在 Cosmos DB 中为矢量数据编制索引（Azure 和 Fabric）

适用于: ✅ Azure Cosmos DB, ✅ Cosmos DB in Microsoft Fabric

Cosmos DB（Azure和Fabric）提供高效的矢量索引和搜索。此功能旨在处理多模式、高维向量，从而在任何规模上实现高效准确的矢量搜索。现在可以直接将矢量与数据一起存储在文档中。数据库中的每个文档不仅可以包含传统的无架构数据，还可以包含多模式高维向量作为文档的其他属性。这种数据和矢量的并置可以实现高效的索引和搜索，因为矢量与它们所代表的数据存储在同一个逻辑单元中。将矢量和数据放在一起简化了数据管理、AI 应用程序体系结构以及基于矢量的操作效率。

Cosmos DB 提供选择矢量索引方法时提供的灵活性：

对于较小、集中的矢量搜索，“扁平”或 k 最近邻精确搜索（有时也称为暴力搜索）可以提供 100% 的检索召回率。尤其是与查询筛选器和分区键结合使用时。
一种量化扁平索引，使用基于 DiskANN 的量化方法压缩矢量，以提高 kNN 搜索的效率。
DiskANN 是一套由 Microsoft Research 开发的最先进的矢量索引算法，可在任何规模上实现高效、高精度的多模式矢量搜索。

Cosmos DB 中的矢量搜索可以使用 WHERE 子句与所有其他支持的NoSQL查询筛选器和索引结合使用。这种组合使矢量搜索成为应用程序最相关的数据。

此功能增强了 Cosmos DB 的核心功能，使其更适用于处理 AI 应用程序中的矢量数据和搜索要求。

什么是矢量存储？

矢量存储或向量数据库是一个旨在存储和管理矢量嵌入的数据库，它是高维空间中数据的数学表示形式。在此空间中，每个维度对应于数据的一个特征，数万个维度可用于表示复杂的数据。矢量在此空间中的位置表示其特征。字词、短语或整个文档、图像、音频和其他类型的数据都可以矢量化。

矢量存储的工作原理是什么？

在矢量存储中，矢量搜索算法用于查询嵌入项以及为其编制索引。一些已知的矢量搜索算法包括分层导航小型世界 (HNSW)、倒置文件（IVF）、DiskANN 等。借助矢量搜索，可根据数据特征而不是属性字段上的精确匹配项来查找相似的项。这种方法在搜索相似文本、查找相关图像、提出建议甚至是检测异常等应用中很有用。它用于通过嵌入 API 查询你使用机器学习模型创建的数据的向量嵌入。嵌入 API 的示例包括 Azure OpenAI Embeddings 或 Hugging Face on Azure。矢量搜索测量数据矢量与查询矢量之间的距离。与查询矢量最接近的这些矢量是在语义上被发现最相似的。

在 Cosmos DB 中的集成向量数据库中，可以存储、索引和查询嵌入内容以及原始数据。此方法避免了在单独的纯矢量数据库中复制数据产生的额外成本。此外，此体系结构可将矢量嵌入和原始数据保存在一起，从而更好地促进多模式数据操作，并且可以实现更高的数据一致性、缩放和性能。

容器向量策略

使用 Cosmos DB 执行矢量搜索需要为容器定义向量策略。此策略为数据库引擎提供重要信息，用于对容器文档中找到的矢量进行高效的相似性搜索。如果选择此选项，此配置还会通知向量索引策略所需的信息。包含的矢量策略中包含以下信息：

path：包含向量（必需）的属性。
datatype：矢量属性的数据类型。支持的类型为 float32 （默认值）， int8和 uint8。
dimensions：路径中每个向量的维度或长度。路径中的所有矢量应具有相同的维度数。 （默认值 1536）。
distanceFunction：用于计算距离/相似性的指标。支持的指标包括：
- cosine，其值从 $-1$ （最低相似）到 $+1$ （最相似）。
- dot product，其值从 $-\infty$ （最不相似）到 $+\infty$ （最相似）。
- euclidean，其值从 $0$ （最相似）到 $+\infty$ （最不相似）。

注释

每个唯一路径最多可以有一个策略。但是，如果多个策略都以不同的路径为目标，则可以指定这些策略。

容器矢量策略可描述为 JSON 对象。下面是有效容器矢量策略的两个示例：

具有单个向量路径的策略

此示例展示了使用单个向量路径的向量嵌入策略配置，显示了用于存储具有余弦相似性的 1536 维 float32 向量的基本设置。此配置演示了：

/[0]：使用具有余弦相似性的 float32 数据类型，适用于 1536 维向量（常用于 OpenAI 嵌入）

{
  "vectorEmbeddings": [
    {
      "path": "/vector1",
      "dataType": "float32",
      "distanceFunction": "cosine",
      "dimensions": 1536
    }
  ]
}

具有两个向量路径的策略

此示例演示如何使用两个不同的矢量嵌入路径（每个路径具有不同的数据类型、距离函数和维度）配置矢量索引策略。此配置演示了：

/[0]：使用具有余弦相似性的 float32 数据类型，适用于 1536 维向量（常用于 OpenAI 嵌入）
/[1]：将 int8 数据类型与 100 维矢量的点积距离配合使用（对于较小的嵌入，内存效率更高）

{
  "vectorEmbeddings": [
    {
      "path": "/vector1",
      "dataType": "float32",
      "distanceFunction": "cosine",
      "dimensions": 1536
    },
    {
      "path": "/vector2",
      "dataType": "int8",
      "distanceFunction": "dotproduct",
      "dimensions": 100
    }
  ]
}

有关容器向量策略设置的详细信息和示例，请参阅矢量索引策略示例。

矢量索引策略

矢量索引可在使用系统函数执行矢量搜索时提高效率VectorDistance。使用矢量索引时，矢量搜索的延迟降低、吞吐量变高、RU 消耗量降低。可以指定以下类型的矢量索引策略：

	Description	最大维度
`flat`	将矢量存储在与其他已索引属性相同的索引上。	505
`quantizedFlat`	在索引上存储之前，量化（压缩）矢量。该策略可以通过牺牲少许准确性来提高延迟和吞吐量。	4096
`diskANN`	基于 DiskANN 创建索引，实现快速高效的近似搜索。	4096

请注意以下几点：

索引类型flat和quantizedFlat在矢量搜索期间使用 Cosmos DB 的索引来存储和读取每个向量。 flat 索引中的矢量搜索是暴力搜索，其准确度或召回率为 100%。也就是说，可以保证在数据集中找到最相似的向量。但是，平面索引上的向量存在 505 维度限制。
quantizedFlat 索引在该索引上存储量化（压缩）矢量。使用 quantizedFlat 索引的矢量搜索也是暴力搜索，但由于矢量在添加到索引之前进行了量化，因此其准确度可能略低于 100%。但相较于 quantized flat 索引上的矢量搜索，使用 flat 的矢量搜索应会具有更低的延迟、更高的吞吐量和更低的 RU 成本。对于较小的方案，或使用查询筛选器将矢量搜索缩小到相对较小的矢量集的方案，此索引是一个不错的选择。当每个物理分区中要编制索引的矢量数约为 50,000 或更少时，建议使用 quantizedFlat。但是，此建议只是一般准则，应测试实际性能，因为每个方案可能有所不同。
diskANN索引是一个单独的索引，专用于使用 DiskANN（Microsoft Research 开发的高性能矢量索引算法套件）。 DiskANN 索引可提供一些延迟最低、吞吐量最高且 RU 成本最低的查询，同时仍保持较高的准确度。通常，如果每个物理分区的矢量数超过 50,000 个，DiskANN 通常是所有索引类型中性能最佳的选择。
quantizedFlat和diskANN索引通过vectorIndexes属性支持对象中的quantizerType两个量化方法：product和 spherical。

下面是有效矢量索引策略的示例：

{
  "indexingMode": "consistent",
  "automatic": true,
  "includedPaths": [
    {
      "path": "/*"
    }
  ],
  "excludedPaths": [
    {
      "path": "/_etag/?"
    },
    {
      "path": "/vector1/*"
    }
  ],
  "vectorIndexes": [
    {
      "path": "/vector1",
      "type": "diskANN"
    }
  ]
}

{
  "indexingMode": "consistent",
  "automatic": true,
  "includedPaths": [
    {
      "path": "/*"
    }
  ],
  "excludedPaths": [
    {
      "path": "/_etag/?"
    },
    {
      "path": "/vector1/*",
    },
    {
      "path": "/vector2/*",
    }
  ],
  "vectorIndexes": [
    {
      "path": "/vector1",
      "type": "quantizedFlat"
    },
    {
      "path": "/vector2",
      "type": "diskANN"
    }
  ]
}

量化方法

此外，还可以直接在对象中 vectorIndexes 指定量化方法。 Cosmos DB 支持两种量化方法： product默认方法和 spherical （在公共预览版中），该方法可能会表现出更好的性能特征，包括更快的索引时间和更高的召回率。可以使用对象中的quantizerType属性指定vectorIndexes量化方法，如下所示：

{
  "vectorIndexes": [
    {
      "path": "/vector1",
      "type": "diskANN",
      "quantizerType": "spherical"
    }
  ]
}

重要

矢量策略或向量索引目前不支持通配符（*， []）。

使用查询进行矢量搜索 `VECTORDISTANCE`

创建具有所需向量策略的容器，并将矢量数据插入到容器中后，可以使用查询中的内置 VECTORDISTANCE 函数执行矢量搜索。一个NoSQL查询示例，将相似性分数作为别名score进行投影，并按相似程度从高到低排序：

SELECT TOP 10
  c.title,
  VECTORDISTANCE(c.contentVector, [1,2,3]) AS score 
FROM
  container c
ORDER BY
  VECTORDISTANCE(c.contentVector, [1,2,3])

重要

始终在查询的 TOP N 语句中使用 SELECT 子句。否则，矢量搜索会尝试返回更多结果，导致查询花费的请求单位数（RU）多，延迟比必要时间高。

反馈

此页面是否有帮助？

Last updated on 2026-04-14