[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Azure--azure-search-vector-samples":3,"tool-Azure--azure-search-vector-samples":61},[4,18,28,37,45,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":24,"last_commit_at":25,"category_tags":26,"status":17},9989,"n8n","n8n-io\u002Fn8n","n8n 是一款面向技术团队的公平代码（fair-code）工作流自动化平台，旨在让用户在享受低代码快速构建便利的同时，保留编写自定义代码的灵活性。它主要解决了传统自动化工具要么过于封闭难以扩展、要么完全依赖手写代码效率低下的痛点，帮助用户轻松连接 400 多种应用与服务，实现复杂业务流程的自动化。\n\nn8n 特别适合开发者、工程师以及具备一定技术背景的业务人员使用。其核心亮点在于“按需编码”：既可以通过直观的可视化界面拖拽节点搭建流程，也能随时插入 JavaScript 或 Python 代码、调用 npm 包来处理复杂逻辑。此外，n8n 原生集成了基于 LangChain 的 AI 能力，支持用户利用自有数据和模型构建智能体工作流。在部署方面，n8n 提供极高的自由度，支持完全自托管以保障数据隐私和控制权，也提供云端服务选项。凭借活跃的社区生态和数百个现成模板，n8n 让构建强大且可控的自动化系统变得简单高效。",184740,2,"2026-04-19T23:22:26",[16,14,13,15,27],"插件",{"id":29,"name":30,"github_repo":31,"description_zh":32,"stars":33,"difficulty_score":10,"last_commit_at":34,"category_tags":35,"status":17},10095,"AutoGPT","Significant-Gravitas\u002FAutoGPT","AutoGPT 是一个旨在让每个人都能轻松使用和构建 AI 的强大平台，核心功能是帮助用户创建、部署和管理能够自动执行复杂任务的连续型 AI 智能体。它解决了传统 AI 应用中需要频繁人工干预、难以自动化长流程工作的痛点，让用户只需设定目标，AI 即可自主规划步骤、调用工具并持续运行直至完成任务。\n\n无论是开发者、研究人员，还是希望提升工作效率的普通用户，都能从 AutoGPT 中受益。开发者可利用其低代码界面快速定制专属智能体；研究人员能基于开源架构探索多智能体协作机制；而非技术背景用户也可直接选用预置的智能体模板，立即投入实际工作场景。\n\nAutoGPT 的技术亮点在于其模块化“积木式”工作流设计——用户通过连接功能块即可构建复杂逻辑，每个块负责单一动作，灵活且易于调试。同时，平台支持本地自托管与云端部署两种模式，兼顾数据隐私与使用便捷性。配合完善的文档和一键安装脚本，即使是初次接触的用户也能在几分钟内启动自己的第一个 AI 智能体。AutoGPT 正致力于降低 AI 应用门槛，让人人都能成为 AI 的创造者与受益者。",183572,"2026-04-20T04:47:55",[13,36,27,14,15],"语言模型",{"id":38,"name":39,"github_repo":40,"description_zh":41,"stars":42,"difficulty_score":10,"last_commit_at":43,"category_tags":44,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":46,"name":47,"github_repo":48,"description_zh":49,"stars":50,"difficulty_score":24,"last_commit_at":51,"category_tags":52,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",161147,"2026-04-19T23:31:47",[14,13,36],{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":24,"last_commit_at":59,"category_tags":60,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":72,"owner_website":77,"owner_url":78,"languages":79,"stars":107,"forks":108,"last_commit_at":109,"license":110,"difficulty_score":111,"env_os":112,"env_gpu":112,"env_ram":112,"env_deps":113,"category_tags":120,"github_topics":121,"view_count":24,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":127,"updated_at":128,"faqs":129,"releases":160},10002,"Azure\u002Fazure-search-vector-samples","azure-search-vector-samples","A repository of code samples for Vector search capabilities in Azure AI Search.","azure-search-vector-samples 是微软官方提供的代码示例库，旨在帮助开发者快速上手 Azure AI Search 的向量搜索功能。它汇集了涵盖 Python、C#、Java 和 JavaScript 等多种主流语言的实战代码，解决了用户在构建基于语义的智能搜索应用时，面对数据分块、嵌入生成（Embedding）、索引创建及混合查询等复杂流程无从下手的难题。\n\n无论是需要集成大模型能力的后端工程师，还是希望探索 AI 搜索场景的技术研究人员，都能从中找到适合的参考方案。该资源库的独特亮点在于其全面性：不仅提供了调用 Azure OpenAI 进行数据向量化处理的基础演示，还深入展示了“集成向量化”的高级用法，即利用技能集在索引和查询阶段自动完成文本转化。此外，部分 .NET 示例特别演示了如何通过标量量化和窄数据类型技术，有效降低向量索引的内存与磁盘占用，为优化大规模搜索性能提供了宝贵思路。通过这些开箱即用的示例，用户可以直观理解从数据处理到最终查询的全链路实现，大幅降低技术验证门槛。","# Vector samples - Azure AI Search\n\nThis repository provides Python, C#, REST, and JavaScript code samples for [vector support](https:\u002F\u002Flearn.microsoft.com\u002Fazure\u002Fsearch\u002Fvector-search-overview) in Azure AI Search.\n\nThere are breaking changes from REST API version 2023-07-01-Preview to newer API versions. These breaking changes also apply to the Azure SDK beta packages targeting that REST API version. See [Upgrade REST APIs](https:\u002F\u002Flearn.microsoft.com\u002Fazure\u002Fsearch\u002Fsearch-api-migration) for migration guidance.