本文將逐步引導您完成如何建立向量數據、編製數據的索引，然後查詢容器中的數據的程式。
使用向量索引和搜尋之前，您必須先在適用於 NoSQL 的 Azure Cosmos DB 中啟用向量搜尋。 設定向量搜尋的 Azure Cosmos DB 容器之後，您可以建立向量內嵌原則。 接下來，您將向量索引新增至容器索引政策。 然後，您可以建立具有向量索引和向量內嵌政策的容器。 最後，您會對儲存的數據執行向量搜尋。
先決條件
- 現有的 Azure Cosmos DB for NoSQL 帳戶。
- 如果您沒有 Azure 訂用帳戶， 請免費試用適用於 NoSQL 的 Azure Cosmos DB。
- 如果您有現有的 Azure 訂用帳戶，請建立新的 Azure Cosmos DB for NoSQL 帳戶。
- 最新版的 Azure Cosmos DB .NET SDK（正式版：3.45.0 以上，預覽版：3.46.0-preview.0 以上）。
啟用該功能
若要啟用適用於 NoSQL 的 Azure Cosmos DB 向量搜尋，請遵循下列步驟：
- 移至適用於 NoSQL 的 Azure Cosmos DB 資源頁面。
- 在左窗格的 [設定] 底下，選取 [功能]。
- 在適用於 NoSQL 的 Azure Cosmos DB 中選取 [向量搜尋]。
- 閱讀該功能的說明以確認您要啟用它。
- 選取 [啟用] 以在適用於 NoSQL 的 Azure Cosmos DB 中開啟向量搜尋。
小提示
或者，使用 Azure CLI 來更新帳戶的功能，以支援適用於 NoSQL 的 Azure Cosmos DB 向量搜尋。
az cosmosdb update \
--resource-group <resource-group-name> \
--name <account-name> \
--capabilities EnableNoSQLVectorSearch
註冊要求會自動核准，但可能需要 15 分鐘才能生效。
了解向量搜尋所涉及的步驟
下列步驟假設您知道如何 設定適用於 NoSQL 的 Azure Cosmos DB 帳戶並建立資料庫。 現有容器目前不支援向量搜尋功能。 您需要建立一個新容器。 建立容器時，您可以指定容器層級向量內嵌政策和向量索引政策。
讓我們舉個例子，說明如何為基於互聯網的書店創建數據庫。 您想要儲存每本書的標題、作者、ISBN 和描述資訊。 您也需要定義下列兩個屬性，以包含向量內嵌：
- 此
contentVector屬性包含從書籍的文字內容產生的 文字內嵌 。 例如，您在建立嵌入之前，先串連title、author、isbn和description屬性。 - 該
coverImageVector屬性是根據 書籍封面的圖像生成的。
若要執行向量搜尋，請：
- 針對您要執行向量搜尋的欄位建立和儲存向量內嵌。
- 指定向量內嵌原則中的向量內嵌路徑。
- 在容器的索引政策中包含您想要的任何向量索引。
對於本文的後續章節，請參考容器中的儲存項目的下列結構：
{
"title": "book-title",
"author": "book-author",
"isbn": "book-isbn",
"description": "book-description",
"contentVector": [2, -1, 4, 3, 5, -2, 5, -7, 3, 1],
"coverImageVector": [0.33, -0.52, 0.45, -0.67, 0.89, -0.34, 0.86, -0.78]
}
為您的容器建立向量內嵌政策
現在您需要定義容器向量政策。 此原則提供可用來通知 Azure Cosmos DB 查詢引擎如何處理系統函式中的 VectorDistance 向量屬性的資訊。 如果您選擇指定一個索引政策，此政策也會提供向量索引政策所需的必要資訊。
下列資訊包含在容器向量原則中：
| 參數 | Description |
|---|---|
path |
包含向量的屬性路徑。 |
datatype |
向量元素的型別。 （預設值為 Float32。） |
dimensions |
路徑中每個向量的長度。 （預設值為 1536。） |
distanceFunction |
用來計算距離/相似性的計量。 （預設值為 Cosine。） |
對於具有書籍詳細資訊的範例，向量政策可能類似下列範例：
Database db = await client.CreateDatabaseIfNotExistsAsync("vector-benchmarking");
List<Embedding> embeddings = new List<Embedding>()
{
new Embedding()
{
Path = "/coverImageVector",
DataType = VectorDataType.Float32,
DistanceFunction = DistanceFunction.Cosine,
Dimensions = 8,
},
new Embedding()
{
Path = "/contentVector",
DataType = VectorDataType.Float32,
DistanceFunction = DistanceFunction.Cosine,
Dimensions = 10,
}
};
在索引原則中建立向量索引
決定向量內嵌路徑之後，您必須將向量索引加入至索引政策。 目前，只有新容器支援適用於 NoSQL 的 Azure Cosmos DB 向量搜尋功能。 當您建立容器時，您會套用向量政策。 您稍後無法修改原則。 索引原則看起來類似下列範例：
Collection<Embedding> collection = new Collection<Embedding>(embeddings);
ContainerProperties properties = new ContainerProperties(id: "vector-container", partitionKeyPath: "/id")
{
VectorEmbeddingPolicy = new(collection),
IndexingPolicy = new IndexingPolicy()
{
VectorIndexes = new()
{
new VectorIndexPath()
{
Path = "/vector",
Type = VectorIndexType.QuantizedFlat,
}
}
},
};
properties.IndexingPolicy.IncludedPaths.Add(new IncludedPath { Path = "/*" });
properties.IndexingPolicy.ExcludedPaths.Add(new ExcludedPath { Path = "/vector/*" });
這很重要
向量路徑將被新增至索引原則的excludedPaths區段，以確保插入時的最佳化效能。 未將向量路徑加入excludedPaths 會增加向量插入時的請求單位成本和延遲時間。
執行向量相似性搜尋查詢
使用您想要的向量政策建立容器並將向量資料插入容器之後，請在查詢中使用 VectorDistance 系統函數來執行向量搜尋。
假設您想通過查看描述來搜索有關食物食譜的書籍。 您必須先取得查詢文字的內嵌。 在這裡情況下，您可能會想要為查詢文字 food recipe產生內嵌 。 取得搜尋查詢的嵌入後，您可以在向量搜尋查詢的VectorDistance函式中使用它，以獲得與查詢類似的所有項目：
SELECT TOP 10 c.title, VectorDistance(c.contentVector, [1,2,3,4,5,6,7,8,9,10]) AS SimilarityScore
FROM c
ORDER BY VectorDistance(c.contentVector, [1,2,3,4,5,6,7,8,9,10])
此查詢會擷取書籍標題，以及與查詢有關的相似度分數。 以下是 .NET 中的範例：
float[] embedding = {1f,2f,3f,4f,5f,6f,7f,8f,9f,10f};
var queryDef = new QueryDefinition(
query: $"SELECT c.title, VectorDistance(c.contentVector,@embedding) AS SimilarityScore FROM c ORDER BY VectorDistance(c.contentVector,@embedding)"
).WithParameter("@embedding", embedding);
using FeedIterator<Object> feed = container.GetItemQueryIterator<Object>(
queryDefinition: queryDef
);
while (feed.HasMoreResults)
{
FeedResponse<Object> response = await feed.ReadNextAsync();
foreach ( Object item in response)
{
Console.WriteLine($"Found item:\t{item}");
}
}