Observação
O acesso a essa página exige autorização. Você pode tentar entrar ou alterar diretórios.
O acesso a essa página exige autorização. Você pode tentar alterar os diretórios.
Aplica-se a:
SQL Server 2025 (17.x) Banco de Dados SQL do AzureBanco de DadosSQL do Azure Banco de Dados SQL banco de dados SQL do Banco de Dados SQL do Azurebanco de dados SQL no Microsoft Fabric
Este artigo contém perguntas frequentes sobre vetores e inserções no Mecanismo de Banco de Dados SQL.
Para obter exemplos e exemplos, visite o repositório de Exemplos de IA do SQL.
Posso criar uma solução rag (geração aumentada de recuperação) completamente no T-SQL?
Sim, você pode criar uma solução de GERAção de Retrieval-Augmented (RAG) usando T-SQL. Esse tipo de solução aproveita os recursos do Mecanismo de Banco de Dados SQL para gerenciar e consultar seus dados com eficiência. Você pode usar o T-SQL para implementar a lógica de recuperação e processamento de dados necessária, além de integrar com serviços externos de IA para o aspecto de geração. Os vetores podem ser armazenados nativamente no mecanismo sql e conexões com LLMs que fornecem recursos de compreensão de linguagem natural são possíveis por meio de sp_invoke_external_rest_endpoint.
- Implementar uma solução RAG e chamar o OpenAI diretamente do BD SQL do Azure para fazer perguntas sobre seus dados
- Resultados previsíveis de LLM com saída estruturada e sp_invoke_external_rest_endpoint
Por que eu criaria uma solução RAG completamente no T-SQL?
Se você quiser melhorar um aplicativo existente sem precisar re-arquitetar para dar suporte a recursos de IA, use os recursos internos do mecanismo SQL para implementar funcionalidades de IA diretamente em suas consultas de banco de dados. Você só precisa atualizar o código T-SQL para incorporar recursos de IA, em vez de fazer alterações abrangentes na arquitetura do aplicativo.
- Migrar e modernizar cargas de trabalho do Windows Server, do SQL Server e do .NET
- Modernizar aplicativos com SQL do Azure, OpenAI e construtor de API de Dados
Há exemplos de ponta a ponta usando o SQL do Azure ou o SQL do Fabric para RAG?
Claro, você pode encontrar exemplos de ponta a ponta para RAG usando o SQL do Azure e o SQL do Fabric aqui:
Posso fazer com que o RAG trabalhe em dados estruturados, como colunas e linhas?
Se você precisar trabalhar com dados estruturados, ainda poderá aproveitar o RAG combinando-o com outras técnicas, como o uso de inserções para representar seus dados estruturados de uma maneira que possa ser compreendida pelo modelo de IA. Isso permite que você execute tarefas de recuperação e geração em dados estruturados enquanto ainda se beneficia dos recursos do RAG.
Por que enviar um esquema completo e complexo para uma LLM leva a uma geração de SQL ruim e como posso corrigi-lo?
Se você tiver um esquema de banco de dados complexo e grande, com centenas de tabelas e exibições, é melhor usar uma abordagem de vários agentes para ajudar a reduzir o ruído e permitir que os modelos de IA se concentrem em áreas específicas do esquema. Uma descrição completa, juntamente com um exemplo de ponta a ponta de trabalho, está disponível aqui:
Posso me conectar ao Azure OpenAI usando a Identidade Gerenciada?
Sim, você pode se conectar ao Azure OpenAI usando a Identidade Gerenciada. Isso permite que você autentique e acesse com segurança o Serviço OpenAI do Azure sem precisar gerenciar credenciais diretamente. Para obter mais informações, consulte:
- Use autenticação sem senha ao chamar Azure OpenAI do Azure SQL usando identidades gerenciadas
- Criar um MODELO EXTERNO com o Azure OpenAI usando a Identidade Gerenciada
Meus dados são usados pela Microsoft para modelos de treinamento?
Não. Os dados não são usados pela Microsoft para modelos de treinamento. Consulte a documentação de IA responsável para obter mais informações.
Quais dados o Serviço OpenAI do Azure processa?
Consulte os dados, a privacidade e a segurança do documento do Serviço OpenAI do Azure para obter mais informações.
Como posso proteger meus dados contra acesso não autorizado do Agente de IA?
O SQL do Azure e o SQL Server fornecem amplo suporte para segurança de acesso refinado:
- Introdução às permissões do Mecanismo de Banco de Dados: controle o acesso a objetos de banco de dados em um nível granular usando permissões.
- Row-Level Security (RLS): controle o acesso a linhas em uma tabela com base nas características do usuário que executa uma consulta. Você pode ver o RLS em ação neste vídeo.
- Mascaramento dinâmico de dados: limite a exposição de dados confidenciais mascarando-os a usuários não privilegiados.
- Always Encrypted: proteja dados confidenciais criptografando-os em repouso e em trânsito, garantindo que somente usuários autorizados possam acessar os dados não criptografados.
Também é possível auditar qualquer operação feita no banco de dados usando o recurso auditoria no SQL do Azure e no SQL Server.
Auditoria do SQL Server (Mecanismo de Banco de Dados)