你当前正在访问 Microsoft Azure Global Edition 技术文档网站。如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

Documents - Search Post

服务:: Search Service

API 版本:: 2025-09-01

搜索索引中的文档。

POST {endpoint}/indexes('{indexName}')/docs/search.post.search?api-version=2025-09-01

URI 参数

名称	在	必需	类型	说明
endpoint	path	True	string	搜索服务的终结点 URL。
indexName	path	True	string	索引的名称。
api-version	query	True	string	客户端 API 版本。

请求头

名称	必需	类型	说明
x-ms-client-request-id		string (uuid)	随请求一起发送的跟踪 ID，以帮助调试。

请求正文

名称	类型	说明
answers	QueryAnswerType	指定是否应将答案作为搜索响应的一部分返回的值。
captions	QueryCaptionType	指定是否应将字幕作为搜索响应的一部分返回的值。
count	boolean	指定是否提取结果总数的值。默认值为 false。将此值设置为 true 可能会对性能产生影响。请注意，返回的计数是近似值。
debug	QueryDebugMode	启用调试工具，可用于进一步探索重新排名的结果。
facets	string[]	要应用于搜索查询的分面表达式的列表。每个分面表达式都包含一个字段名称，后跟一个逗号分隔的名称：值对列表。
filter	string	OData $filter要应用于搜索查询的表达式。
highlight	string	用于命中突出显示的以逗号分隔的字段名称列表。只有可搜索字段才能用于命中突出显示。
highlightPostTag	string	附加到命中突出显示的字符串标记。必须使用 highlightPreTag 进行设置。默认值为 </em>。
highlightPreTag	string	在点击突出显示之前添加的字符串标记。必须使用 highlightPostTag 进行设置。默认值为 <em>。
minimumCoverage	number (double)	一个介于 0 和 100 之间的数字，指示搜索查询必须覆盖的索引百分比，以便将查询报告为成功。此参数可用于确保搜索可用性，即使对于只有一个副本的服务也是如此。默认值为 100。
orderby	string	以逗号分隔的 OData $orderby表达式列表，用于对结果进行排序。每个表达式可以是字段名称，也可以是对 geo.distance（）或 search.score（）函数的调用。每个表达式后面可以跟 asc 表示升序，或 desc 表示降序。默认值为升序。平局将因文件的比赛比分而打破。如果未指定$orderby，则默认排序顺序是按文档匹配分数降序排列。最多可以有 32 个$orderby子句。
queryType	QueryType	指定搜索查询语法的值。默认值为“简单”。如果查询使用 Lucene 查询语法，请使用“full”。
scoringParameters	string[]	要使用格式 name-values 的评分函数中使用的参数值列表（例如，referencePointParameter）。例如，如果评分配置文件定义了一个函数，其参数名为“mylocation”，则参数字符串将为“mylocation--122.2,44.8”（不带引号）。
scoringProfile	string	用于评估匹配文档的匹配分数以对结果进行排序的评分配置文件的名称。
scoringStatistics	ScoringStatistics	该值指定我们是要全局计算评分统计信息（例如文档频率）以获得更一致的评分，还是在本地计算以降低延迟。默认值为“local”。在评分之前，使用“global”全局汇总评分统计信息。使用全局评分统计信息可能会增加搜索查询的延迟。
search	string	全文搜索查询表达式;使用“*”或省略此参数以匹配所有文档。
searchFields	string	以逗号分隔的字段名称列表，用于将全文搜索范围限定到的字段名称。在完整 Lucene 查询中使用字段搜索（fieldName：searchExpression）时，每个字段搜索表达式的字段名称优先于此参数中列出的任何字段名称。
searchMode	SearchMode	一个值，用于指定是否必须匹配任何或所有搜索词才能将文档计为匹配项。
select	string	要检索的字段的逗号分隔列表。如果未指定，则包括架构中标记为可检索的所有字段。
semanticConfiguration	string	在处理语义类型查询的文档时将使用的语义配置的名称。
semanticErrorHandling	SemanticErrorMode	允许用户选择语义调用是完全失败（默认/当前行为）还是返回部分结果。
semanticMaxWaitInMilliseconds	integer (int32) minimum: 700	允许用户设置语义扩充在请求失败之前完成处理所需的时间上限。
semanticQuery	string	允许设置单独的搜索查询，该查询将仅用于语义重新排名、语义标题和语义答案。对于需要在基本检索和排名阶段以及 L2 语义阶段之间使用不同查询的方案非常有用。
sessionId	string	用于创建粘性会话的值，有助于获得更一致的结果。只要使用相同的 sessionId，就会尽最大努力以相同的副本集为目标。请注意，重复重复使用相同的 sessionID 值可能会干扰副本之间请求的负载均衡，并对搜索服务的性能产生不利影响。用作 sessionId 的值不能以“_”字符开头。
skip	integer (int32)	要跳过的搜索结果数。此值不能大于 100,000。如果您需要按顺序扫描文档，但由于此限制而无法使用 skip，请考虑在全排序键上使用 orderby，并改用范围查询进行筛选。
top	integer (int32)	要检索的搜索结果数。这可以与$skip结合使用，以实现搜索结果的客户端分页。如果由于服务器端分页而截断结果，则响应将包括一个延续令牌，该令牌可用于为下一页结果发出另一个搜索请求。
vectorFilterMode	VectorFilterMode	确定是在执行矢量搜索之前还是之后应用过滤器。新索引的默认值为“preFilter”。
vectorQueries	VectorQuery[]: RawVectorQuery[] VectorizableTextQuery[]	矢量和混合搜索查询的查询参数。

响应

名称	类型	说明
200 OK	SearchDocumentsResult	包含与搜索条件匹配的文档的响应。
Other Status Codes	SearchDocumentsResult	包含与搜索条件匹配的部分文档的响应。
Other Status Codes	ErrorResponse	错误响应。

示例

SearchIndexSearchDocumentsPost

SearchIndexSearchDocumentsSemanticPost

SearchIndexSearchDocumentsPost

示例请求

HTTP

POST https://stableexampleservice.search.windows.net/indexes('stable-test')/docs/search.post.search?api-version=2025-09-01


