Azure SQL Può Ora Generare Embedding — In T-SQL Puro, Senza Livello Applicativo

Emiliano Montesdeoca — Fri, 22 May 2026 00:00:00 +0000

Se hai mai costruito una pipeline RAG, conosci la tassa della pipeline: i tuoi dati vivono in SQL, ma per generare embedding devi estrarli, chiamare un’API di embedding, gestire il batching e i limiti di velocità, e archiviare i risultati da qualche parte con ricerca vettoriale. Spesso in un database completamente diverso.

Azure SQL ha appena eliminato la maggior parte di questo con due funzionalità ora generalmente disponibili: CREATE EXTERNAL MODEL e AI_GENERATE_EMBEDDINGS.

Cosa Fanno

Queste due funzionalità T-SQL lavorano come una pipeline integrata:

CREATE EXTERNAL MODEL — registra un endpoint di modello AI esterno come oggetto di database con nome. Imposti la posizione, il formato API, il tipo di modello e le credenziali una volta sola. Riutilizzalo ovunque.

AI_GENERATE_EMBEDDINGS — una funzione T-SQL scalare che chiama il modello registrato e restituisce un array JSON di valori vettoriali. Funziona nelle istruzioni SELECT, INSERT, UPDATE e MERGE.

Insieme formano una pipeline di embedding end-to-end senza lasciare il motore SQL.

Il Flusso di Lavoro Completo

-- Passo 1: Registra il tuo fornitore di embedding una volta
CREATE EXTERNAL MODEL MyEmbeddingModel
WITH (
 LOCATION = 'https://your-aoai-resource.openai.azure.com/',
 API_FORMAT = 'Azure OpenAI',
 MODEL_TYPE = EMBEDDINGS,
 MODEL = 'text-embedding-ada-002'
);

-- Passo 2: Genera embedding inline in T-SQL
UPDATE docs
SET embedding = AI_GENERATE_EMBEDDINGS(content USE MODEL MyEmbeddingModel)
FROM documents AS docs;

-- Passo 3: Cerca con la distanza vettoriale
SELECT TOP 10 id, content
FROM documents
ORDER BY VECTOR_DISTANCE('cosine', embedding,
 AI_GENERATE_EMBEDDINGS(@query USE MODEL MyEmbeddingModel));

Questa è l’intera pipeline: dati in SQL, embedding generati in SQL, ricerca per similarità in SQL. Nessun livello di orchestrazione, nessun ETL, nessun database vettoriale separato.

Formati API e Opzioni Supportate

In GA, API_FORMAT supporta Azure OpenAI e OpenAI. MODEL_TYPE è bloccato su EMBEDDINGS per ora. Il JSON PARAMETERS consente di impostare valori predefiniti a livello di modello incluso il conteggio dei tentativi:

PARAMETERS = '{"sql_rest_options":{"retry_count":3}}'

L’autenticazione usa le credenziali del database, quindi i segreti rimangono fuori dal codice dell’applicazione.

Cosa Questo Abilita per le Applicazioni .NET

Per gli sviluppatori .NET che costruiscono funzionalità AI su dati SQL esistenti, questo è significativo. Non hai bisogno di:

Estrarre dati in un archivio intermedio per gli embedding
Gestire una pipeline di embedding esterna
Configurare un database vettoriale separato (anche se puoi usare Azure AI Search se vuoi un archivio vettoriale completo)
Modificare il livello di accesso ai dati della tua applicazione

Puoi aggiungere la ricerca semantica alle applicazioni SQL esistenti in modo incrementale, usando gli stessi strumenti T-SQL che hai già.

Conclusione

I pattern RAG sui dati SQL sono diventati drammaticamente più semplici. AI_GENERATE_EMBEDDINGS + CREATE EXTERNAL MODEL significa che la tua applicazione SQL esistente può acquisire capacità di ricerca vettoriale senza aggiungere nuova infrastruttura.

Entrambe le funzionalità sono in GA in Azure SQL Database e Azure SQL Managed Instance oggi.