Platí pro:
SQL Server 2025 (17.x) Azure SQL DatabaseSpravovaná instance Azure SQLSQL databáze v Microsoft Fabric
Tento článek obsahuje nejčastější dotazy týkající se vektorů a vkládání v Database Engine SQL.
Ukázky a příklady najdete v úložišti ukázek AI SQL.
Můžu v T-SQL vytvořit řešení generování rozšířeného o vyhledávání (RAG) zcela?
Ano, můžete vytvořit řešení Retrieval-Augmented Generation (RAG), které využívá nativní funkce modulu SQL Database Engine. T-SQL můžete použít k implementaci potřebné logiky načítání a zpracování dat a zároveň integraci s externími službami AI pro aspekt generování. Vektory lze nativně ukládat v enginu SQL a prostřednictvím sp_invoke_external_rest_endpoint je možné se připojit k LLM, které poskytují schopnosti porozumění přirozenému jazyku.
Proč bych v T-SQL zcela vytvořil(a) řešení RAG?
Pokud chcete vylepšit existující aplikaci, aniž byste ji museli znovu navrhovat, aby podporovala funkce umělé inteligence, použijte integrované funkce modulu SQL k implementaci funkcí AI přímo v databázových dotazech. Kód T-SQL je potřeba aktualizovat jenom tak, aby zahrnoval funkce AI, a nedělal rozsáhlé změny architektury vaší aplikace.
Existují kompletní ukázky s využitím Azure SQL nebo Fabric SQL pro RAG?
Určitě najdete kompletní ukázky pro RAG s využitím Azure SQL a Fabric SQL tady:
Mohu používat RAG pro práci se strukturovanými daty, například se sloupci a řádky?
Pokud potřebujete pracovat se strukturovanými daty, můžete i nadále využívat rag tím, že ho zkombinujete s jinými technikami, jako je například vkládání, které představují strukturovaná data způsobem, kterému model AI rozumí. To vám umožní provádět úlohy načítání a generování strukturovaných dat a zároveň využívat výhod funkcí RAG.
Proč odesílání úplného, složitého schématu do LLM vede k špatnému generování SQL a jak ho můžu opravit?
Pokud máte složité a velké schéma databáze se stovkami tabulek a zobrazení, je lepší použít přístup s více agenty, který pomáhá snížit šum a umožnit modelům AI zaměřit se na konkrétní oblasti schématu. Úplný popis spolu s funkční kompletní ukázkou najdete tady:
Můžu se připojit k Azure OpenAI pomocí spravované identity?
Ano, ke službě Azure OpenAI se můžete připojit pomocí spravované identity. To vám umožní bezpečně ověřovat a přistupovat ke službě Azure OpenAI, aniž byste museli spravovat přihlašovací údaje přímo. Další informace najdete tady:
Používají moje data Microsoft pro trénovací modely?
No. Microsoft data nepoužívá pro trénovací modely. Další informace najdete v dokumentaci k zodpovědné umělé inteligenci.
Jaká data služba Azure OpenAI zpracovává?
Podrobnosti o tom, jak se zpracovávají data, která poskytujete službě Azure Direct Models v Microsoft Foundry, najdete v tématu Data, ochrana osobních údajů a zabezpečení služby Azure OpenAI Service. „Azure Direct Model“ je model umělé inteligence označený a nasazený jako „Azure Direct Model“ ve Foundry a zahrnuje modely Azure OpenAI.
Jak můžu chránit svá data před neoprávněným přístupem agenta AI?
Azure SQL a SQL Server poskytují rozsáhlou podporu podrobného zabezpečení přístupu:
- Začínáme s oprávněními databázového stroje: Pomocí oprávnění můžete řídit přístup k databázovým objektům na podrobné úrovni.
- Používejte uložené procedury, které provádějí konkrétně autorizované operace v rámci mantinely. Udělte agentu oprávnění EXECUTE pouze podle potřeby místo udělení přímého přístupu k podkladovým tabulkám. Tímto způsobem agenti interagují s databází deterministicky pomocí předem napsaných příkazů T-SQL.
- Zabezpečení na úrovni řádků (RLS): Řízení přístupu k řádkům v tabulce na základě vlastností uživatele, který spouští dotaz. RLS můžete vidět v akci v tomto videu.
- Dynamické maskování dat: Omezte expozici citlivých dat tím, že je maskujte pro uživatele, kteří nejsou privilegovaní.
- Always Encrypted: Chrání citlivá data tím, že je šifruje při uložení i při přenosu, a zajišťuje, aby k nezašifrovaným datům měli přístup pouze oprávnění uživatelé.
Další informace o auditování v sql Database Engine najdete tady: