VECTOR_SEARCH （Transact-SQL）（預覽）

適用於： SQL Server 2025 （17.x） Azure SQL Database SQL 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。

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。

Syntax

Transact-SQL 語法慣例

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 ]

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。如果沒有相容的 ANN 索引，則會引發警告，並使用 KNN （k-Nearest Neighbor）演算法。

TOP_N = <k>

必須傳回的類似向量數目上限。它必須是正整數。

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。

Limitations

目前的預覽有下列限制：

僅後置過濾器

向量搜尋會在套用任何述詞之前發生。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;

VECTOR_SEARCH無法在檢視中使用

VECTOR_SEARCH 無法在檢視主體中使用。

Examples

範例 1

下列範例會尋找 10 個與資料表中 Pink Floyd music style 最類似的文章wikipedia_articles_embeddings。

DECLARE @qv VECTOR(1536) = AI_GENERATE_EMBEDDING(N'Pink Floyd music style' USE MODEL Ada2Embeddings);

SELECT TOP (10) s.id,
                s.title,
                r.distance
FROM VECTOR_SEARCH(
        TABLE = [dbo].[wikipedia_articles_embeddings] as t,
        COLUMN = [content_vector],
        SIMILAR_TO = @qv,
        METRIC = 'cosine',
        TOP_N = 10
    ) AS s
ORDER BY s.distance

範例 2

與範例 1 相同，但這次查詢向量取自另一個數據表，而不是變數。

CREATE TABLE #t
(
    id INT,
    q NVARCHAR (MAX),
    v VECTOR(1536)
);

INSERT INTO #t
SELECT id,
       q,
       AI_GENERATE_EMBEDDINGS(q USE MODEL Ada2Embeddings)
FROM (VALUES (1, N'four legged furry animal'),
             (2, N'pink floyd music style')
     ) AS S(id, q);

SELECT TOP (10) t.id,
                s.distance,
                t.title
FROM #t AS qv
    CROSS APPLY VECTOR_SEARCH(
        TABLE = [dbo].[wikipedia_articles_embeddings] AS t,
        COLUMN = [content_vector],
        SIMILAR_TO = qv.v,
        METRIC = 'cosine',
        TOP_N = 10
    ) AS s
WHERE qv.id = 2
ORDER BY s.distance;

範例 3

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。

下列程式代碼區塊示範 VECTOR_SEARCH 具有模擬內嵌的函式：

啟用目前預覽中必要的追蹤旗標。
使用數據類型dbo.Articles的數據行embedding建立範例數據表。
使用模擬內嵌數據插入範例數據。
在上 dbo.Articles.embedding建立向量索引。
使用函式示範向量相似度搜尋 VECTOR_SEARCH 。

-- Step 0: Enable Preview Feature
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
INSERT INTO Articles (id, title, content, embedding)
VALUES (1, 'Intro to AI', 'This article introduces AI concepts.', '[0.1, 0.2, 0.3, 0.4, 0.5]'),
       (2, 'Deep Learning', 'Deep learning is a subset of ML.', '[0.2, 0.1, 0.4, 0.3, 0.6]'),
       (3, 'Neural Networks', 'Neural networks are powerful models.', '[0.3, 0.3, 0.2, 0.5, 0.1]'),
       (4, 'Machine Learning Basics', 'ML basics for beginners.', '[0.4, 0.5, 0.1, 0.2, 0.3]'),
       (5, 'Advanced AI', 'Exploring advanced AI techniques.', '[0.5, 0.4, 0.6, 0.1, 0.2]');
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)
    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
    ) AS s
ORDER BY s.distance, t.title;

意見反應

此頁面對您有幫助嗎？

Last updated on 2025-11-20