1. 简单介绍
我们可以使用Azure AI Search作为向量的存储库，同时Azure AI Search也提供了keyword search, vector search和Hybrid search等功能。在Azure AI Search中有Index，Indexer, Skillset, Scale, Semantic Ranker等概念，具体的内容可以参考微软的mslearn文章。
这边将尝试去创建一个Azure AI Search并以Rag的方式使用一下
2. Azure AI Search
2.1 创建Azure AI Search
- 在Azure portal 的Azure AI Foundry界面中，选择左侧的AI Search菜单，然后点击Create按钮，
- 在Create a search service界面中，选择subscription和pricing tier，同时设定search name，
note, 不同的pricing tier对应不同的capacity，费用也不同的。
- 最后在review界面中，点击create按钮，
4）最后创建成功
2.2 配置Azure AI Search
- 在Azure AI Search界面中，点击import data(new)按钮，
- 在Choose a data source界面中，选择Azure Blob Storage选项，
- 点击RAG选项，如下图所示，
- 在Connect to your data 界面中，选择Storage account和Blob container
note, 这边假定已经创建了一个Azure blob storage，用于存放resumes，
- 在Vectorize your text界面，选择Azure OpenAI service和embeding model，这边在Authentication type中选择的是API key，
- 下面的界面没有设置值，当前这边没有用的OCR等Azure AI Skillset，
- 在Advance settings中，选择Enable semantic ranker
- 在review and create界面中，点击Create按钮，
- 弹出如下界面，表示创建成功了，
- 在创建的Azure AI Search index 的 Fields界面中，发现有vector field 产生，
- 在Search explorer中，直接点击Search按钮，发现有内容返回
2.3 记录配置信息
创建好Azure AI Search之后，需要记录一下Azure AI Search对应的endpoint和key，
- Endpoint信息，
- key信息，
3. 制作Custom Engine Agent
3.1 创建项目
- 假定在VSCode中已经安装了Microsoft 365 Agents Toolkit，以前的名字是Teams Toolkit，
- 创建了一个Custom Engine Agent，
- 选择 Basic AI Chatbot，
- 选择Typescript语言，
- 配置Azure Open AI key, endpoint等信息
- 最后创建了一个Custom Agent，如下图所示，
7）定制项目并配置Azure AI Search的endpoint, key, index name, embeding model等信息，
3.2 运行项目
- 在VSCode的项目中，点击RUN AND DEBUG下拉框，选择Debug in Teams(Desktop)并运行，
- 启动项目的过程中会弹出下面的提示窗，点击Continue按钮，
- 在弹出的如下Teams App窗口中，点击Add按钮，
- 在下面的界面中，点击Open按钮，
- 最后输入想提问的问题，bot会通过Azure AI Search的vector search进行内容检索，并将检索结果提供给Azure Open AI作为上下文, 最后返回内容给bot同时bot返回内容给用户，如下图所示，
4. 总结
本文记录了一下创建Azure AI Search并以RAG的方式来使用Azure AI Search的过程。在别的Vector storage中也有和Azure AI Search对应的概念的，比如Qdrant中Collection对应的是AI Search中的Index，Payload对应的是Fields等。不过相对其他的RAG解决方案，Azure AI Search的可拓展性可能比较强一些，支持partion和replicas的两种拓展方式。更加详细的内容，还可以参考微软的mslearn文章。
本文如果哪里有错误，麻烦告之，谢谢谢谢！