Notitie
Voor toegang tot deze pagina is autorisatie vereist. U kunt proberen u aan te melden of de directory te wijzigen.
Voor toegang tot deze pagina is autorisatie vereist. U kunt proberen de mappen te wijzigen.
Belangrijk
Items die in dit artikel zijn gemarkeerd (preview) zijn momenteel beschikbaar als openbare preview. Deze preview wordt aangeboden zonder een service level agreement en we raden deze niet aan voor productieworkloads. Bepaalde functies worden mogelijk niet ondersteund of hebben mogelijk beperkte mogelijkheden. Voor meer informatie, zie Aanvullende Gebruiksvoorwaarden voor Microsoft Azure Previews.
In dit artikel leert u hoe u een vectorindex creëert en gebruikt voor het uitvoeren van retrieval-augmented generation (RAG) in de Azure AI Foundry-portal.
Een vectorindex is niet vereist voor RAG, maar een vectorquery kan overeenkomen met semantisch vergelijkbare inhoud, wat handig is voor RAG-workloads.
Vereiste voorwaarden
U moet over het volgende beschikken:
U moet inhoud hebben in een ondersteunde indeling die voldoende informatie biedt voor een chat-ervaring. Het kan een bestaande index in Azure AI Search zijn of u kunt een nieuwe index maken met behulp van inhoudsbestanden in Azure Blob Storage, uw lokale systeem of gegevens in Azure AI Foundry.
Een index maken op basis van de Chat-speeltuin
Aanbeveling
Omdat u het linkerdeelvenster in de Azure AI Foundry-portal kunt aanpassen, ziet u mogelijk andere items dan in deze stappen wordt weergegeven. Als u niet ziet wat u zoekt, selecteert u ... Meer onder aan het linkerdeelvenster.
Meld u aan bij de Azure AI Foundry-portal.
Ga naar uw project of maak een nieuw project in uw Azure AI Foundry-resource.
Selecteer Speeltuinen in het zijbalkmenu. Selecteer De chatspeeltuin uitproberen.
Selecteer een geïmplementeerd voltooiingsmodel voor chats. Als u nog geen model hebt, implementeert u een model door nieuwe implementatie maken te selecteren en vervolgens een model te kiezen.
Schuif naar de onderkant van het modelvenster. Selecteer + Een nieuwe gegevensbron toevoegen.
Kies de brongegevens. U kunt brongegevens kiezen uit een lijst met uw recente gegevensbronnen, een opslag-URL in de cloud of bestanden en mappen uploaden vanaf de lokale computer. U kunt ook een verbinding toevoegen aan een andere gegevensbron, zoals Azure Blob Storage.
Als u geen voorbeeldgegevens hebt, kunt u deze PDF-bestanden downloaden naar uw lokale systeem en deze vervolgens uploaden als uw brongegevens.
Selecteer Volgende nadat u brongegevens hebt gekozen.
Kies op het tabblad Indexconfiguratie de locatie van de indexopslag waar u de index wilt opslaan.
Als u al een Azure AI Search-resource hebt, kunt u door de lijst met zoekserviceresources voor uw abonnement bladeren en vervolgens Verbinding maken selecteren voor de resource die u wilt gebruiken. Als u verbinding maakt met API-sleutels, controleert u of uw zoekservice API-sleutels gebruikt.
Als u geen bestaande resource hebt, kiest u Een nieuwe Azure AI Search-resource maken. Kies Volgende.
Selecteer de Azure OpenAI-verbinding die u wilt gebruiken. Kies Volgende.
Controleer de gegevens die u hebt ingevoerd en selecteer Vectorindex maken.
U gaat naar de pagina met indexgegevens, waar u de status van het maken van de index kunt zien.
Een index gebruiken in promptstroom
Selecteer de promptstroom onder Opbouwen en aanpassen in het zijbalkmenu.
Open een bestaande promptstroom of selecteer + Maken om een nieuwe stroom te maken.
Selecteer Maken in de tegel Chatflow en selecteer Maken opnieuw.
Selecteer De rekensessie starten en wacht enkele minuten totdat de rekensessie begint.
Selecteer Meer hulpprogramma's en selecteer vervolgens Index zoeken.
Geef een knooppuntnaam op voor uw hulpprogramma voor indexzoekacties en selecteer Toevoegen.
Selecteer het vak mlindex_content waarde en selecteer uw index in de waardesectie. Nadat u deze stap hebt voltooid, voert u de query's in en query_types die moeten worden uitgevoerd op basis van de index.
