contentVector представляет собой массив строк внедрений, которые в этом примере сокращены для удобства восприятия. Оценка поиска указывает релевантность. Другие невекторные поля включаются в контекст.

{
    "@odata.count": 3,
    "value": [
        {
            "@search.score": 0.80025613,
            "title": "Azure Search",
            "category": "AI + Machine Learning",
            "contentVector": [
                -0.0018343845,
                0.017952163,
                0.0025753193,
                ...
            ]
        },
        {
            "@search.score": 0.78856903,
            "title": "Azure Application Insights",
            "category": "Management + Governance",
            "contentVector": [
                -0.016821077,
                0.0037742127,
                0.016136652,
                ...
            ]
        },
        {
            "@search.score": 0.78650564,
            "title": "Azure Media Services",
            "category": "Media",
            "contentVector": [
                -0.025449317,
                0.0038463024,
                -0.02488436,
                ...
            ]
        }
    ]
}

Ключевые моменты:

  • k определяет, сколько ближайших результатов возвращаются, в данном случае три. Векторные запросы всегда возвращают k результаты, если существуют хотя бы k документы, даже если некоторые документы имеют плохое сходство. Это связано с тем, что алгоритм находит ближайших k соседей с вектором запроса.

  • Алгоритм векторного поиска определяет @search.score.

  • Поля в результатах поиска — это либо все retrievable поля, либо поля в условии select . Во время выполнения векторного запроса сопоставление выполняется только для векторных данных. Однако ответ может включать любое retrievable поле в индекс. Так как нет возможности декодировать результат векторного поля, включение невекторных текстовых полей полезно для их удобочитаемых значений.

Несколько векторных полей

Вы можете задать свойство vectorQueries.fields для нескольких векторных полей. Векторный запрос выполняется для каждого поля вектора, указанного в списке fields . Можно указать до 10 полей.

При запросе нескольких векторных полей убедитесь, что каждая из них содержит внедрения из одной модели внедрения. Запрос также должен быть создан из той же модели внедрения.

POST https://{{search-service-name}}.search.windows.net/indexes/{{index-name}}/docs/search?api-version=2026-04-01
Content-Type: application/json
api-key: {{admin-api-key}}
{
    "count": true,
    "select": "title, content, category",
    "vectorQueries": [
        {
            "kind": "vector",
            "vector": [
                -0.009154141,
                0.018708462,
                . . . 
                -0.02178128,
                -0.00086512347
            ],
            "exhaustive": true,
            "fields": "contentVector, titleVector",
            "k": 5
        }
    ]
}

Несколько векторных запросов

Поиск вектора с несколькими запросами отправляет несколько запросов в нескольких полях векторов в индексе поиска. Этот тип запроса обычно используется с моделями, такими как CLIP для многомодального поиска, где одна и та же модель может векторизировать как текст, так и изображения.

В следующем примере запроса выполняется поиск сходства как в myImageVector, так и в myTextVector, однако отправляются два соответствующих встраивания запросов, которые выполняются параллельно. Результат этого запроса оценивается с использованием Reciprocal Rank Fusion (RRF).

  • vectorQueries предоставляет массив векторных запросов.
  • vector содержит векторы изображения и текстовые векторы в индексе поиска. Каждый экземпляр является отдельным запросом.
  • fields указывает, какое поле вектора следует выбрать.
  • k — это число ближайших совпадений соседей, включаемых в результаты.
{
    "count": true,
    "select": "title, content, category",
    "vectorQueries": [
        {
            "kind": "vector",
            "vector": [
                -0.009154141,
                0.018708462,
                . . . 
                -0.02178128,
                -0.00086512347
            ],
            "fields": "myimagevector",
            "k": 5
        },
        {
            "kind": "vector"
            "vector": [
                -0.002222222,
                0.018708462,
                -0.013770515,
            . . .
            ],
            "fields": "mytextvector",
            "k": 5
        }
    ]
}

Индексы поиска не могут хранить изображения. Если индекс содержит поле для файла изображения, результаты поиска будут включать сочетание текста и изображений.

Запрос с интегрированной векторизацией

В этом разделе показан векторный запрос, вызывающий встроенную векторизацию для преобразования текстового или изображения в вектор. Мы рекомендуем стабильный 2026-04-01 REST API, обозреватель поиска или более новые пакеты Azure SDK для этой функции.

Предварительные требования — это индекс поиска с настроенным векторизатором и назначенным векторным полем. Векторизатор предоставляет сведения о подключении к модели внедрения, используемой во время запроса.

Обозреватель поиска поддерживает встроенную векторизацию во время запроса. Если индекс содержит векторные поля и имеет векторизатор, можно использовать встроенное преобразование текста в вектор.

  1. Перейдите в службу поиска на портале Azure.

  2. В меню слева выберите Управление поиском>Индексы, а затем выберите свой индекс.

  3. Перейдите на вкладку "Векторные профили" , чтобы убедиться, что у вас есть векторизатор.

    Снимок экрана: параметр векторизатора в индексе поиска.

  4. Перейдите на вкладку обозревателя поиска . С помощью представления запроса по умолчанию можно ввести текстовую строку в строку поиска. Встроенный векторизатор преобразует строку в вектор, выполняет поиск и возвращает результаты.

    Кроме того, можно выбрать>представление JSON для просмотра или изменения запроса. Если векторы присутствуют, обозреватель поиска автоматически настраивает векторный запрос. Представление JSON можно использовать для выбора полей для использования в поиске и ответе, добавления фильтров и создания более сложных запросов, таких как гибридные запросы. Чтобы просмотреть пример JSON, перейдите на вкладку REST API в этом разделе.

