---
title: "Настройка Azure AI Vector Search с Copilot Studio: пошаговая инструкция"
canonical: https://ontargit.com/kz/azure-ai-vector-search-with-copilot-studio-kz/
date: 2025-09-16 10:00:09
description: "Azure AI Vector Search с Copilot Studio обеспечивает семантический поиск и естественные запросы к данным, расширяя возможности приложений на базе ИИ."
keywords: "azure ai vector search,dataverse"
categories: [Azure, Блог, Техническая статья]
---

Azure AI Vector Search расширяет возможности поиска, используя векторные встраивания для понимания семантического значения запросов и документов. В сочетании с [Copilot Studio](https://ontargit.com/kz/microsoft-power-platform/copilot-studio/) это обеспечивает взаимодействие с вашими данными на естественном языке, делая решение мощным инструментом для приложений на базе [искусственного интеллекта](https://azure.microsoft.com/en-us/resources/cloud-computing-dictionary/what-is-artificial-intelligence#self-driving-cars). В этом руководстве пошагово показан процесс настройки всего набора – от подключения источников данных до включения расширенных функций поиска.

# Содержание

## Предварительные требования

Прежде чем начать, убедитесь, что у вас есть

- __

активная Azure подписка,

- __

доступ к среде Dataverse (часть Microsoft Power Platform),

- __

необходимые разрешения для создания и управления ресурсами Azure.

## Шаг 1: установка Azure Synapse Link для Dataverse

Azure Synapse Link подключает вашу среду Dataverse к Azure, позволяя экспортировать данные в учетную запись хранилища для дальнейшей обработки. Но сначала необходимо развернуть службу Azure Synapse Analytics.

**1. Создание рабочей области Azure Synapse Analytics:**

В портале Azure перейдите в раздел «Создать ресурс» и создайте рабочую область Synapse Analytics, задав следующие параметры.

Скриншот 1

**Скриншот 1:**

- **Группа ресурсов **– здесь можно создать новую группу.

- **Управляемая группа ресурсов** – контейнер, который хранит вспомогательные ресурсы, создаваемые Azure Synapse Analytics для вашей рабочей области.

- **Имя рабочей области** – имя рабочей области Synapse Analytics.

- **Регион** – регион развертывания службы. Желательно, чтобы он совпадал с регионом среды Dataverse. Однако могут подойти и другие относительно близкие регионы (могут взиматься дополнительные расходы за передачу данных).

- **Имя учетной записи** – имя хранилища для Data Lake Storage, можно создать здесь.

- **Имя файловой системы** – имя файловой системы для Data Lake Storage, можно создать здесь.

Скриншот 2

**Скриншот 2:**

- Введите ваш SQL Server admin login.

- Выберите SQL Password.

**2. Создайте новый Azure Synapse Link:**

- Перейдите в портал Power Apps. В левом меню выберите “Azure Synapse Link”.

- Нажмите **«New link»** и задайте следующие параметры:

- **Галочка **«Connect to your Azure Synapse Analytics Workspace» должна быть установлена.

- **Подписка** – текущая подписка Azure.

- **Группа ресурсов, имя рабочей области, учетная запись хранилища **– параметры из ранее созданной рабочей области Azure Synapse Analytics.

- Выберите таблицы, которые хотите экспортировать.

**Примечание: **будут отображаться только те таблицы, для которых включено отслеживание изменений.

**Также доступны дополнительные параметры:**
1. «Append only» – может использоваться для создания новой копии данных в Azure Synapse Analytics при изменении данных Dataverse, вместо перезаписи существующих записей.

2. Partition (разделение) – по умолчанию Azure Synapse Link для Dataverse разбивает данные помесячно на основе столбца «createdOn». Для таблиц без столбца «createdOn» данные разбиваются на новые файлы каждые 5 000 000 записей.

## Шаг 2: настройка Azure AI Search

Azure AI Search индексирует и векторизует ваши данные, делая их доступными для поиска с расширенными возможностями.

**1. Создание экземпляра Azure AI Search:**

В портале Azure создайте новый ресурс Azure AI Search. Настройте следующие параметры:

1**. Группа ресурсов** – та же группа ресурсов, что и для Azure Synapse Analytics.

2. **Имя службы** – имя экземпляра Azure AI Search.

3. **Расположение** – регион развертывания службы. Желательно, чтобы он совпадал с регионом среды Dataverse и службы Azure Synapse Analytics. Однако могут подойти и другие относительно близкие регионы (могут применяться дополнительные расходы за передачу данных).

- Существует несколько вариантов тарифов, а также параметры масштабирования. Но для следующего примера мы выбрали бесплатный тарифный план без масштабирования.

**2. Импорт данных:**

- Перейдите в раздел «Import data» в вашем экземпляре Azure AI Search.

- Выберите «Azure Blob Storage» как источник данных.

- Укажите учетную запись хранилища и контейнер BLOB, в который Synapse Link экспортирует ваши данные Dataverse (например, учетная запись хранилища «Data Lake»).

**3. Задайте параметры разбора:**

- Установите «Parsing mode» в значение «Delimited text», так как данные находятся в формате CSV.

- Используйте запятую (,) в качестве «Delimiter character».

- Так как CSV-файлы Synapse Link не содержат заголовков, введите названия столбцов вручную, чтобы они соответствовали вашим полям Dataverse, а также системным столбцам.

**Совет по устранению неполадок: **после импорта автоматически создаются Index, Indexer и Skillset (стр. 16). Если индексация не удалась, проверьте проблемы с импортом CSV и при необходимости примените обходные решения (стр. 17).

## Шаг 3: настройка службы Azure OpenAI

Сервис Azure OpenAI используется для предоставления моделей встраивания (embedding models) для векторизации данных в Azure AI Search. Модели встраивания позволяют выполнять семантический поиск, преобразуя текст в векторные представления.

**1. Настройка сервиса Azure OpenAI:**

Создайте экземпляр сервиса Azure OpenAI в портале Azure и задайте следующие параметры:

- **Группа ресурсов** – та же группа ресурсов, что и для Azure Synapse Analytics и Azure AI Search.

- **Регион **– регион развертывания службы. Желательно, чтобы он совпадал с регионом среды Dataverse и службы Azure Synapse Analytics. Однако могут подойти и другие относительно близкие регионы (могут применяться дополнительные расходы за передачу данных).

- Разверните нужную модель встраивания через портал Azure AI Foundry. В данном случае используется модель «text-embedding-3-small».

## Шаг 4: импорт и векторизация данных в Azure AI Search

Сначала нужно проверить, в каком хранилище/контейнере BLOB находятся наши данные. Хотя мы создали «crm120910-filesystem» в рабочей области Azure Synapse Analytics, служба Azure Synapse Link создала собственный контейнер для данных Dataverse. Файл «2025-07.csv» содержит наши актуальные данные Dataverse, которые необходимо разобрать и передать в службу Azure AI Search.

**1. Импорт и векторизация данных:**

В Azure AI Search откройте «**Import and vectorize data**». Выберите «**Azure Data Lake Storage**», а затем «**RAG**».

**Теперь настройте следующие параметры:**

1. **Учетная запись хранилища (Storage account)** – имя хранилища Data Lake.

2. **Контейнер BLOB (Blob container)** – контейнер BLOB с нашими данными Dataverse.

3. **Режим разбора (Parsing mode)** – «Delimited text», так как данные хранятся в формате CSV.

4. **Символ-разделитель (Delimiter character)** – запятая для разделения данных CSV.

5.** Заголовки (Delimiter headers)** – названия заголовков CSV. Так как Synapse Link не сохраняет заголовки напрямую, их нужно указать вручную. Они включают все поля Dataverse из выбранной таблицы, а также некоторые системные столбцы.

- **Затем настройте следующие параметры:**

 

1. Столбец для векторизации (Column to vectorize) – в данном примере векторизуется поле «name» продукта, которое используется в Azure AI Search.

2. Тип (Kind) – служба AI, используемая для предоставления моделей встраивания.

3. Служба Azure OpenAI (Azure OpenAI service) – так как мы используем и создаём службу Azure OpenAI.

4. Развертывание модели (Model-deployment) – модель встраивания из указанной AI-службы. Здесь используется модель, которую мы ранее создали в Azure OpenAI через портал Azure AI Foundry.

 

1. 

- Затем можно выбрать, какие поля индексировать, и задать параметр расписания. Индексация используется для предоставления этих полей в результатах поиска. Как видно, изменить поле «name» у ранее добавленных продуктов нельзя, так как оно используется как векторизованное поле.

**2. Устранение проблем с индексатором.**

После импорта данных автоматически создаются **«Index», «Indexer» **и** «Skillset».**

- Возможно, индексатор не заработает с первой попытки. Существуют некоторые проблемы с импортом CSV-файлов, которые можно устранить с помощью обходных решений.