{
  "count": true,
  "facets": [
    "ownerId"
  ],
  "filter": "category eq 'purple' or category eq 'pink'",
  "highlight": "category",
  "highlightPostTag": "</em>",
  "highlightPreTag": "</em>",
  "minimumCoverage": 100,
  "queryType": "semantic",
  "scoringStatistics": "global",
  "sessionId": "mysessionid",
  "scoringParameters": [
    "categoryTag:desiredCategoryValue"
  ],
  "scoringProfile": "stringFieldBoost",
  "debug": "vector",
  "search": "purple",
  "searchFields": "id,name,description,category,ownerId",
  "searchMode": "any",
  "select": "id,name,description,category,ownerId",
  "skip": 0,
  "top": 10,
  "semanticConfiguration": "testconfig",
  "semanticErrorHandling": "partial",
  "semanticMaxWaitInMilliseconds": 5000,
  "semanticQuery": "find all purple",
  "answers": "extractive",
  "captions": "extractive",
  "vectorQueries": [
    {
      "vector": [
        0,
        1,
        2,
        3,
        4,
        5,
        6,
        7,
        8,
        9
      ],
      "kind": "vector",
      "k": 50,
      "fields": "vector22, vector1b",
      "exhaustive": true,
      "weight": 1
    }
  ],
  "vectorFilterMode": "preFilter"
}

示例响应

状态代码:: 200

{
  "@odata.count": 42,
  "@search.coverage": 100,
  "@search.facets": {
    "ownerId": [
      {
        "count": 26,
        "value": "sam"
      },
      {
        "count": 12,
        "value": "ryan"
      },
      {
        "count": 4,
        "value": "benny"
      }
    ]
  },
  "@search.answers": [],
  "value": [
    {
      "@search.score": 0.04419642686843872,
      "@search.highlights": {
        "category": [
          "</em>purple</em>"
        ]
      },
      "@search.rerankerScore": 1.7178425788879395,
      "@search.rerankerBoostedScore": 1.7178425788879395,
      "@search.captions": [
        {
          "text": "test10 hello.",
          "highlights": ""
        }
      ],
      "@search.documentDebugInfo": {
        "vectors": {
          "subscores": {
            "documentBoost": 1,
            "text": {
              "searchScore": 1.3862943649291992
            },
            "vectors": [
              {
                "vector22": {
                  "searchScore": 0.00011109876504633576,
                  "vectorSimilarity": 94.86833055544514
                },
                "vector1b": {
                  "searchScore": 0.0002499375259503722,
                  "vectorSimilarity": 63.24555189615253
                }
              }
            ]
          }
        }
      },
      "id": "10",
      "name": "test",
      "description": "test10 hello",
      "category": "purple",
      "ownerId": "benny"
    },
    {
      "@search.score": 0.012820512987673283,
      "@search.highlights": {
        "category": [
          "</em>purple</em>"
        ]
      },
      "@search.rerankerScore": 1.7079174518585205,
      "@search.rerankerBoostedScore": 1.7079174518585205,
      "@search.captions": [
        {
          "text": "no vector.",
          "highlights": "</em>no vector.</em>"
        }
      ],
      "@search.documentDebugInfo": {
        "vectors": {
          "subscores": {
            "documentBoost": 1,
            "text": {
              "searchScore": 1.0779930353164673
            },
            "vectors": [
              {}
            ]
          }
        }
      },
      "id": "empty-vectors",
      "name": "test",
      "description": "no vector",
      "category": "purple",
      "ownerId": "sam"
    },
    {
      "@search.score": 0.011627906933426857,
      "@search.highlights": {
        "category": [
          "</em>purple</em>"
        ]
      },
      "@search.rerankerScore": 1.7079174518585205,
      "@search.rerankerBoostedScore": 1.7079174518585205,
      "@search.captions": [
        {
          "text": "no vector.",
          "highlights": "</em>no vector.</em>"
        }
      ],
      "@search.documentDebugInfo": {
        "vectors": {
          "subscores": {
            "documentBoost": 1,
            "text": {
              "searchScore": 0.3250378668308258
            },
            "vectors": [
              {}
            ]
          }
        }
      },
      "id": "no-vectors",
      "name": "test",
      "description": "no vector",
      "category": "purple",
      "ownerId": "sam"
    },
    {
      "@search.score": 0.0431547611951828,
      "@search.highlights": {
        "category": [
          "</em>purple</em>"
        ]
      },
      "@search.rerankerScore": 1.6994102001190186,
      "@search.rerankerBoostedScore": 1.6994102001190186,
      "@search.captions": [
        {
          "text": "test4 hello.",
          "highlights": ""
        }
      ],
      "@search.documentDebugInfo": {
        "vectors": {
          "subscores": {
            "documentBoost": 1,
            "text": {
              "searchScore": 0.3250378668308258
            },
            "vectors": [
              {
                "vector22": {
                  "searchScore": 0.00017358097829855978,
                  "vectorSimilarity": 75.89466323761327
                },
                "vector1b": {
                  "searchScore": 0.0005099439295008779,
                  "vectorSimilarity": 44.27188622909418
                }
              }
            ]
          }
        }
      },
      "id": "4",
      "name": "test",
      "description": "test4 hello",
      "category": "purple",
      "ownerId": "sam"
    },
    {
      "@search.score": 0.04460374265909195,
      "@search.highlights": {
        "category": [
          "</em>purple</em>"
        ]
      },
      "@search.rerankerScore": 1.6937386989593506,
      "@search.rerankerBoostedScore": 1.6937386989593506,
      "@search.captions": [
        {
          "text": "test2 hello.",
          "highlights": ""
        }
      ],
      "@search.documentDebugInfo": {
        "vectors": {
          "subscores": {
            "documentBoost": 1,
            "text": {
              "searchScore": 0.3250378668308258
            },
            "vectors": [
              {
                "vector22": {
                  "searchScore": 0.00020656888955272734,
