Aplica-se a:
SQL Server 2025 (17.x) Banco de Dados SQL do AzureInstância Gerenciada de SQL do Azurebanco de dados SQL no Microsoft Fabric
Este artigo contém perguntas frequentes sobre vetores e inserções no Mecanismo de Banco de Dados SQL.
Para obter amostras e exemplos, visite o repositório de Amostras de IA do SQL.
Posso criar uma solução RAG (geração aumentada por recuperação) completamente em T-SQL?
Sim, você pode criar uma solução de Geração Aumentada por Recuperação (RAG) baseada na funcionalidade nativa do Mecanismo de Banco de Dados SQL. Você pode usar o T-SQL para implementar a lógica de recuperação e processamento de dados necessária, além de integrar com serviços externos de IA para o aspecto de geração. Os vetores podem ser armazenados nativamente no mecanismo SQL, e é possível conectar-se a LLMs que fornecem capacidades de compreensão de linguagem natural por meio de sp_invoke_external_rest_endpoint.
Por que eu criaria uma solução RAG completamente no T-SQL?
Se você quiser melhorar um aplicativo existente sem precisar re-arquitetar para dar suporte a recursos de IA, use os recursos internos do mecanismo SQL para implementar funcionalidades de IA diretamente em suas consultas de banco de dados. Você só precisa atualizar o código T-SQL para incorporar recursos de IA, em vez de fazer alterações abrangentes na arquitetura do aplicativo.
Há exemplos de ponta a ponta usando o SQL do Azure ou o SQL do Fabric para RAG?
Claro, você pode encontrar exemplos de ponta a ponta para RAG usando o SQL do Azure e o SQL do Fabric aqui:
Posso fazer com que o RAG trabalhe em dados estruturados, como colunas e linhas?
Se você precisar trabalhar com dados estruturados, ainda poderá aproveitar o RAG combinando-o com outras técnicas, como o uso de inserções para representar seus dados estruturados de uma maneira que possa ser compreendida pelo modelo de IA. Isso permite que você execute tarefas de recuperação e geração em dados estruturados enquanto ainda se beneficia dos recursos do RAG.
Por que enviar um esquema completo e complexo para uma LLM leva a uma geração de SQL ruim e como posso corrigi-lo?
Se você tiver um esquema de banco de dados complexo e grande, com centenas de tabelas e exibições, é melhor usar uma abordagem de vários agentes para ajudar a reduzir o ruído e permitir que os modelos de IA se concentrem em áreas específicas do esquema. Uma descrição completa, juntamente com um exemplo de ponta a ponta de trabalho, está disponível aqui:
Posso me conectar ao Azure OpenAI usando a Identidade Gerenciada?
Sim, você pode se conectar ao Azure OpenAI usando a Identidade Gerenciada. Isso permite que você autentique e acesse com segurança o Serviço OpenAI do Azure sem precisar gerenciar credenciais diretamente. Para obter mais informações, consulte:
Meus dados são usados pela Microsoft para modelos de treinamento?
Não. Os dados não são usados pela Microsoft para modelos de treinamento. Para obter mais informações, consulte a documentação de IA responsável.
Quais dados o Serviço OpenAI do Azure processa?
Para obter detalhes sobre como os dados fornecidos por você para Azure Modelos Diretos no Microsoft Foundry são processados, consulte Dados, privacidade e segurança para Serviço OpenAI do Azure. Um "Modelo Direto do Azure" é um modelo de IA designado e implantado como um "Modelo Direto do Azure" no Foundry e inclui modelos do Azure OpenAI.
Como posso proteger meus dados contra acesso não autorizado do Agente de IA?
O SQL do Azure e o SQL Server fornecem amplo suporte para segurança de acesso refinado:
- Introdução ao Mecanismo de Banco de Dados e suas permissões: controle o acesso a objetos do banco de dados de forma granular usando permissões.
- Use procedimentos armazenados que executem operações especificamente autorizadas dentro dos limites de controle. Conceda permissões EXECUTE a um agente somente conforme necessário, em vez de conceder acesso direto às tabelas subjacentes. Dessa forma, os agentes interagem com o banco de dados deterministicamente, usando instruções T-SQL pré-escritas.
- Row-Level Security (RLS): controle o acesso a linhas em uma tabela com base nas características do usuário que executa uma consulta. Você pode ver o RLS em ação neste vídeo.
- Mascaramento dinâmico de dados: limite a exposição de dados confidenciais mascarando-os a usuários não privilegiados.
- Always Encrypted: proteja dados confidenciais criptografando-os em repouso e em trânsito, garantindo que somente usuários autorizados possam acessar os dados não criptografados.
Para obter mais informações sobre auditoria no Mecanismo de Banco de Dados do SQL, consulte: