Azure AI 검색에서 벡터 쿼리 만들기

2025-09-29

Azure AI Search에 벡터 인덱 스가 있는 경우 이 문서에서는 다음 방법을 설명합니다.

벡터 필드 쿼리
한 번에 여러 벡터 필드 쿼리
벡터 가중치 설정
통합 벡터화를 사용한 쿼리
임곗값을 설정하여 점수가 낮은 결과 제외(미리 보기)

이 문서에서는 설명을 위해 REST를 사용합니다. 기본 워크플로를 이해한 후에는 벡터 쿼리를 포함하는 엔드투엔드 솔루션을 제공하는 azure-search-vector-samples 리포지토리에서 Azure SDK 코드 샘플을 계속 진행합니다.

Azure Portal에서 검색 탐색기를 사용할 수도 있습니다.

필수 조건

모든 지역 및 계층의 Azure AI Search 서비스 입니다.
벡터 인덱스입니다. 인덱스에 vectorSearch 섹션이 있는지 확인하십시오.
선택적으로, 쿼리 중에 텍스트-벡터 또는 이미지-벡터 변환을 기본 제공하기 위해 인덱스에 벡터라이저를 추가할 수 있습니다.
이러한 예를 직접 실행하려는 경우 REST 클라이언트 및 샘플 데이터가 포함된 Visual Studio Code입니다. REST 클라이언트를 시작하려면 빠른 시작: REST를 사용한 전체 텍스트 검색을 참조하세요.

쿼리 문자열 입력을 벡터로 변환

벡터 필드를 쿼리하려면 쿼리 자체가 벡터여야 합니다.

사용자의 텍스트 쿼리 문자열을 벡터 표현으로 변환하는 한 가지 방법은 애플리케이션 코드에서 포함 라이브러리 또는 API를 호출하는 것입니다. 항상 원본 문서에서 포함을 생성하는 데 사용된 것과 동일한 포함 모델을 사용하는 것이 가장 좋습니다. azure-search-vector-samples 리포지토리에 포함을 생성하는 방법을 보여 주는 코드 샘플을 찾을 수 있습니다.

두 번째 방법은 이제 일반 공급 되는 통합 벡터화를 사용하여 Azure AI Search가 쿼리 벡터화 입력 및 출력을 처리하도록 하는 것입니다.

다음은 Azure OpenAI 포함 모델 배포에 제출된 쿼리 문자열의 REST API 예입니다.

POST https://{{openai-service-name}}.openai.azure.com/openai/deployments/{{openai-deployment-name}}/embeddings?api-version={{openai-api-version}}
Content-Type: application/json
api-key: {{admin-api-key}}
{
    "input": "what azure services support generative AI'"
}

배포된 모델에 대한 성공적인 호출에 대한 예상 응답은 202입니다.

embedding 응답 본문의 필드는 쿼리 문자열input의 벡터 표현입니다. 테스트를 위해 다음 몇 섹션에 표시된 구문을 사용하여 배열 embedding 값을 vectorQueries.vector 쿼리 요청에 복사합니다.

배포된 모델에 대한 이 POST 호출에 대한 실제 응답에는 1,536개의 포함 항목이 포함됩니다. 가독성을 위해 이 예제에서는 처음 몇 개의 벡터만 보여 줍니다.

{
    "object": "list",
    "data": [
        {
            "object": "embedding",
            "index": 0,
            "embedding": [
                -0.009171937,
                0.018715322,
                ...
                -0.0016804502
            ]
        }
    ],
    "model": "ada",
    "usage": {
        "prompt_tokens": 7,
        "total_tokens": 7
    }
}

이 방식에서 애플리케이션 코드는 모델 연결, 포함 생성 및 응답 처리를 담당합니다.

벡터 쿼리 요청

이 섹션에서는 벡터 쿼리의 기본 구조를 보여줍니다. Azure Portal, REST API 또는 Azure SDK를 사용하여 벡터 쿼리를 작성할 수 있습니다.

2023-07-01-Preview에서 마이그레이션하는 경우 호환성이 손상되는 변경이 있습니다. 자세한 내용은 최신 REST API로 업그레이드를 참조하세요.

안정적인 버전은 다음을 지원합니다.

vectorQueries는 벡터 검색의 구문입니다.
vectorQueries.kind 벡터 배열로 설정하거나 입력이 문자열이고 vector가 있는 경우에 text로 설정합니다.
vectorQueries.vector 는 쿼리(텍스트 또는 이미지의 벡터 표현)입니다.
vectorQueries.exhaustive(선택 사항) 필드가 HNSW용으로 인덱싱된 경우에도 쿼리 시간에 전체 KNN을 호출합니다.
vectorQueries.fields (선택 사항) 쿼리 실행을 위한 특정 필드를 대상으로 합니다(쿼리당 최대 10개).
vectorQueries.weight (선택 사항)은 검색 작업에 포함된 각 벡터 쿼리의 상대적 가중치를 지정합니다. 자세한 내용은 벡터 가중치를 참조하세요.
vectorQueries.k 는 반환할 일치 항목의 수입니다.

다음 예제에서 벡터는 이 문자열 "what Azure services support full text search"의 표현입니다. 쿼리는 contentVector 필드를 대상으로 하고 k 결과를 반환합니다. 실제 벡터에는 가독성을 위해 이 예제에서 잘리는 1,536개의 포함 항목이 있습니다.

POST https://{{search-service-name}}.search.windows.net/indexes/{{index-name}}/docs/search?api-version=2025-09-01
Content-Type: application/json
api-key: {{admin-api-key}}
{
    "count": true,
    "select": "title, content, category",
    "vectorQueries": [
        {
            "kind": "vector",
            "vector": [
                -0.009154141,
                0.018708462,
                . . . 
                -0.02178128,
                -0.00086512347
            ],
            "exhaustive": true,
            "fields": "contentVector",
            "weight": 0.5,
            "k": 5
        }
    ]
}

2025-08-01-preview 는 Search - POST의 최신 미리 보기 API 버전입니다. 2025-09-01과 동일한 벡터 쿼리 구문을 지원하지만 하이브리드 검색에 대한 추가 매개 변수와 약한 결과를 제외하기 위한 최소 임계값이 있습니다.

이 미리 보기에는 다음이 추가되었습니다.

threshold 낮은 점수 매기기 결과를 제외하기 위한 것입니다.
Hybridsearch.MaxTextRecallSize에 대한 입력을 보다 효과적으로 제어하려면 를 사용합니다.

POST https://{{search-service-name}}.search.windows.net/indexes/{{index-name}}/docs/search?api-version=2025-08-01-preview
Content-Type: application/json
api-key: {{admin-api-key}}
{
    "count": true,
    "select": "title, content, category",
    "hybridSearch": {
        "maxTextRecallSize": 100,
        "countAndFacetMode": "countAllResults"
        }
    "vectorQueries": [
        {
            "kind": "vector",
            "vector": [
                -0.009154141,
                0.018708462,
                . . . 
                -0.02178128,
                -0.00086512347
            ],
            "fields": "contentVector",
            "k": 5,
            "exhaustive": true,
            "weight": 2,
            "threshold": {
                "kind": "vectorSimilarity",
                "value": 0.8
            },

        }
    ]
}

벡터 쿼리 응답

Azure AI 검색에서 쿼리 응답은 기본적으로 모든 retrievable 필드로 구성됩니다. 그러나 검색 결과를 retrievable 문에 나열하여 select 필드의 하위 집합으로 제한하는 것이 일반적입니다.

벡터 쿼리에서는 응답에 벡터 필드가 필요한지 신중하게 고려합니다. 벡터 필드는 사람이 읽을 수 없으므로 웹 페이지에 응답을 푸시하는 경우 결과를 나타내는 비벡터 필드를 선택해야 합니다. 예를 들어, 쿼리가 contentVector에 대해 실행되는 경우 대신 content를 반환할 수 있습니다.

결과에 벡터 필드를 원하는 경우 응답 구조의 예는 다음과 같습니다. contentVector 가독성을 위해 이 예제에서 잘려진 embeddings의 문자열 배열입니다. 검색 점수는 관련성을 나타냅니다. 컨텍스트를 위해 다른 벡터가 아닌 필드가 포함됩니다.

