VECTOR_SEARCH （Transact-SQL） （預覽）

適用於： SQL Server 2025 （17.x） Azure SQL DatabaseSQL database in Microsoft Fabric

使用近似最近鄰向量搜尋演算法搜尋類似於指定查詢向量的向量。 若要深入瞭解向量索引和向量搜尋的運作方式，以及精確搜尋和近似搜尋之間的差異，請參閱 SQL 資料庫引擎中的向量搜尋和向量索引。

Fabric 中的 Azure SQL 資料庫和 SQL 資料庫

此功能目前仍在預覽階段。 在使用之前，請務必先查看 目前的限制 。

備註

作為預覽功能，本文所述的技術受限於 Microsoft Azure 預覽版增補使用規定。

這很重要

為了達到最佳效能並使用最新的向量搜尋功能，請使用最新版本建立的向量索引。 欲了解更多關於升級現有索引及比較版本的資訊，請參見 CREATE VECTOR INDEX - 將向量索引升級至最新版本。

區域可用性

此功能已部署於 Azure SQL 資料庫及 Microsoft Fabric 中的 SQL 資料庫。 在推出期間，可用性與行為可能因地區及指數版本而異。 如果某個功能或語法無法使用，部署完成時會自動啟用。 有關目前區域可用性狀況，請參見 「各區域功能可用性」。

警告

棄用通知： TOP_N 該 VECTOR_SEARCH 參數已棄用，僅為了向後相容早期版本的向量索引而維護。 新的實作應該改用 SELECT TOP (N) WITH APPROXIMATE 語法。 欲了解更多資訊，請參閱 語法。

SQL Server 2025 預覽功能

在 SQL Server 2025 中，此函式仍處於預覽階段，可能會有所變動。 若要使用此功能，您必須啟用 PREVIEW_FEATURES資料庫範圍的組態。

在使用之前，請務必先查看 目前的限制 。

備註

目前 Vector Indexes 最新版本僅在 Azure SQL 資料庫及 Microsoft Fabric 的 SQL 資料庫中提供。

最新向量索引的重點增強

以最新版本建立的向量索引帶來了顯著的改進：

• 完整 DML 支援：移除先前限制向量索引資料表在建立索引後為唯讀的限制。 你現在可以在維持向量索引功能的同時，透過INSERT自動即時索引維護執行 、 UPDATE、 DELETEMERGE 和 操作
• 迭代過濾：WHERE 子句中的謂詞是在向量搜尋過程中套用，而非檢索後
• 優化器驅動：查詢優化器會根據查詢特性自動決定是否使用 DiskANN 索引或 kNN 搜尋
• 進階量化：已整合向量量化技術，以提升儲存效率與更快的查詢效能，這些優化對使用者來說是透明的

Syntax

Transact-SQL 語法慣例

使用最新版本的向量索引：

這很重要

查詢使用最新向量索引版本的資料表時，近似向量搜尋必須使用 TOP（N） APPROXIMATE 語法。 此語法要求表示查詢明確要求近似最近鄰結果。

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;

早期版本的向量索引：

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 ]

這很重要

最新版本的向量索引不支援此 TOP_N 參數。 請使用 SELECT TOP (N) WITH APPROXIMATE 上述語法。 欲了解更多資訊，請參閱 「使用舊有語法的錯誤」。

Arguments

TABLE = 物件 [AS source_table_alias]

執行搜尋的數據表。 它必須是基表。 不支持檢視表、本機和全域數據表。

資料行 = vector_column

執行搜尋的向量數據行。 資料行必須是 向量 資料類型。

SIMILAR_TO = query_vector

用於搜尋的向量。 它必須是 變數或向量 類型的直欄。

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

用來計算查詢向量與指定數據行中向量之間的距離度量。 只有在找到具有相同計量且位於相同數據行的相符 ANN 索引時，才會使用 ANN （近似近鄰）索引。 若無相容的人工神經網路索引，則會發出警告並使用 kNN（k-最近鄰）演算法。

TOP_N = <k>

警告

此參數已被棄用並維護，僅為了與早期版本的向量索引向下相容。 對於最新版本的索引，請改用 SELECT TOP (N) WITH APPROXIMATE 語法。 新的實作應該使用最新的語法。

