Anteckning
Åtkomst till den här sidan kräver auktorisering. Du kan prova att logga in eller ändra kataloger.
Åtkomst till den här sidan kräver auktorisering. Du kan prova att ändra kataloger.
Viktigt!
Objekt markerade (förhandsversion) i den här artikeln är för närvarande i offentlig förhandsversion. Den här förhandsversionen tillhandahålls utan ett serviceavtal och vi rekommenderar det inte för produktionsarbetsbelastningar. Vissa funktioner kanske inte stöds eller kan vara begränsade. Mer information finns i Kompletterande villkor för användning av Microsoft Azure-förhandsversioner.
I den här artikeln får du lära dig hur du skapar och använder ett vektorindex för att utföra hämtningsförhöjd generation (RAG) i Azure AI Foundry-portalen.
Ett vektorindex krävs inte för RAG, men en vektorfråga kan matcha semantiskt liknande innehåll, vilket är användbart för RAG-arbetsbelastningar.
Förutsättningar
Du måste ha:
Du bör ha innehåll i ett format som stöds och som ger tillräckligt med information för en chattupplevelse. Det kan vara ett befintligt index i Azure AI Search, eller så kan du skapa ett nytt index med innehållsfiler i Azure Blob Storage, ditt lokala system eller data i Azure AI Foundry.
Skapa ett index från chattlekplatsen
Tips/Råd
Eftersom du kan anpassa det vänstra fönstret i Azure AI Foundry-portalen kan du se andra objekt än vad som visas i de här stegen. Om du inte ser det du letar efter väljer du ... Mer längst ned i det vänstra fönstret.
Logga in på Azure AI Foundry-portalen.
Gå till projektet eller skapa ett nytt projekt i din Azure AI Foundry-resurs.
På sidomenyn väljer du Lekplatser. Välj Prova chat-lekplatsen.
Välj en distribuerad modell för chattens slutförande. Om du inte har en distribuerar du en modell genom att välja Skapa ny distribution och sedan välja en modell.
Rulla längst ned i modellfönstret. Välj + Lägg till en ny datakälla.
Välj källdata. Du kan välja källdata från en lista över dina senaste datakällor, en lagrings-URL i molnet eller ladda upp filer och mappar från den lokala datorn. Du kan också lägga till en anslutning till en annan datakälla, till exempel Azure Blob Storage.
Om du inte har exempeldata kan du ladda ned dessa PDF-filer till ditt lokala system och sedan ladda upp dem som källdata.
Välj Nästa när du har valt källdata.
På fliken Indexkonfiguration väljer du den indexlagringsplats där du vill att ditt index ska lagras.
Om du redan har en Azure AI Search-resurs kan du bläddra i listan över söktjänstresurser för din prenumeration och sedan välja Anslut för den du vill använda. Om du ansluter med API-nycklar bekräftar du att söktjänsten använder API-nycklar.
Om du inte har någon befintlig resurs väljer du Skapa en ny Azure AI Search-resurs. Välj Nästa.
Välj den Azure OpenAI-anslutning som du vill använda. Välj Nästa.
Granska informationen du angav och välj Skapa vektorindex.
Du kommer till sidan med indexinformation där du kan se statusen för att skapa ditt index.
Använda ett index i promptflöde
Under Skapa och anpassa i sidomenyn väljer du Frågeflöde.
Öppna ett befintligt promptflöde eller välj + Skapa för att skapa ett nytt flöde.
Välj Skapa i panelen Chattflöde och välj sedan Skapa igen.
Välj Starta beräkningssessionen och vänta några minuter tills beräkningssessionen börjar.
Välj Fler verktyg och välj sedan Indexsökning.
Ange ett nodnamn för indexsökningsverktyget och välj Lägg till.
Välj rutan mlindex_content värde och välj ditt index i värdeavsnittet. När du har slutfört det här steget anger du de frågor och query_types som ska utföras mot indexet.