{
    "@odata.count": 3,
    "value": [
        {
            "@search.score": 0.80025613,
            "title": "Azure Search",
            "category": "AI + Machine Learning",
            "contentVector": [
                -0.0018343845,
                0.017952163,
                0.0025753193,
                ...
            ]
        },
        {
            "@search.score": 0.78856903,
            "title": "Azure Application Insights",
            "category": "Management + Governance",
            "contentVector": [
                -0.016821077,
                0.0037742127,
                0.016136652,
                ...
            ]
        },
        {
            "@search.score": 0.78650564,
            "title": "Azure Media Services",
            "category": "Media",
            "contentVector": [
                -0.025449317,
                0.0038463024,
                -0.02488436,
                ...
            ]
        }
    ]
}

주요 정보:

k는 가장 인접한 항목 결과가 반환되는 수(이 경우 3개)를 결정합니다. 벡터 쿼리는 일부 문서의 유사성이 좋지 않더라도 적어도 k 문서가 있다고 가정하여 항상 결과를 반환 k 합니다. 알고리즘이 쿼리 벡터에 가장 가까운 k 이웃을 찾기 때문입니다.
벡터 검색 알고리즘은 @search.score를 결정합니다.
검색 결과의 필드는 모두 retrievable 필드이거나 select 절의 필드입니다. 벡터 쿼리를 실행하는 동안 벡터 데이터에서만 일치가 이루어집니다. 그러나 응답에는 인덱스의 모든 retrievable 필드가 포함될 수 있습니다. 벡터 필드 결과를 디코딩할 수 있는 기능이 없으므로 비벡터 텍스트 필드를 포함하면 사람이 읽을 수 있는 값에 유용합니다.

여러 벡터 필드

vectorQueries.fields 속성을 여러 벡터 필드로 설정할 수 있습니다. 벡터 쿼리는 fields 목록에 제공한 각 벡터 필드에 대해 실행됩니다. 최대 10개 필드를 지정할 수 있습니다.

여러 벡터 필드를 쿼리할 때 각 벡터 필드에 동일한 포함 모델의 포함 항목이 포함되어 있는지 확인합니다. 쿼리는 동일한 포함 모델에서도 생성되어야 합니다.

POST https://{{search-service-name}}.search.windows.net/indexes/{{index-name}}/docs/search?api-version=2025-09-01
Content-Type: application/json
api-key: {{admin-api-key}}
{
    "count": true,
    "select": "title, content, category",
    "vectorQueries": [
        {
            "kind": "vector",
            "vector": [
                -0.009154141,
                0.018708462,
                . . . 
                -0.02178128,
                -0.00086512347
            ],
            "exhaustive": true,
            "fields": "contentVector, titleVector",
            "k": 5
        }
    ]
}

다중 벡터 쿼리

다중 쿼리 벡터 검색은 검색 인덱스의 여러 벡터 필드에 여러 쿼리를 보냅니다. 이 유형의 쿼리는 일반적으로 동일한 모델이 텍스트와 이미지를 모두 벡터화할 수 있는 다중 모달 검색을 위한 CLIP 과 같은 모델에서 사용됩니다.

다음 쿼리 예제에서는 둘 다 myImageVectormyTextVector 에서 유사성을 찾고 각각 병렬로 실행되는 두 개의 쿼리 포함을 보냅니다. 이 쿼리의 결과는 RRF( 상호 순위 융합 )를 사용하여 점수가 매겨집니다.

vectorQueries는 벡터 쿼리의 배열을 제공합니다.
vector에는 검색 인덱스의 이미지 벡터 및 텍스트 벡터가 포함됩니다. 각 인스턴스는 별도의 쿼리입니다.
fields는 대상으로 지정할 벡터 필드를 지정합니다.
k는 결과에 포함할 가장 가까운 인접 항목의 수입니다.

{
    "count": true,
    "select": "title, content, category",
    "vectorQueries": [
        {
            "kind": "vector",
            "vector": [
                -0.009154141,
                0.018708462,
                . . . 
                -0.02178128,
                -0.00086512347
            ],
            "fields": "myimagevector",
            "k": 5
        },
        {
            "kind": "vector"
            "vector": [
                -0.002222222,
                0.018708462,
                -0.013770515,
            . . .
            ],
            "fields": "mytextvector",
            "k": 5
        }
    ]
}

검색 인덱스는 이미지를 저장할 수 없습니다. 인덱스가 이미지 파일에 대한 필드를 포함하고 있다고 가정하면 검색 결과에는 텍스트와 이미지의 조합이 포함됩니다.

