SQL Server EF Core 提供程序中的矢量搜索

矢量搜索

SQL Server 向量数据类型允许存储 嵌入内容，这些嵌入表示形式意味着可以有效地搜索相似性，为 AI 工作负载（如语义搜索和检索扩充生成（RAG）提供支持。

若要使用数据类型，只需将 vector 类型 SqlVector<float> 为 .NET 属性添加到实体类型，并指定维度，如下所示：

public class Blog
{
    // ...

    [Column(TypeName = "vector(1536)")]
    public SqlVector<float> Embedding { get; set; }
}

public class Blog
{
    // ...

    public SqlVector<float> Embedding { get; set; }
}

protected override void OnModelCreating(ModelBuilder modelBuilder)
{
    modelBuilder.Entity<Blog>()
        .Property(b => b.Embedding)
        .HasColumnType("vector(1536)");
}

添加属性并在数据库中创建的相应列后，可以开始插入嵌入内容。 嵌入生成是在数据库外部完成的，通常是通过服务完成的，执行此作的详细信息超出了本文档的范围。 但是， .NET Microsoft.Extensions.AI 库 包含，它是嵌入生成器的 IEmbeddingGenerator抽象，其中包含主要提供程序的实现。

选择嵌入生成器并对其进行设置后，使用它生成嵌入内容并将其插入，如下所示

IEmbeddingGenerator<string, Embedding<float>> embeddingGenerator = /* Set up your preferred embedding generator */;

var embedding = await embeddingGenerator.GenerateVectorAsync("Some text to be vectorized");
context.Blogs.Add(new Blog
{
    Name = "Some blog",
    Embedding = new SqlVector<float>(embedding)
});
await context.SaveChangesAsync();

最后，使用 EF.Functions.VectorDistance() 函数对给定的用户查询执行相似性搜索：

var sqlVector = new SqlVector<float>(await embeddingGenerator.GenerateVectorAsync("Some user query to be vectorized"));
var topSimilarBlogs = context.Blogs
    .OrderBy(b => EF.Functions.VectorDistance("cosine", b.Embedding, sqlVector))
    .Take(3)
    .ToListAsync();