VECTOR_SEARCH（Transact-SQL）

适用于： SQL Server 2025 （17.x）Azure SQL 数据库Azure SQL 托管实例Microsoft Fabric 中的 SQL 数据库

使用近似相邻向量搜索算法搜索类似于给定查询矢量的矢量。 若要详细了解矢量索引和矢量搜索的工作原理，以及精确搜索和近似搜索之间的差异，请参阅 SQL 数据库引擎中的矢量搜索和矢量索引。

重要

为了获得最佳性能并访问最新的矢量搜索功能，请使用使用最新版本创建的矢量索引。 有关升级现有索引和比较版本的更多信息，请参见 CREATE VECTOR INDEX ——将向量索引升级到最新版本。

功能可用性

• 向量索引和VECTOR_SEARCH通常（GA）在Azure SQL 数据库中可用，SQL数据库在Microsoft Fabric，Azure SQL 托管实例始终 up-to日期更新策略。
• 向量索引是VECTOR_SEARCH2025 SQL Server（17.x）和SQL Server 2025更新政策Azure SQL 托管实例预览功能。

警告

弃用通知： TOP_N 参数已 VECTOR_SEARCH 弃用，仅为了向后兼容早期版本向量索引而保留。 新的实现应改用 SELECT TOP (N) WITH APPROXIMATE 语法。 有关详细信息，请参阅 语法。

SQL Server 2025 预览功能

在 SQL Server 2025 和 SQL Server 2025更新策略中的 Azure SQL 托管实例 中，矢量索引和VECTOR_SEARCH函数处于预览阶段，可能会有变更。 若要使用此功能，必须启用 PREVIEW_FEATURES数据库范围的配置。

注释

向量索引的最新版本支持Azure SQL 数据库，SQL 数据库支持，Microsoft Fabric 版本，Azure SQL 托管实例 支持始终up-to日期更新策略。

最新矢量索引的关键增强功能

使用最新版本创建的矢量索引引入了重要的增强功能：

• 完全 DML 支持：删除在创建索引后使矢量索引表只读的先前限制。 你现在可以在保持向量索引功能的同时，通过INSERT自动、实时的索引维护执行 、 UPDATE、 DELETEMERGE 和 操作
• 迭代过滤：子句中的 WHERE 谓词在向量搜索过程中应用，而非检索后
• 优化器驱动：查询优化器根据查询特征自动确定是使用 DiskANN 索引还是 kNN 搜索
• 高级量化：矢量量化技术已集成，可提供更好的存储效率和更快的查询性能，这些优化对用户而言是透明的

Syntax

Transact-SQL 语法约定

使用最新版本的矢量索引：

重要

查询使用最新矢量索引版本的表时，近似矢量搜索必须使用 TOP (N) APPROXIMATE 语法。 这一语法要求表明查询明确要求近似最近邻结果。

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;

使用早期版本矢量索引：

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 ]

重要

最新版本矢量索引不支持此参数 TOP_N 。 使用上面所示的 SELECT TOP (N) WITH APPROXIMATE 语法。 有关详细信息，请参阅 使用旧语法时出错。

Arguments

TABLE = 对象 [AS source_table_alias]

执行搜索的表。 它必须是基表。 不支持视图、临时表（本地表和全局表）。

列 = vector_column

在其中执行搜索的向量列。 该列必须是 矢量 数据类型。

SIMILAR_TO = query_vector

用于搜索的向量。 它必须是 矢量 类型的变量或列。

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

用于计算查询向量与指定列中矢量之间的距离的距离指标。 仅当找到与同一个指标和同一列匹配的 ANN 索引时，才使用 ANN（近似近邻）索引。 如果没有兼容的 ANN 索引，则会引发警告，并使用 kNN （最接近邻居）算法。

TOP_N = <k>

警告

此参数已弃用，仅为了向后兼容早期版本向量索引而保留。 对于最新版本的索引，请改用 SELECT TOP (N) WITH APPROXIMATE 语法。 新实现应使用最新的语法。