통합 벡터화를 사용한 쿼리

이 섹션에서는 텍스트 또는 이미지 쿼리를 벡터로 변환하기 위해 통합된 벡터화를 호출하는 벡터 쿼리 를 보여줍니다. 이 기능에 대해 안정적인 2025-09-01 REST API, 검색 탐색기 또는 최신 Azure SDK 패키지를 사용하는 것이 좋습니다.

필수 구성 요소는 벡터라이저가 구성되고 벡터 필드에 할당된 검색 인덱스입니다. 벡터라이저는 쿼리 시간에 사용되는 임베딩 모델에 대한 연결 정보를 제공합니다.

Azure Portal
REST API

검색 탐색기는 쿼리 시점에 통합 벡터화를 지원합니다. 인덱스에 벡터 필드가 포함되어 있고 벡터라이저가 있는 경우, 기본 제공된 텍스트-벡터 변환 기능을 사용할 수 있습니다.

Azure Portal에 로그인하고 검색 서비스를 찾습니다.
왼쪽 메뉴에서 검색 관리>인덱스를 선택한 다음, 인덱스를 선택합니다.
벡터 프로필 탭을 선택하여 벡터라이저가 있는지 확인합니다.
검색 탐색기 탭을 선택합니다. 기본 쿼리 뷰를 사용하여 검색 창에 텍스트 문자열을 입력할 수 있습니다. 기본 제공된 벡터라이저는 문자열을 벡터로 변환하고 검색을 수행하여 결과를 반환합니다.

또는 보기>JSON 보기를 선택하여 쿼리를 보거나 수정할 수 있습니다. 벡터가 있으면 검색 탐색기가 자동으로 벡터 쿼리를 설정합니다. JSON 보기를 사용하여 검색 및 응답에서 사용할 필드를 선택하고, 필터를 추가하고, 하이브리드 쿼리와 같은 고급 쿼리를 생성할 수 있습니다. JSON 예제를 보려면 이 섹션에서 REST API 탭을 선택합니다.

Index - GET을 사용하여 인덱스 정의를 반환하고 벡터라이저 구성의 존재 여부를 확인합니다. 인덱스 정의에서 vectorizers를 찾습니다. 배포된 포함 모델을 지정해야 합니다.
쿼리 요청에 검색 - POST를 사용합니다.
- kind는 text로 설정해야 합니다.
- text에는 텍스트 문자열이 있어야 합니다. 벡터 필드에 할당된 벡터라이저에 전달됩니다.
- fields는 검색할 벡터 필드입니다.
- k는 반환할 벡터 일치 항목의 개수입니다.

다음은 쿼리 시간에 벡터화된 쿼리의 간단한 예입니다. 텍스트 문자열이 벡터화된 후 descriptionVector 필드를 조회하는 데 사용됩니다.

POST https://{{search-service}}.search.windows.net/indexes/{{index}}/docs/search?api-version=2025-09-01
{
    "select": "title, genre, description",
    "vectorQueries": [
        {
            "kind": "text",
            "text": "mystery novel set in London",
            "fields": "descriptionVector",
            "k": 5
        }
    ]
}

다음은 텍스트 쿼리에 통합 벡터화를 사용하는 하이브리드 쿼리입니다. 이 쿼리에는 여러 쿼리 벡터 필드, 여러 벡터가 아닌 필드, 필터 및 의미 순위매기기가 포함됩니다. 다시 말하지만, 차이점은 벡터 쿼리의 kind와 text를 대신하는 vector 문자열입니다.

이 예에서 검색 엔진은 인덱스의 descriptionVector, synopsisVector 및 authorBioVector에 할당된 벡터라이저에 대해 세 가지 벡터화 호출을 수행합니다. 결과 벡터는 해당 필드에 대한 문서를 검색하는 데 사용됩니다. 또한 검색 엔진은 search 쿼리"mystery novel set in London"에서 키워드 검색을 실행합니다.

POST https://{{search-service}}.search.windows.net/indexes/{{index}}/docs/search?api-version=2025-09-01
Content-Type: application/json
api-key: {{admin-api-key}}
{
    "search":"mystery novel set in London", 
    "searchFields":"description, synopsis", 
    "semanticConfiguration":"my-semantic-config", 
    "queryType":"semantic",
    "select": "title, author, synopsis",
    "filter": "genre eq 'mystery'",
    "vectorFilterMode": "postFilter",
    "vectorQueries": [
        {
            "kind": "text",
            "text": "mystery novel set in London",
            "fields": "descriptionVector, synopsisVector",
            "k": 50
        },
        {
            "kind": "text"
            "text": "living english author",
            "fields": "authorBioVector",
            "k": 50
        }
    ]
}

벡터와 함께 의미 체계 순위를 사용할 때마다 50으로 설정합니다 k . 의미 체계 순위는 최대 50개 일치 항목을 입력으로 사용합니다. 50 미만을 지정하면 필요한 입력의 의미 체계 순위 모델이 박탈됩니다.

4개의 쿼리에서 모두 점수가 매겨진 결과는 RRF 순위를 사용하여 융합됩니다. 보조 의미적 순위는 융합된 검색 결과에 대해 searchFields만 호출되며, "search":"mystery novel set in London"에 가장 의미적으로 일치하는 결과의 우선순위를 높입니다.

참고 항목

벡터화는 인덱싱 및 쿼리 중에 발생합니다. 인덱스의 데이터 청크 및 벡터화가 필요하지 않은 경우 인덱서, 기술 세트 및 데이터 원본 만들기와 같은 단계를 건너뛸 수 있습니다. 이 워크플로에서 벡터화는 텍스트 문자열이나 이미지를 포함으로 변환하기 위해 쿼리 시간에만 사용됩니다. 이 단계에 대한 검색 인덱스에서 벡터라이저를 정의할 수 있습니다.

벡터 쿼리 응답의 순위가 지정된 결과 수

벡터 쿼리는 결과에 반환되는 일치 항목 수를 결정하는 k 매개 변수를 지정합니다. 검색 엔진은 항상 k개의 일치 항목 수를 반환합니다. 인덱스의 문서 수보다 큰 경우 k 문서 수가 반환할 수 있는 항목의 상한을 결정합니다.

전체 텍스트 검색에 익숙한 경우 인덱스가 용어 또는 구를 포함하지 않는 경우 0개의 결과를 예상해야 합니다. 그러나 벡터 검색에서 검색 작업은 가장 가까운 인접 항목을 식별하고 가장 가까운 인접 항목이 유사하지 않더라도 항상 결과를 반환 k 합니다. 특히 프롬프트를 사용하여 경계를 설정하지 않는 경우 무의미하거나 토픽이 아닌 쿼리에 대한 결과를 얻을 수 있습니다. 관련성이 낮은 결과는 유사성 점수가 더 좋지만 더 가까운 항목이 없으면 여전히 "가장 가까운" 벡터입니다. 의미 있는 결과가 없더라도 k 결과를 반환할 수 있지만, 각 결과의 유사성 점수는 낮습니다.

전체 텍스트 검색을 포함하는 하이브리드 접근 방식은 이 문제를 완화할 수 있습니다. 또 다른 해결 방법은 쿼리가 순수 단일 벡터 쿼리인 경우에만 검색 점수에 대한 최소 임계값을 설정하는 것입니다. 하이브리드 쿼리는 RRF 범위가 훨씬 작고 휘발성이 높기 때문에 최소 임계값에 도움이 되지 않습니다.

결과 수에 영향을 주는 쿼리 매개 변수는 다음과 같습니다.

"k": n 벡터 전용 쿼리에 대한 결과입니다.
"top": n 매개 변수를 포함하는 하이브리드 쿼리에 대한 결과입니다 search .

k 및 top는 모두 선택 사항입니다. 지정되지 않은 경우 응답의 기본 결과 수는 50입니다. top 및 skip을(를) 더 많은 결과를 탐색하기로 설정하거나 기본값을 변경할 수 있습니다.

벡터 쿼리에 사용되는 순위 지정 알고리즘

결과의 순위는 다음 중 하나를 통해 계산됩니다.

유사성 메트릭입니다.
여러 검색 결과 집합이 있는 경우 RRF입니다.

유사성 메트릭

벡터 전용 쿼리의 인덱스 vectorSearch 섹션에 지정된 유사성 메트릭입니다. 유효한 값은 cosine, euclidean 및 dotProduct입니다.

Azure OpenAI 임베딩 모델은 코사인 유사성을 사용하므로 Azure OpenAI 포함 모델을 사용하는 경우 cosine가 권장되는 메트릭입니다. 지원되는 기타 순위 메트릭에는 euclidean과 dotProduct이 항목이 포함됩니다.

