Gilt für:
SQL Server 2025 (17.x) Azure SQL-DatenbankAzure SQL Managed InstanceSQL-Datenbank in Microsoft Fabric
Dieser Artikel enthält häufig gestellte Fragen zu Vektoren und Einbettungen im SQL-Datenbankmodul.
Proben und Beispiele finden Sie im SQL AI Samples-Repository.
Kann ich eine RAG-Lösung (Retrieval Augmented Generation) vollständig in T-SQL erstellen?
Ja, Sie können eine Retrieval-Augmented Generation (RAG)-Lösung erstellen, die von systemeigenen Funktionen in der SQL-Datenbank-Engine gesteuert wird. Sie können T-SQL verwenden, um die erforderliche Datenabruf- und Verarbeitungslogik zu implementieren, während sie auch in externe KI-Dienste für den Erzeugungsaspekt integriert wird. Vektoren können nativ im SQL-Modul gespeichert werden, und Verbindungen mit LLMs, die Funktionen für natürliches Sprachverständnis bieten, sind über sp_invoke_external_rest_endpointmöglich.
Warum würde ich eine RAG-Lösung vollständig in T-SQL erstellen?
Wenn Sie eine vorhandene Anwendung verbessern möchten, ohne sie neu zu entwerfen, um KI-Funktionen zu unterstützen, verwenden Sie die integrierten SQL-Engine-Features, um KI-Funktionen direkt in Ihren Datenbankabfragen zu implementieren. Sie müssen Ihren T-SQL-Code nur aktualisieren, um KI-Features zu integrieren, anstatt umfangreiche Änderungen an Ihrer Anwendungsarchitektur vorzunehmen.
Gibt es End-to-End-Beispiele, die Azure SQL oder Fabric SQL für RAG verwenden?
Sicher, Sie finden End-to-End-Beispiele für RAG mit Azure SQL und Fabric SQL hier:
Kann ich RAG mit strukturierten Daten wie Spalten und Zeilen verwenden?
Wenn Sie mit strukturierten Daten arbeiten müssen, können Sie RAG weiterhin nutzen, indem Sie sie mit anderen Techniken kombinieren, z. B. einbetten, um Ihre strukturierten Daten so darzustellen, dass sie vom KI-Modell verstanden werden können. Auf diese Weise können Sie Abruf- und Generierungsaufgaben für strukturierte Daten ausführen und gleichzeitig von den Funktionen der RAG profitieren.
Warum führt das Senden eines vollständigen, komplexen Schemas an eine LLM zu einer schlechten SQL-Generierung und wie kann ich es beheben?
Wenn Sie über ein komplexes und großes Datenbankschema verfügen, mit Hunderten von Tabellen und Ansichten, ist es besser, einen Multi-Agent-Ansatz zu verwenden, um das Rauschen zu reduzieren und KI-Modelle den Fokus auf bestimmte Bereiche des Schemas zu ermöglichen. Eine vollständige Beschreibung zusammen mit einem funktionierenden End-to-End-Beispiel ist hier verfügbar:
Kann ich über verwaltete Identität eine Verbindung mit Azure OpenAI herstellen?
Ja, Sie können mithilfe der verwalteten Identität eine Verbindung mit Azure OpenAI herstellen. Auf diese Weise können Sie sich sicher authentifizieren und auf den Azure OpenAI-Dienst zugreifen, ohne anmeldeinformationen direkt verwalten zu müssen. Weitere Informationen findest du unter:
Werden meine Daten von Microsoft für Schulungsmodelle verwendet?
Nein. Daten werden von Microsoft nicht für Schulungsmodelle verwendet. Weitere Informationen finden Sie in der Dokumentation zur verantwortlichen KI.
Welche Daten verarbeitet der Azure OpenAI-Dienst?
Ausführliche Informationen dazu, wie Von Ihnen bereitgestellte Daten zu Azure Direct Models in Microsoft Foundry verarbeitet werden, finden Sie unter "Daten", "Datenschutz" und "Sicherheit für Azure OpenAI Service". Ein "Azure Direct Model" ist ein KI-Modell, das als "Azure Direct Model" in Foundry festgelegt und bereitgestellt wird und Azure OpenAI-Modelle umfasst.
Wie kann ich meine Daten vor unbefugtem AI-Agent-Zugriff schützen?
Azure SQL und SQL Server bieten umfassende Unterstützung für feinkörnige Zugriffssicherheit:
- Erste Schritte mit Datenbankmodulberechtigungen: Steuern des Zugriffs auf Datenbankobjekte auf granularer Ebene mithilfe von Berechtigungen.
- Verwenden Sie gespeicherte Prozeduren, die ausdrücklich autorisierte Vorgänge im Rahmen definierter Leitplanken ausführen. Erteilen Sie EXECUTE-Berechtigungen nur bei Bedarf einem Agent, anstatt direkten Zugriff auf die zugrunde liegenden Tabellen zu gewähren. Auf diese Weise interagieren Agents deterministisch mit der Datenbank und verwenden vorgeschriebene T-SQL-Anweisungen.
- Row-Level Sicherheit (RLS): Steuern des Zugriffs auf Zeilen in einer Tabelle basierend auf den Merkmalen des Benutzers, der eine Abfrage ausführt. In diesem Video können Sie RLS in Aktion sehen.
- Dynamische Datenmaskierung: Beschränken Sie die Exposition vertraulicher Daten, indem Sie sie für nicht privilegierte Benutzer maskieren.
- Immer verschlüsselt: Schützen Sie vertrauliche Daten, indem Sie sie im Ruhezustand und während der Übertragung verschlüsseln, um sicherzustellen, dass nur autorisierte Benutzer auf die unverschlüsselten Daten zugreifen können.
Weitere Informationen zur Überwachung in der SQL-Datenbank-Engine finden Sie unter: