Azure SQL Agora Pode Gerar Embeddings — Em T-SQL Puro, Sem Camada de Aplicação

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

Se você já construiu uma pipeline RAG, conhece o imposto da pipeline: seus dados vivem no SQL, mas para gerar embeddings você precisa extraí-los, chamar uma API de embeddings, lidar com batching e limites de taxa, e armazenar os resultados em algum lugar com busca vetorial. Muitas vezes em um banco de dados completamente diferente.

O Azure SQL acabou de eliminar a maior parte disso com duas funcionalidades que agora estão geralmente disponíveis: CREATE EXTERNAL MODEL e AI_GENERATE_EMBEDDINGS.

O Que Elas Fazem

Essas duas funcionalidades T-SQL funcionam como uma pipeline integrada:

CREATE EXTERNAL MODEL — registra um endpoint de modelo de IA externo como um objeto de banco de dados nomeado. Você define a localização, o formato da API, o tipo de modelo e as credenciais uma vez. Reutilize em qualquer lugar.

AI_GENERATE_EMBEDDINGS — uma função T-SQL escalar que chama o modelo registrado e retorna um array JSON de valores vetoriais. Funciona em instruções SELECT, INSERT, UPDATE e MERGE.

Juntos formam uma pipeline de embeddings de ponta a ponta sem sair do motor SQL.

O Fluxo de Trabalho Completo

-- Passo 1: Registre seu provedor de embeddings uma vez
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: Gere embeddings inline em T-SQL
UPDATE docs
SET embedding = AI_GENERATE_EMBEDDINGS(content USE MODEL MyEmbeddingModel)
FROM documents AS docs;

-- Passo 3: Pesquise com distância vetorial
SELECT TOP 10 id, content
FROM documents
ORDER BY VECTOR_DISTANCE('cosine', embedding,
 AI_GENERATE_EMBEDDINGS(@query USE MODEL MyEmbeddingModel));

Esse é o pipeline inteiro: dados no SQL, embeddings gerados no SQL, busca por similaridade no SQL. Sem camada de orquestração, sem ETL, sem banco de dados vetorial separado.

Formatos de API e Opções Suportadas

Em GA, API_FORMAT suporta Azure OpenAI e OpenAI. MODEL_TYPE está bloqueado em EMBEDDINGS por enquanto. O JSON PARAMETERS permite definir padrões a nível de modelo incluindo o número de tentativas:

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

A autenticação usa credenciais do banco de dados, portanto os segredos ficam fora do código da aplicação.

O Que Isso Habilita para Aplicações .NET

Para desenvolvedores .NET construindo funcionalidades de IA em dados SQL existentes, isso é significativo. Você não precisa:

Extrair dados para um armazenamento intermediário para embeddings
Gerenciar uma pipeline de embeddings externa
Configurar um banco de dados vetorial separado (embora você possa usar Azure AI Search se quiser um armazenamento vetorial completo)
Alterar a camada de acesso a dados da sua aplicação

Você pode adicionar busca semântica a aplicações SQL existentes de forma incremental, usando as mesmas ferramentas T-SQL que você já tem.

Conclusão

Os padrões RAG em dados SQL ficaram dramaticamente mais simples. AI_GENERATE_EMBEDDINGS + CREATE EXTERNAL MODEL significa que sua aplicação SQL existente pode ganhar capacidades de busca vetorial sem adicionar nova infraestrutura.

Ambas as funcionalidades estão em GA no Azure SQL Database e Azure SQL Managed Instance hoje.