                  "vectorSimilarity": 69.5701087211589
                },
                "vector1b": {
                  "searchScore": 0.0006939625018276274,
                  "vectorSimilarity": 37.947332584023194
                }
              }
            ]
          }
        }
      },
      "id": "2",
      "name": "test",
      "description": "test2 hello",
      "category": "purple",
      "ownerId": "sam"
    },
    {
      "@search.score": 0.042533937841653824,
      "@search.highlights": {
        "category": [
          "</em>purple</em>"
        ]
      },
      "@search.rerankerScore": 1.6923208236694336,
      "@search.rerankerBoostedScore": 1.6923208236694336,
      "@search.captions": [
        {
          "text": "test5 hello.",
          "highlights": ""
        }
      ],
      "@search.documentDebugInfo": {
        "vectors": {
          "subscores": {
            "documentBoost": 1,
            "text": {
              "searchScore": 0.3250378668308258
            },
            "vectors": [
              {
                "vector22": {
                  "searchScore": 0.00015997439913917333,
                  "vectorSimilarity": 79.0569427290381
                },
                "vector1b": {
                  "searchScore": 0.0004442470089998096,
                  "vectorSimilarity": 47.43416449302081
                }
              }
            ]
          }
        }
      },
      "id": "5",
      "name": "test",
      "description": "test5 hello",
      "category": "purple",
      "ownerId": "sam"
    },
    {
      "@search.score": 0.04651741310954094,
      "@search.highlights": {
        "category": [
          "</em>purple</em>"
        ]
      },
      "@search.rerankerScore": 1.691611886024475,
      "@search.rerankerBoostedScore": 1.691611886024475,
      "@search.captions": [
        {
          "text": "test7 hello.",
          "highlights": ""
        }
      ],
      "@search.documentDebugInfo": {
        "vectors": {
          "subscores": {
            "documentBoost": 1,
            "text": {
              "searchScore": 1.9616584777832031
            },
            "vectors": [
              {
                "vector22": {
                  "searchScore": 0.00013715539535041898,
                  "vectorSimilarity": 85.38149735825786
                },
                "vector1b": {
                  "searchScore": 0.00034590106224641204,
                  "vectorSimilarity": 53.758721003860366
                }
              }
            ]
          }
        }
      },
      "id": "7",
      "name": "test",
      "description": "test7 hello",
      "category": "purple",
      "ownerId": "sam"
    },
    {
      "@search.score": 0.04703196510672569,
      "@search.highlights": {
        "category": [
          "</em>purple</em>"
        ]
      },
      "@search.rerankerScore": 1.6781420707702637,
      "@search.rerankerBoostedScore": 1.6781420707702637,
      "@search.captions": [
        {
          "text": "test0 hello.",
          "highlights": ""
        }
      ],
      "@search.documentDebugInfo": {
        "vectors": {
          "subscores": {
            "documentBoost": 1,
            "text": {
              "searchScore": 1.0779930353164673
            },
            "vectors": [
              {
                "vector22": {
                  "searchScore": 0.0002499375259503722,
                  "vectorSimilarity": 63.24555189615253
                },
                "vector1b": {
                  "searchScore": 0.0009990009712055326,
                  "vectorSimilarity": 31.622777042048124
                }
              }
            ]
          }
        }
      },
      "id": "0",
      "name": "test",
      "description": "test0 hello",
      "category": "purple",
      "ownerId": "benny"
    },
    {
      "@search.score": 0.043300654739141464,
      "@search.highlights": {
        "category": [
          "</em>purple</em>"
        ]
      },
      "@search.rerankerScore": 1.6653810739517212,
      "@search.rerankerBoostedScore": 1.6653810739517212,
      "@search.captions": [
        {
          "text": "test8 hello.",
          "highlights": ""
        }
      ],
      "@search.documentDebugInfo": {
        "vectors": {
          "subscores": {
            "documentBoost": 1,
            "text": {
              "searchScore": 1.1507283449172974
            },
            "vectors": [
              {
                "vector22": {
                  "searchScore": 0.00012753476039506495,
                  "vectorSimilarity": 88.5437719937623
                },
                "vector1b": {
                  "searchScore": 0.0003085467324126512,
                  "vectorSimilarity": 56.92099902893652
                }
              }
            ]
          }
        }
      },
      "id": "8",
      "name": "test",
      "description": "test8 hello",
      "category": "purple",
      "ownerId": "sam"
    },
    {
      "@search.score": 0.04082724079489708,
      "@search.highlights": {
        "category": [
          "</em>purple</em>"
        ]
      },
      "@search.rerankerScore": 1.6618363857269287,
      "@search.rerankerBoostedScore": 1.6618363857269287,
      "@search.captions": [
        {
          "text": "test11 hello.",
          "highlights": ""
        }
      ],
      "@search.documentDebugInfo": {
        "vectors": {
          "subscores": {
            "documentBoost": 1,
            "text": {
              "searchScore": 0.3250378668308258
            },
            "vectors": [
              {
                "vector22": {
                  "searchScore": 0.00010404744534753263,
                  "vectorSimilarity": 98.03060760075451
                },
                "vector1b": {
                  "searchScore": 0.00022670596081297845,
                  "vectorSimilarity": 66.40783109116562
                }
              }
            ]
          }
        }
      },
      "id": "11",
      "name": "test",
      "description": "test11 hello",
      "category": "purple",
      "ownerId": "sam"
    }
  ]
}

