Dela via

Vanliga frågor och svar om intelligenta program och AI

Gäller för: SQL Server 2025 (17.x) Förhandsversion Azure SQL DatabaseAzure SQL Managed InstanceFörhandsversion av SQL-databas för Microsoft Fabric

Den här artikeln innehåller vanliga frågor om vektorer och inbäddningar i SQL Database Engine.

Exempel och exempel finns på lagringsplatsen SQL AI-exempel.

Kan jag skapa en rag-lösning (retrieveal-augmented generation) helt i T-SQL?

Ja, du kan skapa en Retrieval-Augmented Generation-lösning (RAG) med hjälp av T-SQL. Den här typen av lösning utnyttjar SQL Database Engine-funktionerna för att hantera och köra frågor mot dina data effektivt. Du kan använda T-SQL för att implementera nödvändig datahämtning och bearbetningslogik, samtidigt som du integrerar med externa AI-tjänster för genereringsaspekten. Vektorer kan lagras internt i SQL-motorn och anslutningar till LLM:er som ger funktioner för förståelse av naturligt språk är möjliga via sp_invoke_external_rest_endpoint.

Varför skulle jag skapa en RAG-lösning helt i T-SQL?

Om du vill förbättra ett befintligt program utan att behöva skapa om det för att stödja AI-funktioner använder du de inbyggda funktionerna i SQL-motorn för att implementera AI-funktioner direkt i dina databasfrågor. Du behöver bara uppdatera din T-SQL-kod för att införliva AI-funktioner i stället för att göra omfattande ändringar i programarkitekturen.

Finns det några exempel från slutpunkt till slutpunkt som använder Azure SQL eller Fabric SQL för RAG?

Visst, du hittar exempel från slutpunkt till slutpunkt för RAG med Hjälp av Azure SQL och Fabric SQL här:

Kan jag få RAG att arbeta med strukturerade data, till exempel kolumner och rader?

Om du behöver arbeta med strukturerade data kan du fortfarande använda RAG genom att kombinera dem med andra tekniker, till exempel att använda inbäddningar för att representera dina strukturerade data på ett sätt som kan förstås av AI-modellen. På så sätt kan du utföra hämtnings- och genereringsuppgifter på strukturerade data samtidigt som du drar nytta av funktionerna i RAG.

Varför leder sändning av ett fullständigt, komplext schema till en LLM till dålig SQL-generering – och hur kan jag åtgärda det?

Om du har ett komplext och stort databasschema med hundratals tabeller och vyer är det bättre att använda en metod med flera agenter för att minska bruset och låta AI-modeller fokusera på specifika områden i schemat. En fullständig beskrivning tillsammans med ett fungerande exempel från slutpunkt till slutpunkt finns här:

Kan jag ansluta till Azure OpenAI med hjälp av hanterad identitet?

Ja, du kan ansluta till Azure OpenAI med hjälp av hanterad identitet. På så sätt kan du autentisera och komma åt Azure OpenAI-tjänsten på ett säkert sätt utan att behöva hantera autentiseringsuppgifter direkt. Mer information finns i:

Används mina data av Microsoft för träningsmodeller?

Nej. Data används inte av Microsoft för träningsmodeller. Mer information finns i dokumentationen om ansvarsfull AI .

Vilka data bearbetar Azure OpenAI-tjänsten?

Mer information finns i dokumentet Data, sekretess och säkerhet för Azure OpenAI Service .

Hur kan jag skydda mina data från obehörig AI-agentåtkomst?

Azure SQL och SQL Server ger omfattande stöd för detaljerad åtkomstsäkerhet:

  • Kom igång med behörigheter för databasmotorn: Kontrollera åtkomsten till databasobjekt på detaljerad nivå med hjälp av behörigheter.
  • Row-Level Security (RLS): Kontrollera åtkomsten till rader i en tabell baserat på egenskaperna hos användaren som kör en fråga. Du kan se att RLS fungerar i den här videon.
  • Dynamisk datamaskning: Begränsa exponeringen av känsliga data genom att maskera dem till icke-privilegierade användare.
  • Always Encrypted: Skydda känsliga data genom att kryptera dem i vila och under överföring, så att endast behöriga användare kan komma åt okrypterade data.

Det är också möjligt att granska alla åtgärder som utförs på databasen med hjälp av granskningsfunktionen i Azure SQL och SQL Server.

SQL Server-granskning (databasmotor)

Relaterat innehåll