本文說明如何建立向量資料、索引資料，然後查詢容器中的資料。
使用向量索引和搜尋之前，您必須先在適用於 NoSQL 的 Azure Cosmos DB 中啟用向量搜尋。 設定向量搜尋的 Azure Cosmos DB 容器之後，您可以建立向量內嵌原則。 接下來，您將向量索引新增至容器索引政策。 然後，您可以建立具有向量索引和向量內嵌政策的容器。 最後，您對儲存的資料執行向量搜尋。
先決條件
- 現有的 Azure Cosmos DB for NoSQL 帳戶。
- 若還沒有 Azure 訂閱，您可以建立免費帳戶。
- 如果您有現有的 Azure 訂用帳戶，請建立新的 Azure Cosmos DB for NoSQL 帳戶。
- 最新版本的 Azure Cosmos DB Python SDK。
啟用此功能
若要啟用適用於 NoSQL 的 Azure Cosmos DB 向量搜尋，請遵循下列步驟：
- 移至適用於 NoSQL 的 Azure Cosmos DB 資源頁面。
- 在左窗格的 [設定] 底下，選取 [功能]。
- 選取 NoSQL API 的向量搜尋。
- 閱讀該功能的說明以確認您要啟用它。
- 選取 [啟用] 以在適用於 NoSQL 的 Azure Cosmos DB 中開啟向量搜尋。
秘訣
或者，使用 Azure CLI 來更新帳戶的功能，以支援適用於 NoSQL 的 Azure Cosmos DB 向量搜尋。
az cosmosdb update \
--resource-group <resource-group-name> \
--name <account-name> \
--capabilities EnableNoSQLVectorSearch
註冊要求會自動核准，但可能需要 15 分鐘才能生效。
了解向量搜尋所涉及的步驟
下列步驟假設您知道如何 設定適用於 NoSQL 的 Azure Cosmos DB 帳戶並建立資料庫。 現有容器目前不支援向量搜尋功能。 您需要建立一個新容器。 建立容器時，您可以指定容器層級向量內嵌政策和向量索引政策。
讓我們舉個例子，說明如何為基於互聯網的書店創建數據庫。 您想要儲存每本書的標題、作者、ISBN 和描述資訊。 您也需要定義下列兩個屬性，以包含向量內嵌：
- 此
contentVector屬性包含從書籍的文字內容產生的 文字內嵌 。 例如，在建立內嵌之前，您可以串連title、author、isbn和description內容。 - 該
coverImageVector屬性是根據 書籍封面的圖像生成的。
若要執行向量搜尋，請：
- 針對您要執行向量搜尋的欄位建立和儲存向量內嵌。
- 指定向量內嵌原則中的向量內嵌路徑。
- 在容器的索引政策中包含您想要的任何向量索引。
對於本文的後續章節，請參考容器中的儲存項目的下列結構：
{
"title": "book-title",
"author": "book-author",
"isbn": "book-isbn",
"description": "book-description",
"contentVector": [2, -1, 4, 3, 5, -2, 5, -7, 3, 1],
"coverImageVector": [0.33, -0.52, 0.45, -0.67, 0.89, -0.34, 0.86, -0.78]
}
為您的容器建立向量內嵌政策
現在您需要定義容器向量政策。 此原則提供可用來通知 Azure Cosmos DB 查詢引擎如何處理系統函式中的 VectorDistance 向量屬性的資訊。 如果您選擇指定向量索引政策，此政策也會提供必要資訊給向量索引政策。
下列資訊包含在容器向量原則中：
| 參數 | Description |
|---|---|
path |
包含向量的屬性路徑。 |
datatype |
向量元素的類型。 預設值為 Float32。 |
dimensions |
路徑中每個向量的長度。 預設值為 1536。 |
distanceFunction |
用來計算距離/相似性的計量。 預設值為 Cosine。 |
對於具有書籍詳細資訊的範例，向量政策可能類似下列範例：
vector_embedding_policy = {
"vectorEmbeddings": [
{
"path": "/coverImageVector",
"dataType": "float32",
"distanceFunction": "dotproduct",
"dimensions": 8
},
{
"path": "/contentVector",
"dataType": "float32",
"distanceFunction": "cosine",
"dimensions": 10
}
]
}
在索引原則中建立向量索引
決定向量內嵌路徑之後，您必須將向量索引新增至索引原則。 索引原則看起來類似下列範例：
indexing_policy = {
"includedPaths": [
{
"path": "/*"
}
],
"excludedPaths": [
{
"path": "/\"_etag\"/?",
"path": "/coverImageVector/*",
"path": "/contentVector/*"
}
],
"vectorIndexes": [
{"path": "/coverImageVector",
"type": "quantizedFlat"
},
{"path": "/contentVector",
"type": "quantizedFlat"
}
]
}
重要事項
向量路徑將被新增至索引原則的excludedPaths區段，以確保插入時的最佳化效能。 若未新增向量路徑至 excludedPaths，會導致向量插入的要求單位費用和延遲較高。
目前，適用於 NoSQL 的 Azure Cosmos DB 中的向量搜尋僅支援新的容器。 建立容器時，您需要同時設定容器向量政策和任何向量索引政策，因為您稍後無法修改它。
使用向量原則建立容器
目前，只有新容器支援適用於 NoSQL 的 Azure Cosmos DB 向量搜尋功能。 當您建立容器時，您會套用向量政策。 您稍後無法修改原則。
try:
container = db.create_container_if_not_exists(
id=CONTAINER_NAME,
partition_key=PartitionKey(path='/id'),
indexing_policy=indexing_policy,
vector_embedding_policy=vector_embedding_policy)
print('Container with id \'{0}\' created'.format(id))
except exceptions.CosmosHttpResponseError:
raise
執行向量相似性搜尋查詢
使用您想要的向量政策建立容器並將向量資料插入容器之後，請在查詢中使用 VectorDistance 系統函數來執行向量搜尋。
假設您想通過查看描述來搜索有關食物食譜的書籍。 您必須先取得查詢文字的內嵌。 在此情況下，您可能想要產生查詢文字 food recipe的內嵌。 取得搜尋查詢的內嵌之後，您可以在向量搜尋查詢的函式中 VectorDistance 使用它，以取得與您的查詢類似的所有項目：
SELECT TOP 10 c.title, VectorDistance(c.contentVector, [1,2,3,4,5,6,7,8,9,10]) AS SimilarityScore
FROM c
ORDER BY VectorDistance(c.contentVector, [1,2,3,4,5,6,7,8,9,10])
此查詢會擷取書籍標題，以及與您查詢相關的相似度分數。 以下是 Python 中的範例：
query_embedding = [1,2,3,4,5,6,7,8,9,10]
# Query for items
for item in container.query_items(
query='SELECT c.title, VectorDistance(c.contentVector,@embedding) AS SimilarityScore FROM c ORDER BY VectorDistance(c.contentVector,@embedding)',
parameters=[
{"name": "@embedding", "value": query_embedding}
],
enable_cross_partition_query=True):
print(json.dumps(item, indent=True))