Ricerca di intelligenza artificiale

Il server MCP AI Search è un server MCP gestito da Azure Databricks che permette agli agenti di eseguire una ricerca semantica sui tuoi indici AI Search per trovare documenti rilevanti, con risultati regolati dai permessi del Catalogo Unity. Interrogare un indice richiede Azure Databricks managed embeddings.

Parametri di ricerca _meta AI

Ricerca intelligenza artificiale supporta i parametri seguenti _meta :

Per informazioni dettagliate su questi parametri, vedere la documentazione di AI Search Python SDK.

Esempio: configurare i risultati e i filtri massimi per il recupero della ricerca di intelligenza artificiale

Questo esempio illustra come usare _meta i parametri per configurare il comportamento di ricerca di intelligenza artificiale consentendo al tempo stesso query dinamiche dall'agente usando il Python MCP SDK ufficiale.

In questo scenario si vuole:

• Limitare sempre i risultati della ricerca a esattamente 3 elementi per tempi di risposta coerenti
• Cercare solo la documentazione recente (aggiornata dopo il 2024-01-01) per verificare la pertinenza
• Usare la ricerca ibrida per ottenere una maggiore precisione rispetto alla ricerca vettoriale pura
• Restituisce solo colonne specifiche (ID, testo e metadati)
• Includere punteggi di somiglianza nei risultati
• Escludere risultati con punteggi di somiglianza inferiori a 0,5
• Usare il reranking sulle colonne di testo e titolo per migliorare la pertinenza

Per eseguire questo esempio, configurare l'ambiente Python per lo sviluppo MCP gestito:

# Import required libraries for MCP client and Databricks authentication
import asyncio
from databricks.sdk import WorkspaceClient
from databricks_mcp.oauth_provider import DatabricksOAuthClientProvider
from mcp.client.streamable_http import streamablehttp_client
from mcp.client.session import ClientSession
from mcp.types import CallToolRequest, CallToolResult

async def run_vector_search_tool_call_with_meta():
    # Initialize Databricks workspace client for authentication
    workspace_client = WorkspaceClient()

    # Construct the MCP server URL for your specific catalog and schema
    # Replace <workspace-hostname>, YOUR_CATALOG, and YOUR_SCHEMA with your values
    mcp_server_url = "https://<workspace-hostname>/api/2.0/mcp/ai-search/YOUR_CATALOG/YOUR_SCHEMA"

    # Establish connection to the MCP server with OAuth authentication
    async with streamablehttp_client(
        url=mcp_server_url,
        auth=DatabricksOAuthClientProvider(workspace_client),
    ) as (read_stream, write_stream, _):

        # Create an MCP session for making tool calls
        async with ClientSession(read_stream, write_stream) as session:
            # Initialize the session before making requests
            await session.initialize()

            # Create the tool call request with both dynamic and preset parameters
            request = CallToolRequest(
                method="tools/call",
                params={
                    # Tool name follows the pattern: CATALOG__SCHEMA__INDEX_NAME
                    "name": "YOUR_CATALOG__YOUR_SCHEMA__YOUR_INDEX_NAME",

                    # Dynamic arguments - typically provided by your AI agent or user input
                    "arguments": {
                        "query": "How do I reset my password?"  # This comes from your agent
                    },

                    # Meta parameters - preset configuration to control search behavior
                    "_meta": {
                        "num_results": "3",  # Limit to 3 results for consistent performance
                        "filters": '{"updated_after": "2024-01-01"}',  # JSON string for date filtering
                        "query_type": "HYBRID",  # Use hybrid search for better relevance
                        "columns": "id,text,metadata",  # Return only specific columns
                        "score_threshold": "0.5",  # Filter out results with similarity score < 0.5
                        "include_score": "true",  # Include similarity scores in results
                        "columns_to_rerank": "text,title"  # Use reranker on these columns for better quality
                    }
                }
            )

            # Send the request and get the response
            response = await session.send_request(request, CallToolResult)
            return response

# Execute the async function and get results
response = asyncio.run(run_vector_search_tool_call_with_meta())