> ## Documentation Index
> Fetch the complete documentation index at: https://docs.langdock.com/llms.txt
> Use this file to discover all available pages before exploring further.

# Azure AI Search

> Verbinde Azure AI Search mit Langdock, um semantische Vektorsuchen über deine indexierten Dokumente durchzuführen

## Überblick

Azure AI Search ist Microsofts KI-gestützte Plattform für die Informationssuche. Nach der Verbindung kannst du semantische Vektorsuchen über deine indexierten Dokumente direkt aus Langdock-Conversations heraus durchführen.

<Info>
  **Authentifizierung:** API Key
  **Kategorie:** KI & Suche
  **Verfügbarkeit:** Alle Workspace-Pläne
</Info>

## Voraussetzungen

Bevor du die Integration einrichtest, stelle sicher, dass du Folgendes hast:

* Ein Azure-Abonnement mit Zugriff auf Azure AI Search
* Eine Azure AI Search Service-Instanz mit mindestens einem Index
* Einen Admin-API-Key für deinen Azure AI Search Service
* Dokumente, die in deinen Index mit Vektor-Embeddings hochgeladen wurden

<Tip>
  Wenn du neu bei Azure AI Search bist, schau dir Microsofts [Vector Search Dokumentation](https://learn.microsoft.com/de-de/azure/search/vector-search-overview) an, um deinen ersten Index mit Vector-Search-Unterstützung einzurichten.
</Tip>

## Einrichtung

<Steps>
  <Step title="Zu Integrationen navigieren">
    Geh in Langdock zu [Integrationen](https://app.langdock.com/integrations) und suche **Azure AI Search** in der Integrationsliste.
  </Step>

  <Step title="Zugangsdaten eingeben">
    Fülle die erforderlichen Konfigurationsfelder aus (siehe [Tabelle unten](#konfigurationsparameter)).
  </Step>

  <Step title="Verbindung testen">
    Speichere die Integration – Langdock überprüft, ob dein Index existiert und erreichbar ist.
  </Step>

  <Step title="Suche starten">
    Tagge die Integration mit `@` in einem beliebigen Agenten oder füge die Aktion **Dokumente durchsuchen** zu deinem Agenten hinzu, um deine indexierten Dokumente zu durchsuchen.
  </Step>
</Steps>

### Konfigurationsparameter

#### Erforderliche Felder

| Feld             | Beschreibung                                                       | Beispiel                                |
| ---------------- | ------------------------------------------------------------------ | --------------------------------------- |
| **Name**         | Ein Name für diese Verbindung                                      | `Firmen-Wissensdatenbank`               |
| **API Key**      | Azure Portal → Settings → Keys → Erstelle einen primären Admin-Key | Dein Admin-Key                          |
| **Index Name**   | Der genaue Name deines Azure AI Search Index                       | `langdock-prod-firma`                   |
| **URL**          | Dein Azure AI Search Service-Endpunkt                              | `https://my-service.search.windows.net` |
| **Search Field** | Der Vektor-Feldname in deinem Index-Schema                         | `contentVector`                         |
| **Top K**        | Anzahl der abzurufenden Suchergebnisse                             | `5`                                     |

#### Optionale Felder

| Feld                | Beschreibung                                        | Standard    |
| ------------------- | --------------------------------------------------- | ----------- |
| **Embedding Model** | Verwendetes Modell für Embeddings (nur Anzeige)     | Ada v2      |
| **Select**          | Kommagetrennte Felder, die zurückgegeben werden     | Alle Felder |
| **Filter**          | OData-Filterausdruck zur Eingrenzung der Ergebnisse | Keiner      |

<Info>
  **Wo du deine Zugangsdaten findest:**

  * **Service URL:** Azure Portal → Dein Search Service → Overview → kopiere das `Url`-Feld
  * **API Key:** Azure Portal → Settings → Keys → erstelle einen primären Admin-Key
</Info>

## Häufige Anwendungsfälle

<CardGroup cols={2}>
  <Card title="Unternehmensweite Wissenssuche" icon="magnifying-glass">
    Durchsuche interne Dokumentationen, Richtlinien und Wissensdatenbanken mit natürlicher Sprache
  </Card>

  <Card title="Recherche & Analyse" icon="flask">
    Finde relevante Forschungsarbeiten, Berichte und Daten aus großen Dokumentensammlungen
  </Card>

  <Card title="Kundensupport" icon="headset">
    Rufe schnell Produktinformationen, FAQs und Support-Artikel ab, um Kundenanfragen zu beantworten
  </Card>

  <Card title="Content Discovery" icon="lightbulb">
    Entdecke relevante Inhalte aus Archiven, Wikis oder Dokumenten-Repositories
  </Card>
</CardGroup>

## Fehlerbehebung

| Problem                              | Ursache                                                  | Lösung                                                                                                                                      |
| ------------------------------------ | -------------------------------------------------------- | ------------------------------------------------------------------------------------------------------------------------------------------- |
| **Index nicht gefunden**             | Index-Name stimmt nicht überein oder existiert nicht     | Überprüfe, ob der genaue Index-Name im Azure Portal mit deiner Konfiguration übereinstimmt (Groß-/Kleinschreibung beachten)                 |
| **Keine Suchergebnisse**             | Vektorfeld-Name falsch oder Filter verhindert Ergebnisse | Überprüfe, ob der Vektorfeld-Name mit deinem Index-Schema übereinstimmt, und prüfe, ob ein OData-Filterausdruck alle Ergebnisse ausschließt |
| **Niedrige Such-Scores**             | Embedding-Modell stimmt nicht überein                    | Stelle sicher, dass alle Dokumente das gleiche Embedding-Modell verwenden (z.B. text-embedding-ada-002)                                     |
| **Authentifizierung fehlgeschlagen** | Ungültiger oder abgelaufener API-Key                     | Kopiere einen neuen Admin-Key aus Azure Portal → Keys                                                                                       |

<Tip>
  **Checkliste zur Validierung**

  * Service URL Format: `https://[service-name].search.windows.net`
  * Index-Name stimmt genau überein (Groß-/Kleinschreibung beachten)
  * Search Field entspricht deinem Vektorfeld-Namen (z.B. `contentVector`)
  * Dokumente enthalten gültige Vektor-Embeddings
</Tip>