Nota
O acesso a esta página requer autorização. Podes tentar iniciar sessão ou mudar de diretório.
O acesso a esta página requer autorização. Podes tentar mudar de diretório.
Aplica-se a:
SQL Server 2025 (17.x) Azure SQL Database AzureSQL Managed InstanceSQL database in Microsoft Fabric
Este artigo contém perguntas frequentes sobre vetores e incorporações no Mecanismo de Banco de Dados SQL.
Para exemplos e exemplos, visite o repositório SQL AI Samples.
Posso criar uma solução de geração aumentada de recuperação (RAG) completamente em T-SQL?
Sim, você pode criar uma solução de geração 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 de forma eficaz. Você pode usar o T-SQL para implementar a lógica de recuperação e processamento de dados necessária, ao mesmo tempo em que se integra com serviços de IA externos para o aspeto 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 via sp_invoke_external_rest_endpoint.
- Implemente uma solução RAG e chame o OpenAI diretamente do Banco de Dados SQL do Azure para fazer perguntas sobre seus dados
- Resultados de LLM previsíveis com saída estruturada e sp_invoke_external_rest_endpoint
Por que eu criaria uma solução RAG completamente em T-SQL?
Se você quiser melhorar um aplicativo existente sem ter que rearquitetá-lo para dar suporte aos 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 seu código T-SQL para incorporar recursos de IA, em vez de fazer alterações extensas na arquitetura do aplicativo.
- Migrar e modernizar cargas de trabalho do Windows Server, SQL Server e .NET
- Modernize aplicativos com o Azure SQL, OpenAI e construtor de API de dados
Existem exemplos de ponta a ponta usando o SQL do Azure ou o SQL de malha para RAG?
Claro, você pode encontrar exemplos de ponta a ponta para RAG usando o Azure SQL e o Fabric SQL aqui:
Posso ter o RAG trabalhando 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 incorporações para representar seus dados estruturados de uma forma 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 o envio de um esquema completo e complexo para um 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 multiagente 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 uma amostra de trabalho de ponta a ponta, 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:
- Utilize acesso sem palavra-passe ao chamar o Azure OpenAI do Azure SQL usando Identidades Geridas
- 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.
Que dados o Serviço OpenAI do Azure processa?
Consulte o documento Dados, privacidade e segurança do Serviço OpenAI do Azure para obter mais informações.
Como posso proteger meus dados contra acesso não autorizado ao AI Agent?
O SQL do Azure e o SQL Server fornecem suporte extensivo para segurança de acesso refinada:
- Introdução às permissões do Mecanismo de Banco de Dados: controle o acesso a objetos de banco de dados em um nível granular usando permissões.
- Segurança de Nível de Linha (RLS): Para controlar o acesso às linhas de uma tabela com base nas características do utilizador que executa uma consulta. Você pode ver a RLS em ação neste vídeo.
- Mascaramento dinâmico de dados: limite a exposição de dados confidenciais mascarando-os a usuários sem privilégios.
- Sempre criptografado: proteja dados confidenciais criptografando-os em repouso e em trânsito, garantindo que apenas 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)