\n\nPreview features are available under [Supplemental Terms of Use](https:\u002F\u002Fazure.microsoft.com\u002Fsupport\u002Flegal\u002Fpreview-supplemental-terms\u002F). \n\n## demo-python samples\n\n| Sample | Description |\n| ------ | ------------|\n| [demo-python readme](demo-python\u002Freadme.md) |  A growing collection of notebooks that demonstrate aspects of vector search support, including data chunking and embedding of both text and image content and queries, using a variety of frameworks and techniques.|\n\n## demo-dotnet samples\n\n| Sample | Description |\n| ------ | ------------|\n| [DotNetVectorDemo](demo-dotnet\u002FDotNetVectorDemo\u002Freadme.md) | A .NET console app that calls Azure OpenAI to vectorize data. It then calls Azure AI Search to create, load, and query vector data.|\n| [DotNetIntegratedVectorizationDemo](demo-dotnet\u002FDotNetIntegratedVectorizationDemo\u002Freadme.md) | A .NET console app that calls Azure AI Search to create an index, indexer, data source, and skillset. An Azure Storage account provides the data. Azure OpenAI is called by the skillset during indexing, and again during query execution to vectorize text queries. |\n| [QuantizationAndStorageOptions](demo-dotnet\u002Fdemo-dotnet\u002FQuantizationAndStorageOptions\u002Freadme.md) | A .NET console app that demonstrates [narrow data types](https:\u002F\u002Flearn.microsoft.com\u002Frest\u002Fapi\u002Fsearchservice\u002Fsupported-data-types#edm-data-types-for-vector-fields) and built-in scalar quantization, reducing vector index size in memory and on disk. It also disables storage of vectors returned in query response, which you don't need if you're not returning vectors in a query.  |\n\n## demo-java samples\n\n| Sample | Description |\n| ------ | ------------|\n| [demo-vectors](demo-java\u002Fdemo-vectors\u002Freadme.md) | A Java console app that calls Azure OpenAI to vectorize data. It then calls Azure AI Search to create, load, and query vector data.|\n| [demo-integrated-vectorization](demo-java\u002Fdemo-integrated-vectorization\u002Freadme.md) | A Java console app that calls Azure AI Search to create an index, indexer, data source, and skillset. An Azure Storage account provides the data. Azure OpenAI is called by the skillset during indexing, and again during query execution to vectorize text queries. |\n\n## demo-javascript samples\n\n| Sample | Description |\n| ------ | ------------|\n| [JavaScriptVectorDemo](demo-javascript\u002Freadme.md) | A single folder contains three code samples. The `azure-search-vector-sample.js` script calls just Azure OpenAI and is used to generate embeddings for fields in an index. The `docs-text-openai-embeddings.js` program is an end-to-end code sample that calls Azure OpenAI for embeddings and Azure AI Seach to create, load, and query an index that contains vectors. The `query-text-openai-embeddings.js` script generates an embedding for a vector query. |\n\n## Other vector samples and tools\n\n- [azure-ai-search-lab](https:\u002F\u002Fgithub.com\u002Fjelledruyts\u002Fazure-ai-search-lab) A learning and experimentation lab for trying out various AI-enabled search scenarios in Azure. It includes web application front-end which uses Azure AI Search and Azure OpenAI to execute searches with a variety of options - ranging from simple keyword search, to semantic ranking, vector and hybrid search, and using generative AI to answer search queries in various ways. This allows you to quickly understand what each option does, how it affects the search results, and how various approaches compare against each other.