快速入门：在 Azure 门户中使用代理检索

注释

此功能目前处于公开预览状态。此预览版未随附服务级别协议，建议不要用于生产工作负载。某些功能可能不受支持或者受限。有关详细信息，请参阅适用于 Azure 预览版的补充使用条款。

在本快速入门中，你将在 Azure 门户中使用代理检索来创建对话搜索体验，该体验由 Azure AI 搜索中索引的文档和来自 Foundry 模型中的 Azure OpenAI 的大型语言模型（LLM）提供支持。

门户指导你完成创建以下对象的过程：

一个知识源，引用 Azure Blob 存储中的容器。创建 Blob 知识源时，Azure AI 搜索会自动生成索引和其他管道对象来引入和扩充内容以进行代理检索。
使用代理检索来推断基础信息需求、规划和执行子查询的 知识库 ，并使用可选的答案合成输出模式构建自然语言答案。

之后，通过提交需要来自多个文档的信息并查看合成答案的复杂查询来测试知识库。

重要

门户现在为知识来源和知识库使用 2025-11-01-preview 版 REST API。如果以前在门户中创建了代理检索对象，则这些对象使用 2025-08-01-preview，并且可能会发生重大更改。建议尽快迁移现有对象和代码。

先决条件

拥有有效订阅的 Azure 帐户。免费创建帐户。
在任何提供主动检索的区域中使用Azure AI 搜索服务。
Azure Blob 存储帐户。

支持的 LLM

尽管代理检索以编程方式支持多个 LLM，但门户目前支持以下 LLM：

gpt-4o
gpt-4o-mini
gpt-5
gpt-5-mini
gpt-5-nano

配置访问权限

在开始之前，请确保你有权访问内容和操作。我们建议使用 Microsoft Entra ID 进行身份验证，并使用基于角色的访问控制进行授权。你必须是 所有者 或 用户访问管理员 才能分配角色。如果角色设置不可行，请改用基于密钥的身份验证方式。

若要配置本快速入门的访问权限，请选择以下每个选项卡。

Azure AI 搜索
Azure Blob 存储服务

Azure AI 搜索提供代理检索管道。配置自己和搜索服务的访问权限，以读取和写入数据、与其他 Azure 服务交互以及运行管道。

在 Azure AI 搜索服务上：

启用基于角色的访问。
配置系统分配的托管标识。
将以下角色分配给自己。
- 搜索服务参与者
- 搜索索引数据参与者
- 搜索索引数据读取者

重要

代理检索具有两种基于标记的计费模型：

从 Azure AI 搜索中进行智能检索的计费。
Azure OpenAI 的查询规划和答案生成功能收费标准。

有关详细信息，请参阅代理检索的可用性和定价。

准备示例数据

本快速入门使用美国宇航局的地球夜间电子书中的示例 JSON 文档，但也可以使用自己的文件。这些文件描述了一般科学主题，以及从太空观测到的夜晚地球的图像。

若要为此快速入门准备示例数据，请执行以下操作：

登录到 Azure 门户并选择 Azure Blob 存储帐户。
在左窗格中，选择 “数据存储>容器”。
创建名为 “晚上地球数据”的容器。
将示例 JSON 文档上传到容器。

创建知识来源

知识来源是指可重复使用的源数据参考资料。在本部分中，将创建一个 Blob 知识源，用于触发创建 数据源、 技能集、索引和 索引器 以自动执行数据索引和扩充。可以在后面的部分中查看这些对象。

还可以配置 矢量化程序，它使用已部署的嵌入模型将文本转换为矢量，并根据语义相似性匹配文档。向量器、向量字段和向量将添加到自动生成的索引中。

为该快速入门创建知识源，请执行以下步骤：

登录到 Azure 门户并选择搜索服务。
在左窗格中，选择 “代理检索>知识源”。
选择 “添加知识源>添加知识源”。
选择 Azure Blob。
输入名称 earth-at-night-ks，然后选择您的订阅、存储帐户和包含示例数据的容器。
选中“ 使用托管标识进行身份验证 ”复选框。将标识类型保留为 系统分配。
选择 “添加向量器”。
为类型选择 Azure AI Foundry ，然后选择订阅、项目和嵌入模型部署。
为身份验证类型选择 系统分配的标识 。
创建知识源。

创建知识库

知识库使用您的知识来源和已部署的 LLM 来协调代理的检索过程。当用户提交复杂查询时，LLM 将生成同时发送到知识源的子查询。然后，Azure AI 搜索以语义方式对结果进行相关性排名，并将最佳结果合并为单个统一响应。