- 

- Чтобы исправить ошибки «chunk_id» / «Could not parse document», нужно убедиться, что в определении индексатора есть функция отображения (mapping function), как указано в документации.**

- Поэтому необходимо отредактировать JSON внутри индексатора и добавить функцию отображения (mapping function).

Copy to Clipboard
Syntax Highlighter“fieldMappings”: [

{

“sourceFieldName”: “AzureSearch_DocumentKey”,

“targetFieldName”: “chunk_id”,

“mappingFunction”: {

“name”: “base64Encode”,

“parameters”: null

}

}

] ,

- После этого исправления нужно сбросить и заново запустить индексатор. Индексация может занять некоторое время в зависимости от фактического объёма данных.

## Шаг 5: тестирование векторного поиска в Azure AI Search

Убедитесь, что ваш векторный поиск работает должным образом.

1. Использование Search Explorer:**

- В Azure AI Search откройте «Search Explorer».

- Введите тестовый запрос для поиска ваших проиндексированных данных.

**2. Анализ результатов:**

- Результаты будут отображать элементы на основе семантической схожести (например, синонимов).

- Скройте векторные значения с помощью **«Query options»**, чтобы получить более чистый вывод.

**В ответе отображаются данные:**

1. «chunk» – это векторизованное поле. В данном случае – поле «name» продукта.

2. «description» – поле из таблицы, которое мы индексировали.

3. Кроме того, поиск предоставляет относительные оценки (relative scores) для результатов. Проверьте их, чтобы оценить релевантность результатов.

## Шаг 6: интеграция с Copilot Studio

**1. Добавление Azure AI Search в Copilot Studio:**

Сначала нужно добавить подключение Azure AI Search в портале Power Apps.

URL конечной точки (endpoint URL) можно найти на странице «Overview» службы Azure AI Search.

Административный ключ (Admin key) находится в разделе Azure AI Search Settings → Keys → Primary Admin Key.

- Затем мы можем добавить Azure AI Search в Copilot Studio либо как источник знаний (Knowledge source), либо как инструмент (Tool, ранее Actions). Тестирование показывает, что при использовании Azure AI Search как источника знаний данные в ответном сообщении пользователю частично сокращаются. А при использовании его как инструмента с коннектором «Vectorized search vector» появляется возможность вручную задавать параметры, например количество top-N результатов поиска.

После добавления «Vectorized search vector» как инструмента можно настроить подключение и основные входные параметры:

- **Search Text** – текст, который используется как запрос для векторного поиска (так же, как мы тестировали поиск вручную).

- **Index Name** – имя индекса, которое используется для поиска. Его можно найти в службе Azure AI Search → Indexes.

- **Top Searches** – количество top-N результатов, которые нужно получить в результате векторного поиска.

- **Selected Fields** – поля, которые нужно получить в результате векторного поиска (в данном случае это поля из нашей разобранной таблицы Dataverse в формате CSV).

- **«chunk»** – как уже отмечалось, это векторизованное поле; в данном случае – имя продукта.

- **«description»** – поле описания из таблицы.

Теперь этот инструмент можно использовать либо напрямую (если включена генеративная оркестрация), либо внутри тем. Кроме того, в ответе у каждого результата есть показатель «score».

- 

- Важно отметить, что если мы используем этот инструмент (plugin action) внутри темы, у него не будет выходных данных для дальнейшего использования в этой же теме; он просто отправляет сгенерированное сообщение на основе результатов ответа векторного поиска.

# Вывод

Теперь у вас настроено надёжное решение для поиска, объединяющее Azure AI Vector Search и Copilot Studio. Этот набор обеспечивает расширенный, контекстно-ориентированный поиск, выходящий за рамки простого сопоставления ключевых слов. Изучите дополнительные возможности настройки – например, изменение параметров поиска или добавление новых источников данных, чтобы адаптировать решение под ваши потребности.

# Часто задаваемые вопросы

### Что такое Azure AI Vector Search?

Сервис, который обеспечивает семантический поиск, используя векторные встраивания для понимания контекста и смысла в запросах.

### Для чего делать интеграцию с Copilot Studio?

Она обеспечивает взаимодействие с данными на естественном языке, делая результаты поиска более интуитивными и удобными для пользователя.

### Какие распространённые проблемы при индексации?

Одна из частых проблем  – некорректные ключи документов. Это можно исправить, применив функцию отображения “base64Encode” в определении индексатора.

### Могу ли я использовать несколько источников данных?

Да, Azure AI Search поддерживает объединение нескольких структурированных и неструктурированных источников данных.