Azure AI Search

Azure 上的全托管检索服务，同一索引内支持全文、向量与混合检索。

核心功能

Azure AI Search 是 Azure 上的全托管检索服务：创建搜索服务后，用 azure-search-documents SDK 定义索引字段与向量配置并上传文档，即可做全文、向量与混合检索。它把倒排索引、向量索引与语义重排收进一套服务，代价是容量按定价层与搜索单位购买。

功能亮点

一索引多模

同一个索引里既有可全文检索的字段也有向量字段，可直接做混合检索。

算法可选

向量配置里声明 HNSW 或穷举 KNN 算法，再由 profile 绑定到具体字段。

集成向量化

配置 vectorizer 后由服务在索引和查询阶段生成向量，不必自己算嵌入。

免费层可试

Free 层每订阅每区域 1 个服务，含 3 个索引与 50 MB 存储。

适用场景

• 在 Azure 上做企业内部文档检索，一次查询同时用关键词和向量召回
• 为 RAG 应用建知识库，用索引器从 Blob 拉取文档并由技能集分块、向量化
• 电商站内搜索里用可过滤字段（类目、标签）约束向量检索的结果范围

安装配置

bash

开通服务：
1) 准备 Azure 订阅，在 Azure 门户中创建 Azure AI Search 服务（选择区域与定价层）
2) 记录服务终结点，形如 https://<服务名>.search.windows.net
3) 获取管理密钥（API key），或改用 Microsoft Entra ID 的无密钥认证
4) 创建索引：为向量字段设置 vector_search_dimensions 与 vector_search_profile_name，
   并在 VectorSearch 中声明算法配置与 profile

安装客户端 SDK：
pip install azure-search-documents

使用方法

python

创建带向量字段的索引：
from azure.core.credentials import AzureKeyCredential
from azure.search.documents import SearchClient
from azure.search.documents.indexes import SearchIndexClient
from azure.search.documents.models import VectorizedQuery
from azure.search.documents.indexes.models import (
    SimpleField, SearchField, SearchFieldDataType, SearchableField,
    SearchIndex, VectorSearch, VectorSearchProfile, HnswAlgorithmConfiguration
)

search_endpoint = "https://<服务名>.search.windows.net"
credential = AzureKeyCredential("<ADMIN_KEY>")
index_name = "vector-search-quickstart"

index_client = SearchIndexClient(endpoint=search_endpoint, credential=credential)

fields = [
    SimpleField(name="HotelId", type=SearchFieldDataType.String, key=True, filterable=True),
    SearchableField(name="HotelName", type=SearchFieldDataType.String, sortable=True),
    SearchableField(name="Description", type=SearchFieldDataType.String),
    SearchField(
        name="DescriptionVector",
        type=SearchFieldDataType.Collection(SearchFieldDataType.Single),
        searchable=True,
        vector_search_dimensions=1536,
        vector_search_profile_name="my-vector-profile"
    ),
]

vector_search = VectorSearch(
    algorithms=[
        HnswAlgorithmConfiguration(name="my-hnsw-vector-config-1", kind="hnsw")
    ],
    profiles=[
        VectorSearchProfile(name="my-vector-profile", algorithm_configuration_name="my-hnsw-vector-config-1")
    ]
)

index = SearchIndex(name=index_name, fields=fields, vector_search=vector_search)
result = index_client.create_or_update_index(index)

上传文档（documents 中每条含 DescriptionVector 向量）：
search_client = SearchClient(
    endpoint=search_endpoint,
    index_name=index_name,
    credential=credential
)

result = search_client.upload_documents(documents=documents)
for r in result:
    print(f"Key: {r.key}, Succeeded: {r.succeeded}, ErrorMessage: {r.error_message}")

向量检索：
vector_query = VectorizedQuery(
    vector=vector,
    k_nearest_neighbors=5,
    fields="DescriptionVector",
    kind="vector"
)

results = search_client.search(
    vector_queries=[vector_query],
    select=["HotelId", "HotelName", "Description"],
    top=5,
    include_total_count=True
)

关键指标

尚未核验对标产品，此处只列本工具自身指标，不做对比结论。

指标Azure AI Search

价格免费增值

开源否

上手难度进阶

优点

全文、向量、混合检索与语义重排在同一服务内完成，不必再拼一套关键词引擎
索引器与技能集能从数据源拉取内容并自动分块、向量化，减少自建数据管道
与 Azure 订阅、网络与合规体系打通，可用 Microsoft Entra ID 免密钥认证
官方提供 .NET / Java / JavaScript / Python SDK 与 REST API

缺点

Free 层每订阅每区域只有 1 个服务、3 个索引、50 MB 存储，且不提供 SLA
Free 服务长期闲置可能被删除；其索引器单次执行时间限 1–3 分钟、每 180 秒才能调用一次
向量字段维度上限 4096，单次推送的文档或批次载荷上限 16 MB
更高的存储与向量配额在 Israel Central、Qatar Central、Spain Central、South India 等区域尚不可用