必須傳回的類似向量數目上限。 它必須是正 整數。 使用此參數不支援使用最新版本建立的向量索引。

result_table_alias

別名是用來參考結果集。

傳回結果集

函數傳回的 VECTOR_SEARCH 結果集包括：

• 引數中 TABLE 指定之表格中的所有資料行。

• 名為 distance的附加直欄，代表引數所 COLUMN 指定直欄中的向量與引數中 SIMILAR_TO 提供的向量之間的距離。

距離列是由函數本身產生 VECTOR_SEARCH 的，而所有其他列則來自引數中 TABLE 引用的表。

如果您在引數中使用 TABLE 資料表的別名，則必須使用相同的別名來參照陳述式中的 SELECT 資料行。 您無法使用指派 VECTOR_SEARCH 給的別名來參考 中指定的 TABLE資料表中的資料行。 如果您想到透過取得 的 VECTOR_SEARCH 輸出並將其與資料表資料合併來建置的結果集，則此行為會更容易理解。

如果引數中 TABLE 指定的表格已包含名為 distance的直欄，則行為將類似於共用直欄名稱的兩個表格之間的 SQL 聯結。 在這種情況下，您必須使用表格別名來消除資料行參照的歧義，否則會引發錯誤。

這很重要

欄位 distance 是近似向量搜尋結果唯一有效的排序鍵。

Limitations

• 僅按升序排列：欄位 distance 必須依升序排列（ASC）。 不支援遞減順序（DESC）。

版本專屬行為

的 VECTOR_SEARCH 行為會依向量指標版本而異。

早期的向量索引版本

備註

這些限制僅適用於早期版本建立的向量索引。 遷移到最新版本以啟用迭代過濾。 請參見 從早期向量索引版本遷移。

僅在後篩選：向量搜尋在應用任何謂詞之前進行。 只有在傳回最類似的向量之後，才會套用其他述詞。 下列範例會傳回前 10 個數據列，內嵌最類似於查詢向量 @qv，然後套用 子句中指定的 WHERE 述詞。 如果與向量搜尋所傳回的向量相關聯的 10 個數據列中沒有任何數據列等於 accepted 1，則結果會是空的。

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 無法在檢視主體中使用。

Examples

答： 基本向量相似性搜尋

這很重要

查詢使用最新向量索引版本的資料表時，近似向量搜尋必須使用該 TOP (N) WITH APPROXIMATE 語法。 此語法要求表示查詢明確要求近似最近鄰結果。

以下範例列出表中最相似的 Pink Floyd music stylewikipedia_articles_embeddings 10篇文章。

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;

查詢的語法依向量索引版本而異：

向量索引版本	語法範例
最新版本	無SELECT TOP (N) WITH APPROXIMATE參數的使用TOP_N
早期版本（已棄用）	在函數中使用TOP_N參數VECTOR_SEARCH

小提示

要確定你的向量索引版本，請參見「從早期向量索引版本遷移」。

對於早期版本的索引（已棄用語法）：

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;

備註

使用帶有最新版本向量索引的 TOP_N 參數，回傳錯誤訊息 Msg 42274。 詳細資訊請參閱「預期行為」章節 中的「使用舊有語法的錯誤 」。

B. 完整的工作流程與索引建立

使用 CREATE VECTOR INDEX 和相關 VECTOR_SEARCH 函式的基本端對端範例。 內嵌會模擬。 在真實世界的案例中，內嵌是使用內嵌模型和 AI_GENERATE_EMBEDDINGS，或 OpenAI SDK 之類的外部連結庫來產生。

備註

最新版本的向量索引在建立索引前至少需要 100 列資料。 此範例插入 100 列以滿足此需求。 欲了解更多資訊，請參閱 最低數據需求。

下列程式代碼區塊示範 VECTOR_SEARCH 具有模擬內嵌的函式：

1. 啟用預覽功能（僅適用於 SQL Server 2025;Azure SQL 資料庫或 Fabric 中的 SQL 資料庫則非必需）。
2. 使用數據類型dbo.Articles的數據行embedding建立範例數據表。
3. 插入 100 列帶有模擬嵌入資料的樣本資料。
4. 在上 dbo.Articles.embedding建立向量索引。
5. 使用函式示範向量相似度搜尋 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;

查詢的語法依向量索引版本而異：

向量索引版本	語法範例
最新版本	無SELECT TOP (N) WITH APPROXIMATE參數的使用TOP_N
早期版本（已棄用）	在函數中使用TOP_N參數VECTOR_SEARCH