必须返回的最大相似向量数。 它必须是正 整数。 使用最新版本创建的矢量索引不支持此参数。

result_table_alias

别名用于引用结果集。

返回结果集

函数返回 VECTOR_SEARCH 的结果集包括：

• 参数中指定的 TABLE 表中的所有列。

• 一个名为 distance的另一列，表示参数指定的 COLUMN 列中向量与参数中 SIMILAR_TO 提供的向量之间的距离。

距离列由 VECTOR_SEARCH 函数本身生成，而所有其他列都来自参数中引用的 TABLE 表。

如果使用参数中表的 TABLE 别名，则必须使用相同的别名来引用语句中的 SELECT 列。 不能使用分配给 VECTOR_SEARCH 引用表中指定 TABLE列的别名。 如果认为通过获取表数据的输出 VECTOR_SEARCH 并合并结果集，可以更轻松地理解此行为。

如果参数中指定的 TABLE 表已包含一 distance个名为列，该行为将类似于两个共享列名称的表之间的 SQL 联接。 在这种情况下，必须使用表别名来消除列引用的歧义，否则将引发错误。

重要

该 distance 列是近似矢量搜索结果的唯一有效排序键。

Limitations

• 仅升序：列 distance 必须按升序排序（ASC）。 不支持降序（DESC）。

特定于版本的行为

行为 VECTOR_SEARCH 因矢量索引版本而异。

早期矢量索引版本

注释

这些限制仅适用于使用早期版本创建的矢量索引。 迁移到最新版本以启用迭代筛选。 请参阅 从早期矢量索引版本迁移。

仅筛选后：矢量搜索在应用任何谓词之前发生。 仅当返回最相似的向量后，才会应用其他谓词。 下面的示例返回与查询向量 @qv最相似的嵌入的前 10 行，然后应用子句中指定的 WHERE 谓词。 如果与矢量搜索返回的向量关联的 10 行中没有等于 accepted 1 的列，则结果为空。

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;

一般限制

VECTOR_SEARCH 不能在视图正文中使用。

Examples

答： 基本矢量相似性搜索

重要

查询使用最新矢量索引版本的表时，近似矢量搜索必须使用 TOP (N) WITH APPROXIMATE 语法。 这一语法要求表明查询明确要求近似最近邻结果。

以下示例查找表中与 10 个最相似的文章Pink Floyd music stylewikipedia_articles_embeddings。

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;

查询的语法取决于矢量索引版本：

矢量索引版本	语法示例
最新版本	不使用SELECT TOP (N) WITH APPROXIMATETOP_N参数
早期版本（已弃用）	在 TOP_N 函数中使用 VECTOR_SEARCH 参数

小窍门

若要确定矢量索引版本，请参阅 从早期矢量索引版本迁移。

对于早期版本索引（已弃用的语法）：

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;

注释

将 TOP_N 参数与最新版本矢量索引结合使用将返回错误 Msg 42274。 有关详细信息，请参阅“预期行为”部分中 使用旧语法时 出错。

B. 创建索引时完成工作流

使用和相关CREATE VECTOR INDEX函数的基本端到端示例VECTOR_SEARCH。 将模拟嵌入内容。 在实际方案中，嵌入使用嵌入模型和 AI_GENERATE_EMBEDDINGS或 OpenAI SDK 等外部库生成。

注释

在创建索引之前，最新版本矢量索引至少需要 100 行数据。 此示例插入 100 行以满足此要求。 有关详细信息，请参阅 最低数据要求。

以下代码块演示 VECTOR_SEARCH 了具有模拟嵌入的函数：

1. 启用预览功能（仅适用于 SQL Server 2025;在 Fabric 中不需要 Azure SQL 数据库或 SQL 数据库）。
2. 使用数据类型dbo.Articles的列embedding创建示例表。
3. 使用模拟嵌入数据插入 100 行示例数据。
4. 在 . 上 dbo.Articles.embedding创建向量索引。
5. 使用函数演示矢量相似性搜索 VECTOR_SEARCH 。

-- 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;

查询的语法取决于矢量索引版本：

矢量索引版本	语法示例
最新版本	不使用SELECT TOP (N) WITH APPROXIMATETOP_N参数
早期版本（已弃用）	在 TOP_N 函数中使用 VECTOR_SEARCH 参数

对于早期版本索引（已弃用的语法）：

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. 使用迭代筛选进行矢量搜索

以下示例演示了使用最新版本矢量索引进行迭代筛选。 查询在搜索过程中应用谓词时查找类似的文章。

使用最新版本的索引时，WHERE 子句中的谓词在矢量搜索 过程中（而不是 之后）应用。 引擎一直搜索，直到找到与所有条件匹配的 5 个符合条件的行：

• 矢量类似于“机器学习算法”
• 类别等于“技术”
• 已发布状态等于 1

这可以确保获取 5 个结果（如果存在），而无需手动调整搜索参数。 有关早期版本和最新版本之间的详细比较，请参阅“预期行为”部分中的 迭代筛选行为 。

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;

