使用 .NET 构建 Azure AI Search 混合搜索应用

通过 Azure.Search.Documents SDK，开发者可以在 .NET 应用中快速集成企业级搜索能力，支持从简单的关键词匹配到复杂的向量与语义混合检索。

为什么需要这个技能

在构建现代 AI 应用（如 RAG 检索增强生成）时，传统的关键词搜索往往无法处理语义上的相似性，而纯向量搜索在处理精确术语（如产品型号）时效果不佳。

Azure AI Search 提供了“混合搜索”能力，允许将全文搜索、向量搜索和语义重排序（Semantic Ranking）结合在一起。掌握该 SDK 能让你在 C# 环境下高效地定义索引、管理文档并实现高相关性的搜索结果。

适用场景

• 智能知识库：构建支持自然语言问答的企业内部文档检索系统。
• 电商搜索：结合分类过滤（Facets）、排序和关键词匹配实现精准商品搜索。
• RAG 管道：作为 LLM 的检索层，通过向量和语义搜索提供高质量的上下文。
• 海量数据索引：需要快速上传、更新和删除大规模结构化/半结构化文档。

核心工作流

1. 环境配置与初始化

安装必要的 NuGet 包并配置身份验证。推荐在生产环境中使用 DefaultAzureCredential 以提高安全性。

dotnet add package Azure.Search.Documents
dotnet add package Azure.Identity

using Azure.Identity;
using Azure.Search.Documents;

var credential = new DefaultAzureCredential();
var client = new SearchClient(
    new Uri(Environment.GetEnvironmentVariable("SEARCH_ENDPOINT")),
    Environment.GetEnvironmentVariable("SEARCH_INDEX_NAME"),
    credential);

2. 定义索引结构

利用 FieldBuilder 和模型特性（Attributes）定义字段，包括可搜索、可过滤、可排序以及向量字段。

public class Hotel
{
    [SimpleField(IsKey = true, IsFilterable = true)]
    public string HotelId { get; set; }

    [SearchableField(IsSortable = true)]
    public string HotelName { get; set; }

    [VectorSearchField(VectorSearchDimensions = 1536, VectorSearchProfileName = "vector-profile")]
    public ReadOnlyMemory<float>? DescriptionVector { get; set; }
}

3. 实现混合搜索

将关键词查询与向量查询结合，并启用语义搜索配置，以获得最佳的排序效果。

var vectorQuery = new VectorizedQuery(embedding)
{
    KNearestNeighborsCount = 5,
    Fields = { "descriptionVector" }
};

var options = new SearchOptions
{
    QueryType = SearchQueryType.Semantic,
    SemanticSearch = new SemanticSearchOptions
    {
        SemanticConfigurationName = "my-semantic-config"
    },
    VectorSearch = new VectorSearchOptions
    {
        Queries = { vectorQuery }
    }
};

var results = await searchClient.SearchAsync<Hotel>("luxury beachfront", options);

下载和安装

下载 azure-search-documents-dotnet 中文版 Skill ZIP

解压后将目录放入你的 AI 工具 skills 文件夹，重启工具后即可使用。具体路径参考内附的 USAGE.zh.md。

你可能还需要

暂无推荐