为智能体应用信息检索

AI 代理依赖于可靠的信息检索来提供有用的答案、建议和支持。 随着数据的增长，他们需要搜索方法来超越简单的关键字匹配。 当语义理解与可缩放索引相结合时，代理可以提供反映查询及其背后的数据的结果。 Azure Database for PostgreSQL 通过矢量搜索、语义运算符和基于图形的检索等功能实现这些功能。

显示代理如何使用工具通过矢量搜索和 SQL 查询从 Azure Database for PostgreSQL 检索信息的 AI 代理体系结构。

了解矢量搜索和azure_ai扩展

矢量搜索通过含义而不是确切的措辞来匹配信息。 文本、审阅或文档作为数字嵌入存储在数据库中。 当查询到达时，系统将查询的含义与这些嵌入项进行比较，并返回最近的匹配项。

该 azure_ai 扩展为 PostgreSQL 添加了内置 AI 函数。 你可以生成嵌入、应用语义分析，甚至直接从 SQL 调用大型语言模型。 这些功能可提供更好的搜索结果、内容摘要和事实提取，而无需离开数据库。

例如，在 Margie旅行社，当来宾询问“哪些酒店安静且靠近市中心？”时，客服人员使用矢量搜索将问题的意图与酒店说明和来宾评论连接起来。 即使未使用相同字词，它也会检索最相关的列表。

针对规模和准确性进行优化

大型知识库需要高效的索引来保持搜索速度。 Azure Database for PostgreSQL 支持的方法，例如 DiskANN，在保持内存使用率较低的同时，跨数百万向量执行相似性搜索。 此功能可确保代理快速响应，即使使用大型数据集也是如此。

准确性与速度一样重要。 扩展中的 azure_ai 语义运算符允许代理更好地对结果进行排名，并在列表中显示更相关的结果。 然后，GraphRAG 可以跨文档连接相关事实，以提供更完整的答案。

采用另一个玛吉旅行场景：当客人询问“适合家庭居住且对清洁度评价很高的公寓”时，代理会使用语义运算符来筛选和排序房产，然后应用 GraphRAG 将评论和房产数据关联起来。 结果是一个既精确又可信的建议。

在场景中应用概念

假设一位客人问： “我在市中心附近寻找一套宠物友好的公寓，对清洁情况持积极评价。 代理：

1. 生成查询的嵌入，并使用矢量搜索来查找类似的属性说明。
2. 应用语义运算符来筛选“宠物友好”和“清洁”，即使这些术语是隐含的。
3. 使用 DiskANN 索引在大型数据集上进行高效搜索。
4. 根据评论情感重新排名结果，并返回筛选出的属性列表，每个属性都有相关反馈的摘要。

汇总关键要点

借助矢量搜索、语义运算符和可缩放索引编制，代理可以使用快速且相关的答案做出响应。 这些工具可帮助用户找到所需的内容，同时使结果保留在基础数据中。