對於早期版本的索引（已棄用語法）：

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. 帶有迭代濾波的向量搜尋

以下範例展示了使用最新版本向量索引進行迭代過濾。 查詢在搜尋過程中套用謂詞時會找到類似的文章。

在最新版本索引中，WHERE 子句中的謂詞會在向量搜尋 過程中套用 （而非之後）。 引擎會持續搜尋，直到找到 5 列符合所有條件的合格列：

• 向量與「機器學習演算法」的相似性
• 類別等於「科技」
• 已發表狀態等於1

這樣可以確保你能得到恰好 5 個結果（如果有的話），不用手動調整搜尋參數。 欲詳細比較早期與最新版本，請參閱預期行為章節中的 迭代過濾行為 。

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;

備註

某些 SQL 操作如 GROUP BY、聚合函式和視窗函式需要子查詢模式。 詳情請參見 「結合向量搜尋與其他 SQL 操作」。

D. 多表連接與 INNER JOIN 的連結

以下範例展示了多表中INNER JOIN的過濾功能。 當嵌入資料與主實體資料分開存放時，請使用。

-- 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;

此範例的主要特點：

• 表格別名範圍：WHERE e 子句中可取得別名TABLE = wikipedia_articles_embeddings AS e，用於迭代過濾及最新版本索引

預期行為

使用舊有語法的錯誤

如果你在查詢具有最新版本向量索引的資料表時嘗試使用 TOP_N 該 VECTOR_SEARCH 參數，SQL Server 會回傳以下錯誤：

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

為了解決這個錯誤：

1. 將參數TOP_N從函數中移除VECTOR_SEARCH
2. 改用 SELECT TOP (N) WITH APPROXIMATE 語法

錯誤（使用最新版本索引產生錯誤）：

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;

正確（可使用最新版本索引）：

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;

迭代過濾行為

最新版本相較於早期的向量索引版本引入了顯著改進：

層面	早期版本	最新版本
謂詞應用	關聯謂詞是在向量搜尋回傳固定數量最近鄰（僅過濾後）後進行的	關聯謂詞是在向量搜尋過程中應用的（迭代過濾）
結果完備性	如果初始最近鄰不符合篩選條件，即使有限定列，查詢也可能回傳較少的列數——甚至沒有列	當有合格資料存在時，查詢會回傳預期的列數，無需手動調整或重寫查詢
TOP（N）調音	使用者常需猜測或過度取樣 TOP（N） 值以補償後過濾	不需要猜測 TOP （N） 值。 引擎會持續搜尋，直到找到足夠的合格列或搜尋空間用盡為止
查詢優化	不適用	SQL Server 會自動選擇最有效率的執行策略，包括在適當時切換向量索引尋道與 kNN 掃描

關於迭代過濾的實務範例，請參見 範例 C：帶有迭代過濾的向量搜尋。

依據命令條款的要求

使用 SELECT TOP (N) WITH APPROXIMATE時，ORDER BY 條款有特定要求：

• 必須包含 ORDER BY：沒有 ORDER BY 子句的查詢會因錯誤而失敗。
• 僅允許距離欄：ORDER BY 子句必須只引用VECTOR_SEARCH結果集中的距離欄。 新增欄位會因錯誤而失敗。 若要依多欄排序，請使用「 多重排序 BY」欄位中描述的子查詢模式。
• 僅按升序排列：距離欄必須依升序排列（ASC）。 不支援遞減順序（DESC）。

有效訂單由：

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

無效的 ORDER BY 模式：

-- 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

沒有向量指標的行為

VECTOR_SEARCH 即使目標欄位上沒有向量索引，也能執行查詢。 若無索引，查詢會進行完整資料表掃描（k-最近鄰（kNN）搜尋），以計算所有列的距離。

沒有 TOP WITH APPROXIATE 的查詢行為

當使用VECTOR_SEARCH沒有 SELECT TOP (N) WITH APPROXIMATE時，查詢行為取決於 和 TOP 子句的存在ORDER BY：

• 沒有 TOP、沒有 ORDER BY 或 ORDER BY 非距離：全表掃描（暴力破解搜尋），計算並回傳所有列的距離
• TOP（無近似）以 ORDER BY DISTANCE：以 kNN 搜尋（k-最近鄰）方式執行，這是一種精確最近鄰搜尋

範例 - 全掃描，距離欄：

-- 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

範例 - kNN 搜尋（精確最近鄰）：

-- 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

頂部帶有近似，無VECTOR_SEARCH

在查詢中使用 SELECT TOP (N) WITH APPROXIMATE 「沒有函式」 VECTOR_SEARCH 會產生錯誤。 該 WITH APPROXIMATE 子句要求必須存在一個 VECTOR_SEARCH 函數。

錯誤 - 此查詢失敗：

-- 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);