Число ранжированных результатов в ответе на векторный запрос

Векторный запрос определяет параметр k, который определяет, сколько совпадений отображаются в результатах. Поисковая система всегда возвращает k количество совпадений. Если k больше количества документов в индексе, количество документов определяет верхний предел возвращаемого значения.

Если вы знакомы с полнотекстовый поиск, вы знаете, что вы ожидаете нулевого результата, если индекс не содержит термин или фразу. Однако в векторном поиске операция поиска определяет ближайших соседей и всегда возвращает k результаты, даже если ближайшие соседи не похожи. Вы можете получить результаты для бессмысленных или не относящихся к теме запросов, особенно если вы не используете подсказки для установления границ. Менее релевантные результаты имеют худший показатель сходства, но они по-прежнему "ближайшие" векторы, если нет ничего ближе. Таким образом, ответ без значимых результатов по-прежнему может возвращать k результаты, но оценка сходства каждого результата будет низкой.

Гибридный подход, включающий полнотекстовый поиск, может устранить эту проблему. Другое решение — задать минимальное пороговое значение для оценки поиска, но только если запрос является чистым одним векторным запросом. Гибридные запросы не способствуют минимальным пороговым значениям, так как диапазоны RRF гораздо меньше и более изменчивы.

Параметры запроса, влияющие на число результатов, включают:

  • "k": n результаты запросов, основанных только на векторах.
  • "top": n результаты для гибридных запросов, которые включают search параметр.

Оба k и top являются необязательными. Если не указано, число результатов по умолчанию равно 50. Вы можете задать параметры top и skip для навигации по дополнительным результатам или изменить значение по умолчанию.

Алгоритмы ранжирования, используемые в векторном запросе

Ранжирование результатов вычисляется одним из следующих методов:

  • Метрика сходства.
  • RRF, если есть несколько наборов результатов поиска.

Метрика сходства

Метрика сходства, указанная в разделе индекса vectorSearch для векторного запроса. Допустимые значения: cosine, euclideanи dotProduct.

Azure модели встраивания OpenAI используют косинусное сходство, поэтому если вы используете модели встраивания Azure OpenAI, cosine является рекомендуемой метрикой. Другие поддерживаемые метрики ранжирования включают euclidean и dotProduct.

RRF

Несколько наборов создаются, если запрос предназначен для нескольких векторных полей, выполняет несколько векторных запросов параллельно или является гибридом векторного и полнотекстового поиска с семантической ранжированием или без нее.

Во время выполнения запроса векторный запрос может использовать только один внутренний векторный индекс. Для нескольких векторных полей и нескольких векторных запросов поисковая система создает несколько запросов, предназначенных для соответствующих индексов векторов каждого поля. Выходные данные представляют собой набор ранжированных результатов для каждого запроса, которые объединяются с использованием RRF. Дополнительные сведения см. в разделе "Оценка релевантности с использованием метода взаимного ранжирования на основе обратной оценки Fusion".

Векторный вес

Добавьте параметр запроса, чтобы указать относительный weight вес каждого векторного запроса, включенного в операции поиска. Это значение используется при объединении результатов нескольких списков ранжирования, созданных двумя или более векторными запросами в одном запросе, или из векторной части гибридного запроса.

Значение по умолчанию равно 1.0, а значение должно быть положительным числом, превышающим нулю.

Весовые значения используются при вычислении показателей RRF каждого документа. Вычисление — это умножение значения weight на ранжировочную оценку документа в его соответствующем результирующем наборе.

В следующем примере используется гибридный запрос с двумя строками векторных запросов и одной текстовой строкой. Весы назначаются векторным запросам. Вес первого запроса составляет 0,5 или половину, что уменьшает его важность. Второй векторный запрос является дважды важным.

POST https://[service-name].search.windows.net/indexes/[index-name]/docs/search?api-version=2026-04-01

    { 
      "vectorQueries": [ 
        { 
          "kind": "vector", 
          "vector": [1.0, 2.0, 3.0], 
          "fields": "my_first_vector_field", 
          "k": 10, 
          "weight": 0.5 
        },
        { 
          "kind": "vector", 
          "vector": [4.0, 5.0, 6.0], 
          "fields": "my_second_vector_field", 
          "k": 10, 
          "weight": 2.0
        } 
      ], 
      "search": "hello world" 
    }

Вес вектора применяется только к векторам. Текстовый запрос в этом примере "hello world"имеет неявный нейтральный вес 1,0. Однако в гибридном запросе можно увеличить или уменьшить важность текстовых полей, задав maxTextRecallSize.

Задайте пороговые значения, чтобы исключить результаты низкой оценки (предварительная версия)

Так как ближайший поиск соседей всегда возвращает запрошенных k соседей, можно получить несколько совпадений с низкой оценкой для выполнения требования k по количеству результатов поиска. Чтобы исключить результаты поиска с низкой threshold оценкой, можно добавить параметр запроса, который фильтрует результаты на основе минимальной оценки. Фильтрация возникает перед объединением результатов из разных наборов отзывов.

Этот параметр находится в предварительной версии. Мы рекомендуем последнюю предварительную версию Documents - Search Post (REST API).

В этом примере все совпадения, которые оцениваются ниже 0,8, исключаются из результатов векторного поиска, даже если число результатов падает ниже k.

POST https://[service-name].search.windows.net/indexes/[index-name]/docs/search?api-version=2025-11-01-preview 
    Content-Type: application/json 
    api-key: [admin key] 

    { 
      "vectorQueries": [ 
        { 
          "kind": "vector", 
          "vector": [1.0, 2.0, 3.0], 
          "fields": "my-cosine-field", 
          "threshold": { 
            "kind": "vectorSimilarity", 
            "value": 0.8 
          } 
        }
      ]
    }

Дальнейшие действия

На следующем шаге просмотрите примеры кода векторного запроса в Python, C# или JavaScript.

  • Last updated on