状态代码:: 206

{
  "@odata.count": 42,
  "@search.coverage": 100,
  "@search.facets": {
    "ownerId": [
      {
        "count": 26,
        "value": "sam"
      },
      {
        "count": 12,
        "value": "ryan"
      },
      {
        "count": 4,
        "value": "benny"
      }
    ]
  },
  "@search.answers": [],
  "value": [
    {
      "@search.score": 0.04419642686843872,
      "@search.highlights": {
        "category": [
          "</em>purple</em>"
        ]
      },
      "@search.rerankerScore": 1.7178425788879395,
      "@search.rerankerBoostedScore": 1.7178425788879395,
      "@search.captions": [
        {
          "text": "test10 hello.",
          "highlights": ""
        }
      ],
      "@search.documentDebugInfo": {
        "vectors": {
          "subscores": {
            "documentBoost": 1,
            "text": {
              "searchScore": 1.3862943649291992
            },
            "vectors": [
              {
                "vector22": {
                  "searchScore": 0.00011109876504633576,
                  "vectorSimilarity": 94.86833055544514
                },
                "vector1b": {
                  "searchScore": 0.0002499375259503722,
                  "vectorSimilarity": 63.24555189615253
                }
              }
            ]
          }
        }
      },
      "id": "10",
      "name": "test",
      "description": "test10 hello",
      "category": "purple",
      "ownerId": "benny"
    },
    {
      "@search.score": 0.012820512987673283,
      "@search.highlights": {
        "category": [
          "</em>purple</em>"
        ]
      },
      "@search.rerankerScore": 1.7079174518585205,
      "@search.rerankerBoostedScore": 1.7079174518585205,
      "@search.captions": [
        {
          "text": "no vector.",
          "highlights": "</em>no vector.</em>"
        }
      ],
      "@search.documentDebugInfo": {
        "vectors": {
          "subscores": {
            "documentBoost": 1,
            "text": {
              "searchScore": 1.0779930353164673
            },
            "vectors": [
              {}
            ]
          }
        }
      },
      "id": "empty-vectors",
      "name": "test",
      "description": "no vector",
      "category": "purple",
      "ownerId": "sam"
    },
    {
      "@search.score": 0.011627906933426857,
      "@search.highlights": {
        "category": [
          "</em>purple</em>"
        ]
      },
      "@search.rerankerScore": 1.7079174518585205,
      "@search.rerankerBoostedScore": 1.7079174518585205,
      "@search.captions": [
        {
          "text": "no vector.",
          "highlights": "</em>no vector.</em>"
        }
      ],
      "@search.documentDebugInfo": {
        "vectors": {
          "subscores": {
            "documentBoost": 1,
            "text": {
              "searchScore": 0.3250378668308258
            },
            "vectors": [
              {}
            ]
          }
        }
      },
      "id": "no-vectors",
      "name": "test",
      "description": "no vector",
      "category": "purple",
      "ownerId": "sam"
    },
    {
      "@search.score": 0.0431547611951828,
      "@search.highlights": {
        "category": [
          "</em>purple</em>"
        ]
      },
      "@search.rerankerScore": 1.6994102001190186,
      "@search.rerankerBoostedScore": 1.6994102001190186,
      "@search.captions": [
        {
          "text": "test4 hello.",
          "highlights": ""
        }
      ],
      "@search.documentDebugInfo": {
        "vectors": {
          "subscores": {
            "documentBoost": 1,
            "text": {
              "searchScore": 0.3250378668308258
            },
            "vectors": [
              {
                "vector22": {
                  "searchScore": 0.00017358097829855978,
                  "vectorSimilarity": 75.89466323761327
                },
                "vector1b": {
                  "searchScore": 0.0005099439295008779,
                  "vectorSimilarity": 44.27188622909418
                }
              }
            ]
          }
        }
      },
      "id": "4",
      "name": "test",
      "description": "test4 hello",
      "category": "purple",
      "ownerId": "sam"
    },
    {
      "@search.score": 0.04460374265909195,
      "@search.highlights": {
        "category": [
          "</em>purple</em>"
        ]
      },
      "@search.rerankerScore": 1.6937386989593506,
      "@search.rerankerBoostedScore": 1.6937386989593506,
      "@search.captions": [
        {
          "text": "test2 hello.",
          "highlights": ""
        }
      ],
      "@search.documentDebugInfo": {
        "vectors": {
          "subscores": {
            "documentBoost": 1,
            "text": {
              "searchScore": 0.3250378668308258
            },
            "vectors": [
              {
                "vector22": {
                  "searchScore": 0.00020656888955272734,
                  "vectorSimilarity": 69.5701087211589
                },
                "vector1b": {
                  "searchScore": 0.0006939625018276274,
                  "vectorSimilarity": 37.947332584023194
                }
              }
            ]
          }
        }
      },
      "id": "2",
      "name": "test",
      "description": "test2 hello",
      "category": "purple",
      "ownerId": "sam"
    },
    {
      "@search.score": 0.042533937841653824,
      "@search.highlights": {
        "category": [
          "</em>purple</em>"
        ]
      },
      "@search.rerankerScore": 1.6923208236694336,
      "@search.rerankerBoostedScore": 1.6923208236694336,
      "@search.captions": [
        {
          "text": "test5 hello.",
          "highlights": ""
        }
      ],
      "@search.documentDebugInfo": {
        "vectors": {
          "subscores": {
            "documentBoost": 1,
            "text": {
              "searchScore": 0.3250378668308258
            },
            "vectors": [
              {
                "vector22": {
                  "searchScore": 0.00015997439913917333,
                  "vectorSimilarity": 79.0569427290381
                },
                "vector1b": {
                  "searchScore": 0.0004442470089998096,
                  "vectorSimilarity": 47.43416449302081
                }
              }
            ]
          }
        }
      },
      "id": "5",
      "name": "test",
      "description": "test5 hello",
      "category": "purple",
      "ownerId": "sam"
    },
    {
      "@search.score": 0.04651741310954094,
      "@search.highlights": {
        "category": [
          "</em>purple</em>"
        ]
      },
      "@search.rerankerScore": 1.691611886024475,
      "@search.rerankerBoostedScore": 1.691611886024475,
      "@search.captions": [
        {
          "text": "test7 hello.",
          "highlights": ""
        }
      ],
      "@search.documentDebugInfo": {
        "vectors": {
          "subscores": {
            "documentBoost": 1,
            "text": {
              "searchScore": 1.9616584777832031
            },
            "vectors": [
              {
                "vector22": {
                  "searchScore": 0.00013715539535041898,
                  "vectorSimilarity": 85.38149735825786
                },
                "vector1b": {
                  "searchScore": 0.00034590106224641204,
                  "vectorSimilarity": 53.758721003860366
                }
              }
            ]
          }
        }
      },
      "id": "7",
      "name": "test",
      "description": "test7 hello",
      "category": "purple",
      "ownerId": "sam"
    },
    {
      "@search.score": 0.04703196510672569,
      "@search.highlights": {
        "category": [
          "</em>purple</em>"
        ]
      },
      "@search.rerankerScore": 1.6781420707702637,
      "@search.rerankerBoostedScore": 1.6781420707702637,
      "@search.captions": [
        {
          "text": "test0 hello.",
          "highlights": ""
        }
      ],
      "@search.documentDebugInfo": {
        "vectors": {
          "subscores": {
            "documentBoost": 1,
            "text": {
              "searchScore": 1.0779930353164673
            },
            "vectors": [
              {
                "vector22": {
                  "searchScore": 0.0002499375259503722,
                  "vectorSimilarity": 63.24555189615253
                },
                "vector1b": {
                  "searchScore": 0.0009990009712055326,
                  "vectorSimilarity": 31.622777042048124
                }
              }
            ]
          }
        }
      },
      "id": "0",
      "name": "test",
      "description": "test0 hello",
      "category": "purple",
      "ownerId": "benny"
    },
    {
      "@search.score": 0.043300654739141464,
      "@search.highlights": {
        "category": [
          "</em>purple</em>"
        ]
      },
      "@search.rerankerScore": 1.6653810739517212,
      "@search.rerankerBoostedScore": 1.6653810739517212,
      "@search.captions": [
        {
          "text": "test8 hello.",
          "highlights": ""
        }
      ],
      "@search.documentDebugInfo": {
        "vectors": {
          "subscores": {
            "documentBoost": 1,
            "text": {
              "searchScore": 1.1507283449172974
            },
            "vectors": [
              {
                "vector22": {
                  "searchScore": 0.00012753476039506495,
                  "vectorSimilarity": 88.5437719937623
                },
                "vector1b": {
                  "searchScore": 0.0003085467324126512,
                  "vectorSimilarity": 56.92099902893652
                }
              }
            ]
          }
        }
      },
      "id": "8",
      "name": "test",
      "description": "test8 hello",
      "category": "purple",
      "ownerId": "sam"
    },
    {
      "@search.score": 0.04082724079489708,
      "@search.highlights": {
        "category": [
          "</em>purple</em>"
        ]
      },
      "@search.rerankerScore": 1.6618363857269287,
      "@search.rerankerBoostedScore": 1.6618363857269287,
      "@search.captions": [
        {
          "text": "test11 hello.",
          "highlights": ""
        }
      ],
      "@search.documentDebugInfo": {
        "vectors": {
          "subscores": {
            "documentBoost": 1,
            "text": {
              "searchScore": 0.3250378668308258
            },
            "vectors": [
              {
                "vector22": {
                  "searchScore": 0.00010404744534753263,
                  "vectorSimilarity": 98.03060760075451
                },
                "vector1b": {
                  "searchScore": 0.00022670596081297845,
                  "vectorSimilarity": 66.40783109116562
                }
              }
            ]
          }
        }
      },
      "id": "11",
      "name": "test",
      "description": "test11 hello",
      "category": "purple",
      "ownerId": "sam"
    }
  ]
}