\n- [chat-with-your-data-solution-accelerator](https:\u002F\u002Fgithub.com\u002FAzure-Samples\u002Fchat-with-your-data-solution-accelerator) A template that deploys multiple Azure resources for a custom chat-with-your-data solution. Use this accelerator to create a production-ready solution that implements coding best practices.\n- [Azure Search OpenAI Demo](https:\u002F\u002Fgithub.com\u002FAzure-Samples\u002Fazure-search-openai-demo\u002Ftree\u002Fvectors) A sample app for the Retrieval-Augmented Generation pattern running in Azure, using Azure AI Search for retrieval and Azure OpenAI large language models to power ChatGPT-style and Q&A experiences. Use the \"vectors\" branch to leverage Vector retrieval.\n- [Azure Search OpenAI Demo - C#](https:\u002F\u002Fgithub.com\u002FAzure-Samples\u002Fazure-search-openai-demo-csharp\u002Ftree\u002Ffeature\u002FembeddingSearch) A sample app for the Retrieval-Augmented Generation pattern running in Azure, using Azure AI Search for retrieval and Azure OpenAI large language models to power ChatGPT-style and Q&A experiences using C#.\n- [Azure OpenAI Embeddings QnA with Azure Search as a Vector Store](https:\u002F\u002Fgithub.com\u002Fruoccofabrizio\u002Fazure-open-ai-embeddings-qna) (github.com) A simple web application for a OpenAI-enabled document search. This repo uses Azure OpenAI Service for creating embeddings vectors from documents. For answering the question of a user, using Azure AI Search for retrieval and Azure OpenAI large language models to power ChatGPT-style and Q&A experiences.\n- [ChatGPT Retreival Plugin Azure Search Vector Database](https:\u002F\u002Fgithub.com\u002Fopenai\u002Fchatgpt-retrieval-plugin\u002Fblob\u002Fmain\u002FREADME.md#azure-cognitive-search) The ChatGPT Retrieval Plugin lets you easily find personal or work documents by asking questions in natural language. Azure AI Search now supported as an official vector database.\n- [Azure Search Vector Search Demo Web App Template](https:\u002F\u002Fgithub.com\u002Ffarzad528\u002Fazure-search-vector-search-demo) A Vector Search Demo React Web App Template using Azure OpenAI for Text Search and Cognitive Services Florence Vision API for Image Search.\n- [Azure Cognitive Search Comparison Tool](https:\u002F\u002Fgithub.com\u002FAzure-Samples\u002Fazure-search-comparison-tool)\n\n## Documentation\n\n- [Azure AI Search Documentation](https:\u002F\u002Flearn.microsoft.com\u002Fazure\u002Fsearch\u002F)\n\n  - [Retrieval Augmented Generation (RAG) in Azure AI Search](https:\u002F\u002Flearn.microsoft.com\u002Fazure\u002Fsearch\u002Fretrieval-augmented-generation-overview)\n  - [Vector search overview](https:\u002F\u002Flearn.microsoft.com\u002Fazure\u002Fsearch\u002Fvector-search-overview)\n  - [Hybrid search overview](https:\u002F\u002Flearn.microsoft.com\u002Fazure\u002Fsearch\u002Fhybrid-search-overview)\n  - [Create a vector index](https:\u002F\u002Flearn.microsoft.com\u002Fazure\u002Fsearch\u002Fvector-search-how-to-create-index)\n  - [Query a vector index](https:\u002F\u002Flearn.microsoft.com\u002Fazure\u002Fsearch\u002Fvector-search-how-to-query)\n  - [Vector search algorithms](https:\u002F\u002Flearn.microsoft.com\u002Fazure\u002Fsearch\u002Fvector-search-ranking)\n  - [REST API reference](https:\u002F\u002Flearn.microsoft.com\u002Frest\u002Fapi\u002Fsearchservice\u002F)\n\n- [Azure OpenAI Service Documentation](https:\u002F\u002Flearn.microsoft.com\u002Fazure\u002Fcognitive-services\u002Fopenai\u002F)\n\n- [Azure AI Vision Documentation](https:\u002F\u002Flearn.microsoft.com\u002Fazure\u002Fcognitive-services\u002Fcomputer-vision\u002F)\n","# 向量样本 - Azure AI 搜索\n\n此仓库提供了 Python、C#、REST 和 JavaScript 代码示例，用于演示 Azure AI 搜索中的 [向量支持](https:\u002F\u002Flearn.microsoft.com\u002Fazure\u002Fsearch\u002Fvector-search-overview)。