Überblick
Azure AI Search ist Microsofts KI-gestützte Plattform für die Informationssuche. Mit der Langdock-Integration kannst du semantische Vektorsuchen über deine indexierten Dokumente direkt aus Conversations heraus durchführen.Authentifizierung: API Key
Kategorie: KI & Suche
Verfügbarkeit: Alle Workspace-Tarife
Kategorie: KI & Suche
Verfügbarkeit: Alle Workspace-Tarife
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 (1536 Dimensionen für OpenAIs text-embedding-ada-002)
Einrichtung
Zu Integrationen navigieren
Geh in Langdock zu Integrationen und finde Azure AI Search in der Integrationsliste.
Zugangsdaten eingeben
Fülle die erforderlichen Konfigurationsfelder aus (siehe Tabelle unten).
Verbindung testen
Speichere die Integration – Langdock überprüft, ob dein Index existiert und erreichbar ist.
Konfigurationsparameter
Erforderliche Felder
| Feld | Beschreibung | Beispiel |
|---|---|---|
| Name | Ein Name für diese Verbindung | Firmen-Wissensdatenbank |
| API Key | Admin-Key aus Azure Portal -> Keys | 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 Dimension | Dimension deiner Vektor-Embeddings | 1536 |
| 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 |
Wo du deine Zugangsdaten findest:
- Service URL: Azure Portal -> Dein Search Service -> Overview -> kopiere das
Url-Feld - API Key: Azure Portal -> Dein Search Service -> Keys -> kopiere einen Admin-Key
Verfügbare Aktionen
Dokumente durchsuchen
azureaisearch.searchDocuments
Führt eine semantische Vektorsuche über deine indexierten Dokumente durch.
Benötigt Bestätigung: Nein
Parameter:
query(VECTOR, Required): Vektor-Anfrage für semantische Suche
value: Array von Suchergebnis-Objekten mit:@search.score: Relevanz-Score@search.highlights: Hervorgehobene Textausschnitte- Feldwerte aus den indexierten Dokumenten
@odata.count: Gesamtzahl der Ergebnisse@odata.nextLink: Link zur nächsten Ergebnisseite (falls verfügbar)
Typische Anwendungsfälle
Unternehmensweite Wissenssuche
Durchsuche interne Dokumentationen, Richtlinien und Wissensdatenbanken mit natürlicher Sprache
Recherche & Analyse
Finde relevante Forschungsarbeiten, Berichte und Daten aus großen Dokumentensammlungen
Kundensupport
Rufe schnell Produktinformationen, FAQs und Support-Artikel ab, um Kundenanfragen zu beantworten
Content Discovery
Entdecke relevante Inhalte aus Archiven, Wikis oder Dokumenten-Repositories
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 | Keine Dokumente oder ungültige Embeddings | Stelle sicher, dass Dokumente mit gültigen 1536-dimensionalen Embeddings in dein Vektorfeld hochgeladen wurden |
| 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 |