SearchIndexSearchDocumentsSemanticPost

示例请求

HTTP

POST https://myservice.search.windows.net/indexes('myindex')/docs/search.post.search?api-version=2025-09-01

{
  "count": true,
  "highlightPostTag": "</em>",
  "highlightPreTag": "<em>",
  "queryType": "semantic",
  "search": "how do clouds form",
  "semanticConfiguration": "my-semantic-config",
  "answers": "extractive|count-3",
  "captions": "extractive|highlight-true",
  "semanticErrorHandling": "partial",
  "semanticMaxWaitInMilliseconds": 780
}

示例响应

状态代码:: 200

{
  "@odata.count": 25,
  "@search.answers": [
    {
      "key": "4123",
      "text": "Sunlight heats the land all day, warming that moist air and causing it to rise high into the   atmosphere until it cools and condenses into water droplets. Clouds generally form where air is ascending (over land in this case),   but not where it is descending (over the river).",
      "highlights": "Sunlight heats the land all day, warming that moist air and causing it to rise high into the   atmosphere until it cools and condenses into water droplets. Clouds generally form<em> where air is ascending</em> (over land in this case),   but not where it is<em> descending</em> (over the river).",
      "score": 0.94639826
    }
  ],
  "@search.nextPageParameters": {
    "count": true,
    "highlightPostTag": "</em>",
    "highlightPreTag": "<em>",
    "queryType": "semantic",
    "search": "how do clouds form",
    "semanticConfiguration": "my-semantic-config",
    "answers": "extractive|count-3",
    "captions": "extractive|highlight-true",
    "semanticErrorHandling": "partial",
    "semanticMaxWaitInMilliseconds": 780,
    "skip": 2,
    "top": 8
  },
  "value": [
    {
      "@search.score": 0.5479723,
      "@search.rerankerScore": 1.0321671911515296,
      "@search.captions": [
        {
          "text": "Like all clouds, it forms when the air reaches its dew point—the temperature at which an air mass is cool enough for its water vapor to condense into liquid droplets. This false-color image shows valley fog, which is common in the Pacific Northwest of North America.",
          "highlights": "Like all<em> clouds</em>, it<em> forms</em> when the air reaches its dew point—the temperature at    which an air mass is cool enough for its water vapor to condense into liquid droplets. This false-color image shows valley<em> fog</em>, which is common in the Pacific Northwest of North America."
        }
      ],
      "id": "4123",
      "title": "Earth Atmosphere",
      "content": "Fog is essentially a cloud lying on the ground. Like all clouds, it forms when the air reaches its dew point—the temperature at  \n\nwhich an air mass is cool enough for its water vapor to condense into liquid droplets.\n\nThis false-color image shows valley fog, which is common in the Pacific Northwest of North America. On clear winter nights, the \n\nground and overlying air cool off rapidly, especially at high elevations. Cold air is denser than warm air, and it sinks down into the \n\nvalleys. The moist air in the valleys gets chilled to its dew point, and fog forms. If undisturbed by winds, such fog may persist for \n\ndays. The Terra satellite captured this image of foggy valleys northeast of Vancouver in February 2010.\n\n\n",
      "locations": [
        "Pacific Northwest",
        "North America",
        "Vancouver"
      ]
    }
  ],
  "@odata.nextLink": "https://myservice.search.windows.net/indexes('myindex')/docs/search.post.search?api-version=2024-07-01"
}

状态代码:: 206

{
  "@odata.count": 25,
  "@search.answers": [
    {
      "key": "4123",
      "text": "Sunlight heats the land all day, warming that moist air and causing it to rise high into the   atmosphere until it cools and condenses into water droplets. Clouds generally form where air is ascending (over land in this case),   but not where it is descending (over the river).",
      "highlights": "Sunlight heats the land all day, warming that moist air and causing it to rise high into the   atmosphere until it cools and condenses into water droplets. Clouds generally form<em> where air is ascending</em> (over land in this case),   but not where it is<em> descending</em> (over the river).",
      "score": 0.94639826
    }
  ],
  "@search.nextPageParameters": {
    "count": true,
    "highlightPostTag": "</em>",
    "highlightPreTag": "<em>",
    "queryType": "semantic",
    "search": "how do clouds form",
    "semanticConfiguration": "my-semantic-config",
    "answers": "extractive|count-3",
    "captions": "extractive|highlight-true",
    "semanticErrorHandling": "partial",
    "semanticMaxWaitInMilliseconds": 780,
    "skip": 2,
    "top": 8
  },
  "value": [
    {
      "@search.score": 0.5479723,
      "@search.rerankerScore": 1.0321671911515296,
      "@search.captions": [
        {
          "text": "Like all clouds, it forms when the air reaches its dew point—the temperature at which an air mass is cool enough for its water vapor to condense into liquid droplets. This false-color image shows valley fog, which is common in the Pacific Northwest of North America.",
          "highlights": "Like all<em> clouds</em>, it<em> forms</em> when the air reaches its dew point—the temperature at    which an air mass is cool enough for its water vapor to condense into liquid droplets. This false-color image shows valley<em> fog</em>, which is common in the Pacific Northwest of North America."
        }
      ],
      "id": "4123",
      "title": "Earth Atmosphere",
      "content": "Fog is essentially a cloud lying on the ground. Like all clouds, it forms when the air reaches its dew point—the temperature at  \n\nwhich an air mass is cool enough for its water vapor to condense into liquid droplets.\n\nThis false-color image shows valley fog, which is common in the Pacific Northwest of North America. On clear winter nights, the \n\nground and overlying air cool off rapidly, especially at high elevations. Cold air is denser than warm air, and it sinks down into the \n\nvalleys. The moist air in the valleys gets chilled to its dew point, and fog forms. If undisturbed by winds, such fog may persist for \n\ndays. The Terra satellite captured this image of foggy valleys northeast of Vancouver in February 2010.\n\n\n",
      "locations": [
        "Pacific Northwest",
        "North America",
        "Vancouver"
      ]
    }
  ],
  "@odata.nextLink": "https://myservice.search.windows.net/indexes('myindex')/docs/search.post.search?api-version=2024-07-01"
}