注释

某些 SQL 操作（如 GROUP BY、聚合函数和窗口函数）需要子查询模式。 有关详细信息，请参阅 将矢量搜索与其他 SQL 操作组合在一起。

D. 具有 INNER JOIN 的多表联接

下面的示例演示了 INNER JOIN，并筛选了多个表。 嵌入存储在与主实体数据分开的表中时使用。

-- 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;

此示例的主要功能：

• 表别名范围： eTABLE = wikipedia_articles_embeddings AS e WHERE 子句中提供了别名，用于使用最新版本索引进行迭代筛选

预期行为

使用旧语法时出错

如果在查询具有最新版本矢量索引的表时尝试使用 TOP_N 参数 VECTOR_SEARCH ，SQL Server 将返回以下错误：

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

若要解决此错误：

1. TOP_N从VECTOR_SEARCH函数中删除参数
2. 改用 SELECT TOP (N) WITH APPROXIMATE 语法

不正确（生成最新版本索引时出错）：

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;

正确（适用于最新版本索引）：

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;

迭代筛选行为

最新版本对早期矢量索引版本进行了重大改进：

方面	早期版本	最新版本
谓词应用程序	在矢量搜索返回固定数量的近邻（仅筛选后）后应用关系谓词	关系谓词在矢量搜索过程中应用（迭代筛选）
结果完整性	如果初始最接近的邻居不满足筛选器，则查询可能会返回更少的行（或没有行），即使存在符合条件的行	查询在存在限定数据时返回预期的行数，而无需手动优化或查询重写
TOP （N） 优化	用户通常必须猜测或过度采样 TOP （N） 值来补偿筛选后	无需猜测 TOP （N） 值。 引擎搜索，直到找到足够的限定行或搜索空间耗尽
查询优化	不適用	SQL Server 自动选择最有效的执行策略，包括适当时在矢量索引查找和 kNN 扫描之间切换

有关迭代筛选的实际示例，请参阅 示例 C：使用迭代筛选进行矢量搜索。

ORDER BY 子句要求

使用 SELECT TOP (N) WITH APPROXIMATE时，ORDER BY 子句具有特定要求：

• ORDER BY 必须存在：没有 ORDER BY 子句的查询失败并出现错误。
• 仅允许距离列：ORDER BY 子句只能引用与VECTOR_SEARCH结果集之间的距离列。 包括其他列失败并出现错误。 若要按多个列排序，请使用 多个 ORDER BY 列中所述的子查询模式。
• 仅升序：距离列必须按升序排序（ASC）。 不支持降序（DESC）。

有效的 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

ORDER BY 模式无效：

-- 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

没有向量索引的行为

VECTOR_SEARCH 即使目标列上不存在矢量索引，也可以执行查询。 如果没有索引，查询将执行完整表扫描（最接近邻居 （kNN） 搜索），以计算所有行的距离。

没有 TOP WITH APPROXIMATE 的查询行为

使用 VECTOR_SEARCH 时 SELECT TOP (N) WITH APPROXIMATE，查询行为取决于是否存在 TOP 和 ORDER BY 子句：

• 无 TOP、无 ORDER BY 或 ORDER BY 非距离：计算并返回所有行的全表扫描（暴力搜索）
• TOP （无近似值）与 ORDER BY 距离：作为 kNN（最接近邻居）搜索执行，这是最接近的邻居搜索

示例 - 使用距离列进行完全扫描：

-- 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

示例 - kNN 搜索（最接近的邻居）：

-- 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

顶部带有近似，无需 VECTOR_SEARCH

在 SELECT TOP (N) WITH APPROXIMATE 查询中使用不 VECTOR_SEARCH 带函数会导致错误。 该 WITH APPROXIMATE 子句要求存在函数 VECTOR_SEARCH 。

不正确 - 此查询失败：

-- 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);

正确 - 使用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;