输出模式确定知识库如何构建答案。可以将提取数据用于逐字内容，也可以对自然语言答案生成使用答案合成。默认情况下，门户使用答案合成。

若要为本快速入门指南创建知识库，请执行以下操作：

在左窗格中，选择 “代理检索>知识库”。
选择 “添加知识库>添加知识库”。
输入 earth-at-night-kb 作为名称。
在 “聊天完成模型”下，选择 “添加模型部署”。
为类型选择 Azure AI Foundry ，然后选择订阅、项目和 LLM 部署。
为身份验证类型选择 系统分配的标识 。
保存模型部署。
在 知识来源 下，选择 earth-at-night-ks。
创建知识库。

测试代理检索

门户提供了一个聊天场，你可以在其中向知识库提交 retrieve 请求，其响应包括对知识库的引用和有关检索过程的调试信息。

查询知识库：

使用聊天框发送以下查询。

Why do suburban belts display larger December brightening than urban cores even though absolute light levels are higher downtown? Why is the Phoenix nighttime street grid is so sharply visible from space, whereas large stretches of the interstate between midwestern cities remain comparatively dim?

查看合成的引文支持答案，该答案应类似于以下示例。

Suburban belts show larger December brightening in satellite nighttime lights than urban cores mainly because of relative (percentage) change effects and differences in how light is used and distributed. Areas with lower baseline light (suburbs, residential streets) can increase lighting use or reflect more light in winter and so show a bigger percent change, while bright urban cores are already near sensor saturation so their relative increase is small. The retrieved material explains that brightest lights are generally the most urbanized but not necessarily the most populated, and that poor or low‑light areas can have large populations but low availability or use of electric lights; thus lower‑light suburbs can exhibit larger relative changes when seasonal lighting rises.

选择调试图标以查看活动日志，该日志应类似于以下 JSON。

[
  {
    "type": "modelQueryPlanning",
    "id": 0,
    "inputTokens": 1518,
    "outputTokens": 284,
    "elapsedMs": 3001
  },
  {
    "type": "azureBlob",
    "id": 1,
    "knowledgeSourceName": "earth-at-night-ks",
    "queryTime": "2025-12-12T18:54:28.792Z",
    "count": 1,
    "elapsedMs": 456,
    "azureBlobArguments": {
      "search": "causes of December brightening in satellite nighttime lights suburban vs urban cores"
    }
  },
  {
    "type": "azureBlob",
    "id": 2,
    "knowledgeSourceName": "earth-at-night-ks",
    "queryTime": "2025-12-12T18:54:29.389Z",
    "count": 3,
    "elapsedMs": 596,
    "azureBlobArguments": {
      "search": "factors affecting seasonal variation in nighttime lights December winter brightening suburban belts urban cores"
    }
  },
  {
    "type": "azureBlob",
    "id": 3,
    "knowledgeSourceName": "earth-at-night-ks",
    "queryTime": "2025-12-12T18:54:29.862Z",
    "count": 6,
    "elapsedMs": 472,
    "azureBlobArguments": {
      "search": "why is Phoenix street grid highly visible at night from space compared to dim interstates in the Midwest reasons lighting patterns road lighting urban form"
    }
  },
  {
    "type": "agenticReasoning",
    "id": 4,
    "retrievalReasoningEffort": {
      "kind": "low"
    },
    "reasoningTokens": 111243
  },
  {
    "type": "modelAnswerSynthesis",
    "id": 5,
    "inputTokens": 7514,
    "outputTokens": 1058,
    "elapsedMs": 12334
  }
]

活动日志提供检索过程中执行的步骤的见解，包括查询规划和执行、语义排名和答案合成。有关详细信息，请参阅 “查看活动数组”。

查看创建的对象

Azure AI 搜索为每个 Blob 知识源自动生成数据源、技能集、索引和索引器。这些对象构成端到端管道，用于数据引入、扩充、分块和矢量化。可以查看这些对象，了解如何处理数据以进行代理检索。

查看自动生成的对象：

在左窗格中，选择 “搜索管理”。
检查数据源以验证与 Blob 存储容器的连接。
检查技能集，了解如何使用嵌入模型对内容进行分块和矢量化。
检查索引以了解您的内容是如何被编制索引和公开以供检索的，包括哪些字段可供搜索和筛选，以及哪些字段存储用于相似性搜索的向量。
检查索引器是否有成功或失败的消息。此处会显示连接或配额错误。

清理资源

当你使用自己的订阅服务时，最好在完成一个项目后，先评估一下是否还需要你所创建的那些资源。持续运行的资源可能会产生费用。

在 Azure 门户中，可以通过从左窗格中选择 “所有资源 ”或 “资源组 ”来管理 Azure AI 搜索、Azure Blob 存储。

还可以在其各自的门户页面上删除知识源和知识库。删除知识源时，门户会提示删除关联的数据源、技能集、索引和索引器。

后续步骤

详细了解代理检索

Last updated on 2025-12-29

通过