定义

名称	说明
AnswerResult	答案是从与查询匹配的最相关文档的内容中提取的文本段落。答案是从热门搜索结果中提取的。对答案候选者进行评分并选择排名靠前的答案。
CaptionResult	标题是文档中相对于搜索查询最具代表性的段落。它们通常用作文档摘要。仅对类型的 `semantic`查询返回标题。
DocumentDebugInfo	包含可用于进一步浏览搜索结果的调试信息。
ErrorAdditionalInfo	资源管理错误附加信息。
ErrorDetail	错误详细信息。
ErrorResponse	错误响应
QueryAnswerType	指定是否应将答案作为搜索响应的一部分返回的值。
QueryCaptionType	指定是否应将字幕作为搜索响应的一部分返回的值。
QueryDebugMode	启用可用于进一步探索搜索结果的调试工具。
QueryResultDocumentSubscores	此文档的搜索查询的文本和矢量查询组件之间的子分数细分。每个向量查询都显示为一个单独的对象，其接收顺序与接收顺序相同。
QueryType	指定搜索查询的语法。默认值为“简单”。如果查询使用 Lucene 查询语法，请使用“full”。
RawVectorQuery	提供原始向量值时用于向量搜索的查询参数。
ScoringStatistics	该值指定我们是要全局计算评分统计信息（例如文档频率）以获得更一致的评分，还是在本地计算以降低延迟。默认值为“local”。在评分之前，使用“global”全局汇总评分统计信息。使用全局评分统计信息可能会增加搜索查询的延迟。
SearchDocumentsResult	包含索引搜索结果的响应。
SearchMode	指定是否必须匹配任何或所有搜索词才能将文档计为匹配项。
SearchRequest	用于筛选、排序、分面、分页和其他搜索查询行为的参数。
SearchResult	包含搜索查询找到的文档以及关联的元数据。
SemanticErrorMode	允许用户选择语义调用是完全失败（默认/当前行为）还是返回部分结果。
SemanticErrorReason	为语义排名请求返回部分响应的原因。
SemanticSearchResultsType	为语义排名请求返回的部分响应类型。
SingleVectorFieldResult	单个矢量场结果。 @search.score返回和向量相似度值。向量相似度通过方程相关 @search.score 。
TextResult	查询文本部分的 BM25 或经典分数。
VectorFilterMode	确定是在执行矢量搜索之前还是之后应用过滤器。
VectorizableTextQuery	当提供需要矢量化的文本值时用于矢量搜索的查询参数。
VectorQueryKind	正在执行的矢量查询类型。
VectorsDebugInfo

AnswerResult

Object

答案是从与查询匹配的最相关文档的内容中提取的文本段落。答案是从热门搜索结果中提取的。对答案候选者进行评分并选择排名靠前的答案。

名称	类型	说明
highlights	string	与 Text 属性中的文本段落相同，突出显示与查询最相关的文本短语。
key	string	从中提取答案的文档的密钥。
score	number (double)	分数值表示答案相对于为查询返回的其他答案与查询的相关性。
text	string	从文档内容中提取的文本段落作为答案。

CaptionResult

Object

标题是文档中相对于搜索查询最具代表性的段落。它们通常用作文档摘要。仅对类型的 semantic查询返回标题。

名称	类型	说明
highlights	string	与 Text 属性中的文本段落相同，其中突出显示了与查询最相关的短语。
text	string	从与搜索查询最相关的文档中提取的代表性文本段落。

DocumentDebugInfo

Object

包含可用于进一步浏览搜索结果的调试信息。

名称	类型	说明
vectors	VectorsDebugInfo	包含特定于矢量搜索和混合搜索的调试信息。

ErrorAdditionalInfo

Object

资源管理错误附加信息。

名称	类型	说明
info	object	其他信息。
type	string	其他信息类型。

ErrorDetail

Object

错误详细信息。

名称	类型	说明
additionalInfo	ErrorAdditionalInfo[]	错误附加信息。
code	string	错误代码。
details	ErrorDetail[]	错误详细信息。
message	string	错误消息。
target	string	错误目标。

ErrorResponse

Object

错误响应

名称	类型	说明
error	ErrorDetail	错误对象。

QueryAnswerType

枚举

指定是否应将答案作为搜索响应的一部分返回的值。

值	说明
none	不要返回查询的答案。
extractive	从响应以自然语言表示为问题的查询而返回的文档内容中提取候选答案。

QueryCaptionType

枚举

指定是否应将字幕作为搜索响应的一部分返回的值。

值	说明
none	不要返回查询的标题。
extractive	从包含与搜索查询相关的段落的匹配文档中提取标题。

QueryDebugMode

枚举

启用可用于进一步探索搜索结果的调试工具。

值	说明
disabled	不会返回任何查询调试信息。
vector	允许用户进一步探索其混合查询和矢量查询结果。

QueryResultDocumentSubscores

Object

此文档的搜索查询的文本和矢量查询组件之间的子分数细分。每个向量查询都显示为一个单独的对象，其接收顺序与接收顺序相同。

名称	类型	说明
documentBoost	number (double)	查询文本部分的 BM25 或经典分数。
text	TextResult	查询文本部分的 BM25 或经典分数。
vectors	<string, SingleVectorFieldResult>	每个向量查询的向量相似度和 @search.score 值。

QueryType

枚举

指定搜索查询的语法。默认值为“简单”。如果查询使用 Lucene 查询语法，请使用“full”。

值	说明
simple	使用简单的查询语法进行搜索。搜索文本使用允许 +、* 和“”等符号的简单查询语言进行解释。默认情况下，查询会跨所有可搜索字段进行评估，除非指定了 searchFields 参数。
full	使用完整的 Lucene 查询语法进行搜索。使用 Lucene 查询语言解释搜索文本，该语言允许特定于字段的加权搜索以及其他高级功能。
semantic	最适合用自然语言而不是关键字表达的查询。通过使用在 Web 语料库上训练的排名模型对排名靠前的搜索结果进行重新排名，提高搜索结果的精度。