正確 - 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

具有向量索引的表格無法用 TRUNCATE TABLE截斷。 要從向量索引表中移除所有資料：

1. 移除向量指數
2. 截斷表格
3. 重新填充表格，至少有 100 列
4. 重建向量索引

範例工作流程：

-- 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');

向量搜尋的表格提示

你可以用表格提示來 VECTOR_SEARCH 控制查詢執行行為。 FORCE_ANN_ONLY表格提示會強制查詢優化器只使用近似最近鄰（ANN）索引，即使優化器可能會選擇不同的執行策略。

Syntax:

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

範例：

以下範例強制使用向量搜尋查詢的近似最近鄰索引：

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;

當你想確保查詢使用近似最近鄰索引策略，並覆蓋優化器的自動策略選擇時，請使用 FORCE_ANN_ONLY 。

備註

使用 FORCE_ANN_ONLY 需要以下兩種條件：

• 目標欄位上的向量索引
• SELECT TOP (N) WITH APPROXIMATE 在查詢中

若缺少任一需求，查詢失敗，因為無法使用提示強制的近似最近鄰策略。

結合向量搜尋與其他 SQL 操作

VECTOR_SEARCH該TOP (N) WITH APPROXIMATE函數對其使用有特定要求。 有些 SQL 操作可以直接搭配向量搜尋使用，而有些則需要子查詢模式。

需要子查詢模式的操作

當你需要執行與子查詢不直接相容 TOP (N) WITH APPROXIMATE的操作時，請在子查詢（內查詢）中使用向量搜尋，然後在外部查詢中套用你的操作。 此模式在實現完整 SQL 功能的同時，仍維持近似向量搜尋的效能優勢。

小提示

子查詢模式適用於任何無法直接與 結合的 TOP (N) WITH APPROXIMATE操作。 在內層查詢中套用向量搜尋，然後在外層查詢中使用任何 SQL 操作。

常見場景

下表列出需要子查詢模式的操作：

運算	使用案例範例
分組依據	計算各類別統計數據
聚合函數	整體計數、平均、最小、最大成績
視窗函數	ROW_NUMBER、RANK、DENSE_RANK、NTILE
設定作業	聯合、聯合、全部、除、交集
多重 ORDER BY 欄位	先依距離排序，再依日期或標題排序
獨特的	移除重複結果
交叉申請	從外表每列應用向量搜尋

GROUP BY 與彙總函數

以下範例計算了各類別頂尖匹配條目的平均距離。 在此範例中，表格中新增category了一個wikipedia_articles欄位用於分類條目。

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;

視窗函數

以下範例依相似度排名文章並分配四分位數。

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;

集合運算（UNION、INTERSECT、EXCEPT）

以下範例結合了使用 UNION 兩個不同搜尋查詢的結果。

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;

獨特的

以下範例從頂尖匹配條目中獲得不同類別。

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;

多重 ORDER BY 欄位

以下範例依距離排序，接著依標題排序平手。

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;

交叉申請

使用 SELECT TOP (N) WITH APPROXIMATE 時 VECTOR_SEARCH，不能使用 CROSS APPLY 或 OUTER APPLY 在同一句中 FROM 。 即使函數中 VECTOR_SEARCH 沒有外部參考，這也適用。

查詢 邏輯 CROSS APPLY 上會執行多個向量搜尋（從外表每列一次），並將所有結果合併成一個有序的串流。 近似最近鄰演算法無法在維持近似保證與效能特性的同時，有效合併多個獨立向量搜尋的結果。

產生錯誤的模式：

-- 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;

此模式嘗試尋找符合每個訂單顧客偏好的相似產品，但無法用近似向量搜尋計畫執行。

推薦的圖案：

要達到類似效果，可以使用一個子查詢，其中 TOP (N) WITH APPROXIMATE 包含 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';

在這個模式中：

• 每個向量搜尋僅限於子查詢中排名前十的結果
• 外部查詢不使用 WITH APPROXIMATE
• 結果會從外表的每一列正確範圍

直接運作的操作

以下操作可直接使用 ， VECTOR_SEARCH 無需子查詢：

• INNER JOIN -參見 範例 D：多表與 INNER JOIN 的連接
• WHERE 謂詞 - 應用迭代或後過濾
• 單次按距離排序

相關內容

• SQL 資料庫引擎中的向量搜尋和向量索引
• Vector 資料類型
• CREATE VECTOR INDEX （Transact-SQL）（預告）
• sys.dm_db_vector_indexes（Transact-SQL）
• Azure SQL Database 向量搜尋範例