向量搜尋

發行項
10/22/2024

警告

Azure Cosmos DB 向量搜尋目前為預覽版。因此，使用 EF 的向量搜尋 API 會產生必須隱藏的「實驗 API」警告 (EF9103)。未來 API 和相關功能可能會有中斷式變更。

Azure Cosmos DB 目前提供向量相似性搜尋的預覽版支援。向量搜尋是某些應用程式類型的基本部分，包括 AI、語意搜尋等。 Azure Cosmos DB 可讓您將向量直接儲存在文件的其餘數據中，這表示您可以針對單一資料庫執行所有查詢。這可大幅簡化您的架構，並移除堆疊中額外專用向量資料庫解決方案的需求。若要深入瞭解 Azure Cosmos DB 向量搜尋，請參閱檔。

若要使用向量搜尋，您必須先註冊預覽版功能。然後，在您的容器上定義向量原則，以識別檔中的 JSON 屬性包含這些屬性的向量和向量相關信息（維度、數據類型、距離函式）。

正確設定容器之後，請在您於容器原則中所定義的路徑將向量屬性新增到模型，並以 EF 將它設為向量：

public class Blog
{
    ...

    public float[] Vector { get; set; }
}

public class BloggingContext
{
    ...

    protected override void OnModelCreating(ModelBuilder modelBuilder)
    {
        modelBuilder.Entity<Blog>()
            .Property(b => b.Embeddings)
            .IsVector(DistanceFunction.Cosine, dimensions: 1536);
    }
}

此時您的模型已完成設定。使用 EF 插入向量資料的方式，就和任何其他資料類型一樣：

float[] vector = /* generate vector data from text, image, etc. */
context.Add(new Blog { Vector = vector });
await context.SaveChangesAsync();

最後，在 LINQ 查詢使用 EF.Functions.VectorDistance() 函式執行向量相似性搜尋：

float[] anotherVector = /* generate vector data from text, image, etc. */
var blogs = await context.Blogs
    .OrderBy(s => EF.Functions.VectorDistance(s.Vector, anotherVector))
    .Take(5)
    .ToListAsync();

它會根據其 Vector 屬性的相似性和外部提供的 anotherVector 資料，傳回前五個部落格。

共用方式為

向量搜尋

其他資源