RawVectorQuery

Object

提供原始向量值时用于向量搜索的查询参数。

名称	类型	说明
exhaustive	boolean	当 true 时，将触发对向量索引内所有向量的详尽 k 最近邻搜索。对于精确匹配至关重要的场景非常有用，例如确定基本事实值。
fields	string	类型为 Collection（Edm.Single）的向量字段将包含在搜索的向量中。
k	integer (int32)	作为顶级点击返回的最近邻数。
kind	string: vector	正在执行的矢量查询类型。
oversampling	number (double)	过采样因子。最小值为 1。它覆盖索引定义中配置的“defaultOversampling”参数。只有当 'rerankWithOriginalVectors' 为 true 时才能设置它。仅当在底层矢量场上使用压缩方法时，才允许使用此参数。
vector	number[] (float)	搜索查询的向量表示形式。
weight	number (float)	与同一搜索请求中的其他向量查询和/或文本查询相比，向量查询的相对权重。当组合不同向量查询生成的多个排名列表的结果和/或通过文本查询检索到的结果时，使用此值。权重越高，与该查询匹配的文档在最终排名中的排名就越高。默认值为 1.0，该值必须是大于零的正数。

ScoringStatistics

枚举

该值指定我们是要全局计算评分统计信息（例如文档频率）以获得更一致的评分，还是在本地计算以降低延迟。默认值为“local”。在评分之前，使用“global”全局汇总评分统计信息。使用全局评分统计信息可能会增加搜索查询的延迟。

值	说明
local	评分统计信息将在本地计算，以降低延迟。
global	评分统计数据将全局计算，以获得更一致的评分。

SearchDocumentsResult

Object

包含索引搜索结果的响应。

名称	类型	说明
@odata.count	integer (int64)	搜索作找到的结果总数，如果未请求计数，则为 null。如果存在，则计数可能大于此响应中的结果数。如果使用 $top 或 $skip 参数，或者查询无法在单个响应中返回所有请求的文档，则可能会发生这种情况。
@odata.nextLink	string	当查询无法在单个响应中返回所有请求的结果时，返回延续 URL。您可以使用此 URL 制定另一个 GET 或 POST 搜索请求，以获取搜索响应的下一部分。确保使用与生成此响应的请求相同的谓词（GET 或 POST）。
@search.answers	AnswerResult[]	答案查询搜索作的结果;如果未指定 answers 查询参数或设置为“none”，则为 null。
@search.coverage	number (double)	一个值，指示查询中包含的索引的百分比，如果请求中未指定 minimumCoverage，则为 null。
@search.facets	object	搜索作的分面查询结果，组织为每个分面字段的存储桶集合;null 如果查询不包含任何分面表达式。
@search.nextPageParameters	SearchRequest	当查询无法在单个响应中返回所有请求的结果时，返回延续 JSON 有效负载。可以将此 JSON 与 @odata.nextLink 另一个 POST 搜索请求一起使用，以获取搜索响应的下一部分。
@search.semanticPartialResponseReason	SemanticErrorReason	为语义排名请求返回部分响应的原因。
@search.semanticPartialResponseType	SemanticSearchResultsType	为语义排名请求返回的部分响应类型。
value	SearchResult[]	查询返回的结果序列。

SearchMode

枚举

指定是否必须匹配任何或所有搜索词才能将文档计为匹配项。

值	说明
any	必须匹配任何搜索词才能将文档计为匹配项。
all	必须匹配所有搜索词才能将文档计为匹配项。

SearchRequest

Object

用于筛选、排序、分面、分页和其他搜索查询行为的参数。

名称	类型	说明
answers	QueryAnswerType	指定是否应将答案作为搜索响应的一部分返回的值。
captions	QueryCaptionType	指定是否应将字幕作为搜索响应的一部分返回的值。
count	boolean	指定是否提取结果总数的值。默认值为 false。将此值设置为 true 可能会对性能产生影响。请注意，返回的计数是近似值。
debug	QueryDebugMode	启用调试工具，可用于进一步探索重新排名的结果。
facets	string[]	要应用于搜索查询的分面表达式的列表。每个分面表达式都包含一个字段名称，后跟一个逗号分隔的名称：值对列表。
filter	string	OData $filter要应用于搜索查询的表达式。
highlight	string	用于命中突出显示的以逗号分隔的字段名称列表。只有可搜索字段才能用于命中突出显示。
highlightPostTag	string	附加到命中突出显示的字符串标记。必须使用 highlightPreTag 进行设置。默认值为 </em>。
highlightPreTag	string	在点击突出显示之前添加的字符串标记。必须使用 highlightPostTag 进行设置。默认值为 <em>。
minimumCoverage	number (double)	一个介于 0 和 100 之间的数字，指示搜索查询必须覆盖的索引百分比，以便将查询报告为成功。此参数可用于确保搜索可用性，即使对于只有一个副本的服务也是如此。默认值为 100。
orderby	string	以逗号分隔的 OData $orderby表达式列表，用于对结果进行排序。每个表达式可以是字段名称，也可以是对 geo.distance（）或 search.score（）函数的调用。每个表达式后面可以跟 asc 表示升序，或 desc 表示降序。默认值为升序。平局将因文件的比赛比分而打破。如果未指定$orderby，则默认排序顺序是按文档匹配分数降序排列。最多可以有 32 个$orderby子句。
queryType	QueryType	指定搜索查询语法的值。默认值为“简单”。如果查询使用 Lucene 查询语法，请使用“full”。
scoringParameters	string[]	要使用格式 name-values 的评分函数中使用的参数值列表（例如，referencePointParameter）。例如，如果评分配置文件定义了一个函数，其参数名为“mylocation”，则参数字符串将为“mylocation--122.2,44.8”（不带引号）。
scoringProfile	string	用于评估匹配文档的匹配分数以对结果进行排序的评分配置文件的名称。
scoringStatistics	ScoringStatistics	该值指定我们是要全局计算评分统计信息（例如文档频率）以获得更一致的评分，还是在本地计算以降低延迟。默认值为“local”。在评分之前，使用“global”全局汇总评分统计信息。使用全局评分统计信息可能会增加搜索查询的延迟。
search	string	全文搜索查询表达式;使用“*”或省略此参数以匹配所有文档。
searchFields	string	以逗号分隔的字段名称列表，用于将全文搜索范围限定到的字段名称。在完整 Lucene 查询中使用字段搜索（fieldName：searchExpression）时，每个字段搜索表达式的字段名称优先于此参数中列出的任何字段名称。
searchMode	SearchMode	一个值，用于指定是否必须匹配任何或所有搜索词才能将文档计为匹配项。
select	string	要检索的字段的逗号分隔列表。如果未指定，则包括架构中标记为可检索的所有字段。
semanticConfiguration	string	在处理语义类型查询的文档时将使用的语义配置的名称。
semanticErrorHandling	SemanticErrorMode	允许用户选择语义调用是完全失败（默认/当前行为）还是返回部分结果。
semanticMaxWaitInMilliseconds	integer (int32) minimum: 700	允许用户设置语义扩充在请求失败之前完成处理所需的时间上限。
semanticQuery	string	允许设置单独的搜索查询，该查询将仅用于语义重新排名、语义标题和语义答案。对于需要在基本检索和排名阶段以及 L2 语义阶段之间使用不同查询的方案非常有用。
sessionId	string	用于创建粘性会话的值，有助于获得更一致的结果。只要使用相同的 sessionId，就会尽最大努力以相同的副本集为目标。请注意，重复重复使用相同的 sessionID 值可能会干扰副本之间请求的负载均衡，并对搜索服务的性能产生不利影响。用作 sessionId 的值不能以“_”字符开头。
skip	integer (int32)	要跳过的搜索结果数。此值不能大于 100,000。如果您需要按顺序扫描文档，但由于此限制而无法使用 skip，请考虑在全排序键上使用 orderby，并改用范围查询进行筛选。
top	integer (int32)	要检索的搜索结果数。这可以与$skip结合使用，以实现搜索结果的客户端分页。如果由于服务器端分页而截断结果，则响应将包括一个延续令牌，该令牌可用于为下一页结果发出另一个搜索请求。
vectorFilterMode	VectorFilterMode	确定是在执行矢量搜索之前还是之后应用过滤器。新索引的默认值为“preFilter”。
vectorQueries	VectorQuery[]: RawVectorQuery[] VectorizableTextQuery[]	矢量和混合搜索查询的查询参数。

