通过

教程：最大化相关性（Azure AI 搜索中的经典 RAG）

Azure AI 搜索提供相关性优化策略，用于改进经典 RAG 解决方案中搜索结果的相关性。 相关性优化是交付符合用户期望的 RAG 解决方案的一个重要因素。

注释

现在建议对 RAG 工作流进行 代理检索 ，但经典 RAG 更简单。 如果它满足应用程序要求，它仍然是一个不错的选择。

在 Azure AI 搜索中，相关性优化包括 L2 语义排名和评分配置文件。 要实现这些功能，需要重新访问索引架构，为语义排序和计分概要文件添加配置。 然后使用新结构来重新运行查询。

在本教程中，你将修改现有的搜索索引和查询，以便使用：

  • L2 语义排名
  • 文档提升功能的评分配置文件

本教程更新索引管道创建的搜索索引。 更新不会影响现有内容，因此无需重新生成，也无需重新运行索引器。

先决条件

下载示例

示例笔记本包含更新的索引和查询请求。

更新语义排名和计分概要文件的索引

在之前的教程中，你为 RAG 工作负荷设计了一个索引架构。 我们特意省略了该架构中的相关性增强功能，以便你可以专注于基础知识。 将相关性视为一项独立的任务进行，这样可以在更新后对搜索结果的质量进行对比，分析前后的变化。

  1. 更新导入语句，以包括用于语义排名和评分配置文件的类。

     from azure.identity import DefaultAzureCredential
 from azure.identity import get_bearer_token_provider
 from azure.search.documents.indexes import SearchIndexClient
 from azure.search.documents.indexes.models import (
     SearchField,
     SearchFieldDataType,
     VectorSearch,
     HnswAlgorithmConfiguration,
     VectorSearchProfile,
     SearchIndex,
     SemanticConfiguration,
     SemanticPrioritizedFields,
     SemanticField,
     SemanticSearch,
     ScoringProfile,
     TagScoringFunction,
     TagScoringParameters
 )

  2. 在搜索索引中添加以下语义配置。 此示例可在笔记本中的更新架构步骤中找到。

    # New semantic configuration
semantic_config = SemanticConfiguration(
    name="my-semantic-config",
    prioritized_fields=SemanticPrioritizedFields(
        title_field=SemanticField(field_name="title"),
        keywords_fields=[SemanticField(field_name="locations")],
        content_fields=[SemanticField(field_name="chunk")]
    )
)

# Create the semantic settings with the configuration
semantic_search = SemanticSearch(configurations=[semantic_config])

    语义配置有一个名称和一个优先字段列表，有助于优化语义排序器的输入。 有关详细信息，请参阅配置语义排名。

  3. 接下来，添加评分配置定义。 与语义配置一样，计分概要文件可随时添加到索引架构中。 此示例也在笔记本的更新架构步骤中，紧随语义配置之后。

    # New scoring profile
scoring_profiles = [  
    ScoringProfile(  
        name="my-scoring-profile",
        functions=[
            TagScoringFunction(  
                field_name="locations",  
                boost=5.0,  
                parameters=TagScoringParameters(  
                    tags_parameter="tags",  
                ),  
            ) 
        ]
    )
]

    此配置使用标签功能，能够提升在位置字段中找到匹配项的文档的评分。 回想一下，搜索索引有一个矢量字段和多个非矢量字段，分别代表标题、块和位置。 位置字段是一个字符串集合，而字符串集合可以使用计分概要文件中的标记函数进行增强。 有关详细信息，请参阅添加计分概要文件和通过文档提升增强搜索相关性（博客文章）。

  4. 更新搜索服务上的索引定义。

    # Update the search index with the semantic configuration
 index = SearchIndex(name=index_name, fields=fields, vector_search=vector_search, semantic_search=semantic_search, scoring_profiles=scoring_profiles)  
 result = index_client.create_or_update_index(index)  
 print(f"{result.name} updated")

后续步骤

最大程度地减少矢量存储和成本

  • Last updated on