RRF

쿼리가 여러 벡터 필드를 대상으로 하거나, 여러 벡터 쿼리를 병렬로 실행하거나, 의미 체계 순위가 있거나 없는 벡터 및 전체 텍스트 검색의 하이브리드인 경우 여러 집합이 만들어집니다.

쿼리 실행 중에 벡터 쿼리는 하나의 내부 벡터 인덱스만 대상으로 지정할 수 있습니다. 여러 벡터 필드 및 여러 벡터 쿼리의 경우 검색 엔진은 각 필드의 각 벡터 인덱스를 대상으로 하는 여러 쿼리를 생성합니다. 출력은 RRF를 사용하여 융합되는 각 쿼리에 대한 순위가 매겨진 결과 집합입니다. 자세한 내용은 상호 순위 Fusion을 사용한 관련성 점수를 참조하세요.

벡터 가중치

weight 쿼리 매개 변수를 추가하여 검색 작업에 포함된 각 벡터 쿼리의 상대적 가중치를 지정합니다. 이 값은 동일한 요청의 두 개 이상의 벡터 쿼리 또는 하이브리드 쿼리의 벡터 부분에서 생성된 여러 순위 지정 목록의 결과를 결합할 때 사용됩니다.

기본값은 1.0이며 값은 0보다 큰 양수여야 합니다.

가중치는 각 문서의 RRF 점수를 계산할 때 사용됩니다. 계산은 해당 결과 집합에서 weight 값과 문서의 순위 점수를 곱한 결과입니다.

다음 예에서는 두 개의 벡터 쿼리 문자열과 하나의 텍스트 문자열이 포함된 하이브리드 쿼리입니다. 가중치는 벡터 쿼리에 할당됩니다. 첫 번째 쿼리는 가중치가 0.5 또는 절반이므로 요청에서 중요도가 줄어듭니다. 두 번째 벡터 쿼리는 두 배나 중요합니다.

POST https://[service-name].search.windows.net/indexes/[index-name]/docs/search?api-version=2025-09-01

    { 
      "vectorQueries": [ 
        { 
          "kind": "vector", 
          "vector": [1.0, 2.0, 3.0], 
          "fields": "my_first_vector_field", 
          "k": 10, 
          "weight": 0.5 
        },
        { 
          "kind": "vector", 
          "vector": [4.0, 5.0, 6.0], 
          "fields": "my_second_vector_field", 
          "k": 10, 
          "weight": 2.0
        } 
      ], 
      "search": "hello world" 
    }

벡터 가중치는 벡터에만 적용됩니다. 이 예제 "hello world"의 텍스트 쿼리는 암시적 중립 가중치가 1.0입니다. 그러나 하이브리드 쿼리에서는 maxTextRecallSize를 설정하여 텍스트 필드의 중요도를 늘리거나 줄일 수 있습니다.

임곗값을 설정하여 점수가 낮은 결과 제외(미리 보기)

가장 가까운 이웃 검색은 항상 요청된 k 이웃을 반환하므로 검색 결과의 숫자 요구 사항 k을 충족하기 위해 점수가 낮은 여러 개의 일치 항목을 얻을 수 있습니다. 점수가 낮은 검색 결과를 제외하려면 최소 점수에 따라 결과를 필터링하는 쿼리 매개 변수를 추가할 threshold 수 있습니다. 필터링은 서로 다른 회수 집합에서 결과를 융합하기 전에 발생합니다.

이 매개 변수는 미리 보기 상태입니다. 2024-05-01-preview REST API 버전을 사용하는 것이 좋습니다.

이 예제에서는 점수가 0.8 미만인 모든 일치 항목이 벡터 검색 결과에서 제외되며, 결과 수가 k 미만이더라도 제외됩니다.

POST https://[service-name].search.windows.net/indexes/[index-name]/docs/search?api-version=2024-05-01-preview 
    Content-Type: application/json 
    api-key: [admin key] 

    { 
      "vectorQueries": [ 
        { 
          "kind": "vector", 
          "vector": [1.0, 2.0, 3.0], 
          "fields": "my-cosine-field", 
          "threshold": { 
            "kind": "vectorSimilarity", 
            "value": 0.8 
          } 
        }
      ]
    }

다음 단계

다음 단계로, Python, C# 또는 JavaScript의 벡터 쿼리 코드 예를 검토합니다.

피드백

이 페이지가 도움이 되었나요?