SearchResult

Object

包含搜索查询找到的文档以及关联的元数据。

名称	类型	说明
@search.captions	CaptionResult[]	标题是文档中相对于搜索查询最具代表性的段落。它们通常用作文档摘要。仅针对类型为“语义”的查询返回字幕。
@search.documentDebugInfo	DocumentDebugInfo	包含可用于进一步浏览搜索结果的调试信息。
@search.highlights	object	文档中指示匹配搜索词的文本片段，按每个适用字段组织;null 如果未为查询启用命中突出显示。
@search.rerankerBoostedScore	number (double)	通过提升 Reranker 分数计算的相关性分数。搜索结果根据语义配置中的 useScoringProfileBoostedRanking 按 RerankerScore/RerankerBoostedScore 排序。RerankerBoostedScore 仅针对类型为“语义”的查询返回
@search.rerankerScore	number (double)	语义排名器为排名靠前的搜索结果计算的相关性分数。搜索结果首先按 RerankerScore 排序，然后按分数排序。 RerankerScore 仅针对类型为“semantic”的查询返回。
@search.score	number (double)	文档与查询返回的其他文档相比的相关性分数。

SemanticErrorMode

枚举

允许用户选择语义调用是完全失败（默认/当前行为）还是返回部分结果。

值	说明
partial	如果语义处理失败，部分结果仍会返回。部分结果的定义取决于失败的语义步骤以及失败的原因是什么。
fail	如果在语义处理步骤中出现异常，查询将失败，并根据错误返回相应的 HTTP 代码。

SemanticErrorReason

枚举

为语义排名请求返回部分响应的原因。

值	说明
maxWaitExceeded	如果已设置，并且 `semanticMaxWaitInMilliseconds` 语义处理持续时间超过该值。仅返回基本结果。
capacityOverloaded	请求受到限制。仅返回基本结果。
transient	语义过程的至少一个步骤失败了。

SemanticSearchResultsType

枚举

为语义排名请求返回的部分响应类型。

值	说明
baseResults	没有任何语义丰富或重新排名的结果。
rerankedResults	结果已使用重新排名模型重新排名，并将包括语义标题。它们不会包含任何答案、答案突出显示或标题突出显示。

SingleVectorFieldResult

Object

单个矢量场结果。 @search.score返回和向量相似度值。向量相似度通过方程相关 @search.score 。

名称	类型	说明
searchScore	number (double)	@search.score根据向量相似性分数计算的值。这是在纯单字段单向量查询中可见的分数。
vectorSimilarity	number (double)	本文档的向量相似性分数。请注意，这是相似性指标的规范定义，而不是“距离”版本。例如，余弦相似度而不是余弦距离。

TextResult

Object

查询文本部分的 BM25 或经典分数。

名称	类型	说明
searchScore	number (double)	查询文本部分的 BM25 或经典分数。

VectorFilterMode

枚举

确定是在执行矢量搜索之前还是之后应用过滤器。

值	说明
postFilter	在返回候选向量结果集后，将应用过滤器。根据过滤器选择性，这可能导致的结果少于参数“k”请求的结果。
preFilter	筛选器将在搜索查询之前应用。

VectorizableTextQuery

Object

当提供需要矢量化的文本值时用于矢量搜索的查询参数。

名称	类型	说明
exhaustive	boolean	当 true 时，将触发对向量索引内所有向量的详尽 k 最近邻搜索。对于精确匹配至关重要的场景非常有用，例如确定基本事实值。
fields	string	类型为 Collection（Edm.Single）的向量字段将包含在搜索的向量中。
k	integer (int32)	作为顶级点击返回的最近邻数。
kind	string: text	正在执行的矢量查询类型。
oversampling	number (double)	过采样因子。最小值为 1。它覆盖索引定义中配置的“defaultOversampling”参数。只有当 'rerankWithOriginalVectors' 为 true 时才能设置它。仅当在底层矢量场上使用压缩方法时，才允许使用此参数。
text	string	要矢量化以执行矢量搜索查询的文本。
weight	number (float)	与同一搜索请求中的其他向量查询和/或文本查询相比，向量查询的相对权重。当组合不同向量查询生成的多个排名列表的结果和/或通过文本查询检索到的结果时，使用此值。权重越高，与该查询匹配的文档在最终排名中的排名就越高。默认值为 1.0，该值必须是大于零的正数。

VectorQueryKind

枚举

正在执行的矢量查询类型。

值	说明
vector	提供原始向量值的矢量查询。
text	矢量查询，其中提供了需要矢量化的文本值。

VectorsDebugInfo

Object

名称	类型	说明
subscores	QueryResultDocumentSubscores	在选择结果集融合/组合方法（例如 RRF）之前文档的子分数细分。