Azure SQL Kan Nu Embeddings Genereren — In Puur T-SQL, Geen Applicatielaag Nodig

Als u ooit een RAG-pipeline hebt gebouwd, kent u de pipeline-belasting: uw gegevens leven in SQL, maar om embeddings te genereren moet u ze extraheren, een embedding-API aanroepen, batching en snelheidslimieten beheren, en de resultaten ergens opslaan met vector-zoekfunctionaliteit. Vaak in een geheel andere database.

Azure SQL heeft het meeste daarvan zojuist geëlimineerd met twee functies die nu algemeen beschikbaar zijn: CREATE EXTERNAL MODEL en AI_GENERATE_EMBEDDINGS.

Wat Ze Doen

Deze twee T-SQL-functies werken als een geïntegreerde pipeline:

CREATE EXTERNAL MODEL — registreert een extern AI-modelendpoint als een benoemd databaseobject. U stelt locatie, API-indeling, modeltype en referenties eenmalig in. Overal herbruikbaar.

AI_GENERATE_EMBEDDINGS — een scalaire T-SQL-functie die het geregistreerde model aanroept en een JSON-array van vectorwaarden retourneert. Werkt in SELECT-, INSERT-, UPDATE- en MERGE-instructies.

Samen vormen ze een end-to-end embedding-pipeline zonder het SQL-engine te verlaten.

De Complete Workflow

-- Stap 1: Registreer uw embedding-provider eenmalig
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'
);

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

-- Stap 3: Zoek met vectorafstand
SELECT TOP 10 id, content
FROM documents
ORDER BY VECTOR_DISTANCE('cosine', embedding, 
    AI_GENERATE_EMBEDDINGS(@query USE MODEL MyEmbeddingModel));

Dat is de volledige pipeline: gegevens in SQL, embeddings gegenereerd in SQL, gelijkenis zoeken in SQL. Geen orchestratielaag, geen ETL, geen aparte vectordatabase.

Ondersteunde API-indelingen en Opties

Bij GA ondersteunt API_FORMAT Azure OpenAI en OpenAI. MODEL_TYPE is voorlopig vergrendeld op EMBEDDINGS. De PARAMETERS JSON laat u standaardwaarden op modelniveau instellen, inclusief het aantal pogingen:

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

Verificatie gebruikt databasereferenties, zodat geheimen buiten uw applicatiecode blijven.

Wat Dit Mogelijk Maakt voor .NET-toepassingen

Voor .NET-ontwikkelaars die AI-functies bouwen op bestaande SQL-gegevens is dit significant. U hoeft niet:

Gegevens te extraheren naar een tussenopslag voor embeddings
Een externe embedding-pipeline te beheren
Een aparte vectordatabase in te stellen (u kunt Azure AI Search gebruiken als u een volwaardige vectoropslag wilt)
De gegevenstoegangslaag van uw toepassing te wijzigen

U kunt semantisch zoeken incrementeel toevoegen aan bestaande SQL-toepassingen, met dezelfde T-SQL-tools die u al heeft.

Conclusie

RAG-patronen op SQL-gegevens zijn dramatisch eenvoudiger geworden. AI_GENERATE_EMBEDDINGS + CREATE EXTERNAL MODEL betekent dat uw bestaande SQL-toepassing vectorzoekmogelijkheden kan krijgen zonder nieuwe infrastructuur toe te voegen.

Beide functies zijn vandaag GA in Azure SQL Database en Azure SQL Managed Instance.

Originele post: Generate Embeddings Function and External Model Object Support Are Now Generally Available in Azure SQL