TRUNCATE TABLE 限制

不能使用 TRUNCATE TABLE 截断具有矢量索引的表。 若要从矢量索引表中删除所有数据，

1. 删除向量索引
2. 截断表
3. 使用至少 100 行重新填充表
4. 重新创建向量索引

示例工作流：

-- 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');

矢量搜索的表提示

可以将表提示与函数一起使用 VECTOR_SEARCH 来控制查询执行行为。 表 FORCE_ANN_ONLY 提示强制查询优化器仅使用近似近邻 （ANN） 索引，即使优化器可能选择其他执行策略也是如此。

语法：

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

Example:

以下示例强制对矢量搜索查询使用近似近邻索引：

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;

如果要确保查询使用近似近邻索引策略，则使用 FORCE_ANN_ONLY ，替代优化器的自动策略选择。

注释

使用 FORCE_ANN_ONLY 需要两者：

• 目标列上的向量索引
• SELECT TOP (N) WITH APPROXIMATE 查询中的

如果缺少任一要求，查询将失败，因为它无法使用提示强制的近似邻近策略。

将矢量搜索与其他 SQL 操作组合在一起

VECTOR_SEARCH具有TOP (N) WITH APPROXIMATE其用法的特定要求的函数。 某些 SQL 操作可以直接用于矢量搜索，而另一些操作则需要子查询模式。

需要子查询模式的操作

如果需要执行不直接兼容的 TOP (N) WITH APPROXIMATE操作，请在子查询（内部查询）中使用矢量搜索，然后在外部查询中应用操作。 此模式维护近似矢量搜索的性能优势，同时启用完整的 SQL 功能。

小窍门

子查询模式适用于无法直接与 TOP (N) WITH APPROXIMATE.. 在内部查询中应用矢量搜索，然后在外部查询中使用任何 SQL 操作。

常见场景

下表列出了需要子查询模式的操作：

运算	示例用例
按组汇总	计算每个类别的统计信息
聚合函数	结果之间的总体 COUNT、AVG、MIN、MAX
窗口函数	ROW_NUMBER、RANK、DENSE_RANK、NTILE
设置运算	UNION、UNION ALL、EXCEPT、INTERSECT
多个 ORDER BY 列	按距离排序，然后按日期或标题排序
独特	删除重复的结果
交叉应用	从外部表应用每行矢量搜索

GROUP BY 和聚合函数

以下示例按类别查找最匹配项目的平均距离。 对于此示例，已将列 category 添加到 wikipedia_articles 表中以对项目进行分类。

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;

窗口函数

以下示例按相似性对文章进行排名，并分配四分位数。

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;

设置操作（UNION、INTERSECT、EXCEPT）

以下示例使用 UNION 合并两个不同的搜索查询的结果。

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;

独特

以下示例从最匹配的文章中获取不同的类别。

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;

多个 ORDER BY 列

以下示例按距离排序，然后按标题进行关联。

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;

交叉应用

使用SELECT TOP (N) WITH APPROXIMATEVECTOR_SEARCH时，不能使用CROSS APPLY或OUTER APPLY在同一FROM子句中使用。 即使函数中 VECTOR_SEARCH 没有外部引用，也是如此。

具有 CROSS APPLY 逻辑的查询将执行多个矢量搜索（外部表中每行一行），并将所有结果合并到单个有序流中。 近似近邻算法无法有效地合并多个独立矢量搜索的结果，同时保持近似保证和性能特征。

生成错误的模式：

-- 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;

此模式尝试查找每个订单的客户首选项的类似产品，但不能使用近似矢量搜索计划执行。

建议的模式：

若要获得类似的结果，请使用本身中的TOP (N) WITH APPROXIMATE子查询CROSS APPLY：

-- 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';

在此模式中：

• 每个矢量搜索仅限于子查询中的前 10 个结果
• 外部查询不使用 WITH APPROXIMATE
• 结果在外部表中按行正确限定范围

直接工作的操作

无需子查询即可直接 VECTOR_SEARCH 使用以下操作：

• INNER JOIN - 请参阅 示例 D：具有 INNER JOIN 的多表联接
• WHERE 谓词 - 应用迭代或筛选后
• 单个 ORDER BY 距离

相关内容

• SQL 数据库引擎中的矢量搜索和矢量索引
• 矢量数据类型
• CREATE VECTOR INDEX （Transact-SQL）
• sys.dm_db_vector_indexes（Transact-SQL）
• Azure SQL 数据库矢量搜索示例