共用方式為

Azure OpenAI 內嵌技能

  • 發行項

Azure OpenAI 內嵌技能連線到 Azure OpenAI 資源上已部署的內嵌模型，以在技能執行期間產生內嵌。 您的數據會在部署模型的地理位置中處理。

Azure 入口網站中的匯入和向量化資料精靈會使用 Azure OpenAI 內嵌技能將內容向量化。 您可以執行精靈並檢閱產生的技能集，以查看精靈如何建置內嵌模型的技能。

注意

此技能會繫結至 Azure OpenAI，並以現有的 Azure OpenAI 隨用隨付價格計費。

@odata.type

Microsoft.Skills.Text.AzureOpenAIEmbeddingSkill

資料限制

文字輸入的大小上限應為 8,000 個權杖。 如果輸入超過允許的最大值，則模型會擲回無效的要求錯誤。 如需詳細資訊，請參閱 Azure OpenAI 文件中的權杖金鑰概念。 如果您需要資料區塊處理，請考慮使用文字分割技能。

技能參數

這些參數會區分大小寫。

輸入 描述
resourceUri 在此案例中，模型提供者的URI是 Azure OpenAI 資源。 此參數僅支援具有網域 openai.azure.com的網址，例如 https://<resourcename>.openai.azure.com。 如果 Azure OpenAI 端點具有具有網域cognitiveservices.azure.com的 URL，例如 https://<resourcename>.cognitiveservices.azure.com，則必須先為 Azure OpenAI 資源建立自定義子域openai.azure.com，並改用 https://<resourcename>.openai.azure.com 。
apiKey 用於存取模型的祕密金鑰。 如果您提供金鑰，請將 authIdentity 保留空白。 如果您同時設定 apiKey 和 authIdentity，則會在連線上使用 apiKey。
deploymentId 已部署的 Azure OpenAI 內嵌模型名稱。 此模型應該是內嵌模型，例如 text-embedding-ada-002。 如需支援的模型，請參閱 OpenAI 模型清單。
authIdentity 搜尋服務用來連線到 Azure OpenAI 的使用者受控識別。 您可以使用系統或使用者受控的識別。 若要使用系統管理的身分識別，請將 apiKey 和 authIdentity 保留空白。 自動使用系統管理的身分識別。 受控識別必須具有認知服務 OpenAI 使用者權限，才能將文字傳送至 Azure OpenAI。
modelName 如果您的技能集是使用 2024-05-01-preview 或 2024-07-01 REST API 建立，則需要此屬性。 將此屬性設定為 Azure OpenAI 內嵌模型部署在透過 resourceUri 指定的提供者上、並透過 deploymentId 識別的部署名稱。 目前支援的值為 text-embedding-ada-002、text-embedding-3-large 和 text-embedding-3-small。
dimensions (選擇性，於 2024-05-01-preview REST API 中引進)。 您要產生的內嵌維度 (如果模型支援減少內嵌維度)。 支援的範圍如下所列。 如果未指定，則預設為每個模型的最大維度。 針對使用 2023-10-01-preview 建立的技能，維度會固定在 1536。

modelName 支援的維度

Azure OpenAI 內嵌技能的支援維度取決於所設定的 modelName。

modelName 最小維度 最大維度
text-embedding-ada-002 1536 1536
text-embedding-3-large 1 3072
text-embedding-3-small 1 1536

技能輸入

輸入 描述
text 要向量化的輸入文字。 如果您使用資料區塊處理，來源可能是 /document/pages/*。

技能輸出

輸出 描述
embedding 輸入文字的向量化內嵌。

範例定義

請考慮具有下列欄位的記錄：

{
    "content": "Microsoft released Windows 10."
}

然後您的技能定義看起來可能會像這樣：

{
  "@odata.type": "#Microsoft.Skills.Text.AzureOpenAIEmbeddingSkill",
  "description": "Connects a deployed embedding model.",
  "resourceUri": "https://my-demo-openai-eastus.openai.azure.com/",
  "deploymentId": "my-text-embedding-ada-002-model",
  "modelName": "text-embedding-ada-002",
  "dimensions": 1536,
  "inputs": [
    {
      "name": "text",
      "source": "/document/content"
    }
  ],
  "outputs": [
    {
      "name": "embedding"
    }
  ]
}

範例輸出

針對指定的輸入文字，會產生向量化內嵌輸出。

{
  "embedding": [
        0.018990106880664825,
        -0.0073809814639389515,
        .... 
        0.021276434883475304,
      ]
}

輸出位於記憶體中。 若要將此輸出傳送至搜尋索引中的欄位，您必須定義 outputFieldMapping，將向量化內嵌輸出 (這是陣列) 對應至向量欄位。 假設技能輸出位於文件的內嵌節點，且 content_vector 是搜尋索引中的欄位，索引子中的 outputFieldMapping 看起來應該會像這樣：

  "outputFieldMappings": [
    {
      "sourceFieldName": "/document/embedding/*",
      "targetFieldName": "content_vector"
    }
  ]

最佳作法

以下是使用此技能時所需考量的一些最佳做法：

  • 如果您達到 Azure OpenAI TPM (每分鐘權杖數) 限制，請考慮配額限制諮詢，以便據以處理。 如需 Azure OpenAI 執行個體效能的詳細資訊，請參閱 Azure OpenAI 監視文件。

  • 您用於此技能的 Azure OpenAI 內嵌模型部署應與用於其他使用案例的部署分開，包括查詢向量化工具。 這可協助每個部署針對其特定使用案例量身打造，進而使效能最佳化，並輕鬆地識別來自索引子和索引內嵌呼叫的流量。

  • 您的 Azure OpenAI 執行個體應該位於相同區域，或至少在地理上與 AI 搜尋服務裝載所在的區域相近。 這可減少延遲，並改善服務之間的資料傳輸速率。

  • 如果您的預設 Azure OpenAI TPM (每分鐘權杖數) 限制 (如配額與限制文件中所發佈) 大於預設，請向 Azure AI 搜尋服務小組開啟支援案例，因此可據以調整。 這可協助您的編製索引程序不會因記載的預設 TPM 限制而不必要地變慢 (如果您的限制較高)。

  • 如需使用此技能的範例和運作程式碼範例，請參閱下列連結：

錯誤和警告

Condition 結果
Null 或無效的 URI 錯誤
Null 或無效的 deploymentID 錯誤
文字是空的 警告
文字大於 8,000 個權杖 錯誤

另請參閱