\n\n从 REST API 版本 2023-07-01-Preview 到较新版本的 API，存在一些重大变更。这些重大变更同样适用于针对该 REST API 版本的 Azure SDK 测试版包。有关迁移指南，请参阅 [升级 REST API](https:\u002F\u002Flearn.microsoft.com\u002Fazure\u002Fsearch\u002Fsearch-api-migration)。\n\n预览功能在 [补充使用条款](https:\u002F\u002Fazure.microsoft.com\u002Fsupport\u002Flegal\u002Fpreview-supplemental-terms\u002F) 下提供。\n\n## demo-python 示例\n\n| 示例 | 描述 |\n| ------ | ------------|\n| [demo-python 自述文件](demo-python\u002Freadme.md) | 不断增长的笔记本集合，展示了向量搜索支持的各个方面，包括数据分块、文本和图像内容及查询的嵌入，并使用多种框架和技术。|\n\n## demo-dotnet 示例\n\n| 示例 | 描述 |\n| ------ | ------------|\n| [DotNetVectorDemo](demo-dotnet\u002FDotNetVectorDemo\u002Freadme.md) | 一个 .NET 控制台应用程序，调用 Azure OpenAI 将数据向量化。然后调用 Azure AI 搜索来创建、加载和查询向量数据。|\n| [DotNetIntegratedVectorizationDemo](demo-dotnet\u002FDotNetIntegratedVectorizationDemo\u002Freadme.md) | 一个 .NET 控制台应用程序，调用 Azure AI 搜索来创建索引、索引器、数据源和技能集。数据由 Azure 存储账户提供。技能集在索引过程中以及查询执行时都会调用 Azure OpenAI 来对文本查询进行向量化。|\n| [QuantizationAndStorageOptions](demo-dotnet\u002Fdemo-dotnet\u002FQuantizationAndStorageOptions\u002Freadme.md) | 一个 .NET 控制台应用程序，演示了 [窄数据类型](https:\u002F\u002Flearn.microsoft.com\u002Frest\u002Fapi\u002Fsearchservice\u002Fsupported-data-types#edm-data-types-for-vector-fields) 和内置标量量化，从而减少内存和磁盘上的向量索引大小。它还禁用了在查询响应中返回向量的存储，如果您在查询中不返回向量，则无需启用此功能。|\n\n## demo-java 示例\n\n| 示例 | 描述 |\n| ------ | ------------|\n| [demo-vectors](demo-java\u002Fdemo-vectors\u002Freadme.md) | 一个 Java 控制台应用程序，调用 Azure OpenAI 将数据向量化。然后调用 Azure AI 搜索来创建、加载和查询向量数据。|\n| [demo-integrated-vectorization](demo-java\u002Fdemo-integrated-vectorization\u002Freadme.md) | 一个 Java 控制台应用程序，调用 Azure AI 搜索来创建索引、索引器、数据源和技能集。数据由 Azure 存储账户提供。技能集在索引过程中以及查询执行时都会调用 Azure OpenAI 来对文本查询进行向量化。|\n\n## demo-javascript 示例\n\n| 示例 | 描述 |\n| ------ | ------------|\n| [JavaScriptVectorDemo](demo-javascript\u002Freadme.md) | 单个文件夹包含三个代码示例。`azure-search-vector-sample.js` 脚本仅调用 Azure OpenAI，用于为索引中的字段生成嵌入。`docs-text-openai-embeddings.js` 程序是一个端到端代码示例，调用 Azure OpenAI 生成嵌入，并调用 Azure AI 搜索来创建、加载和查询包含向量的索引。`query-text-openai-embeddings.js` 脚本则为向量查询生成嵌入。|\n\n## 其他向量样本和工具\n\n- [azure-ai-search-lab](https:\u002F\u002Fgithub.com\u002Fjelledruyts\u002Fazure-ai-search-lab) 一个用于尝试 Azure 中各种 AI 驱动搜索场景的学习与实验实验室。它包括一个 Web 应用程序前端，该前端使用 Azure AI 搜索和 Azure OpenAI 执行具有多种选项的搜索——从简单的关键词搜索，到语义排名、向量和混合搜索，以及使用生成式 AI 以多种方式回答搜索查询。这使您能够快速了解每种选项的作用、它们如何影响搜索结果，以及不同方法之间的比较。\n- [chat-with-your-data-solution-accelerator](https:\u002F\u002Fgithub.com\u002FAzure-Samples\u002Fchat-with-your-data-solution-accelerator) 一个用于部署多个 Azure 资源以构建自定义“与您的数据对话”解决方案的模板。使用此加速器可以创建符合编码最佳实践的生产就绪解决方案。\n- [Azure Search OpenAI 演示](https:\u002F\u002Fgithub.com\u002FAzure-Samples\u002Fazure-search-openai-demo\u002Ftree\u002Fvectors) 一个在 Azure 上运行的检索增强生成模式示例应用，使用 Azure AI 搜索进行检索，并使用 Azure OpenAI 大型语言模型来驱动 ChatGPT 式和问答体验。使用“vectors”分支可以利用向量检索功能。\n- [Azure Search OpenAI 演示 - C#](https:\u002F\u002Fgithub.com\u002FAzure-Samples\u002Fazure-search-openai-demo-csharp\u002Ftree\u002Ffeature\u002FembeddingSearch) 一个在 Azure 上运行的检索增强生成模式示例应用，使用 Azure AI 搜索进行检索，并使用 Azure OpenAI 大型语言模型通过 C# 实现 ChatGPT 式和问答体验。\n- [Azure OpenAI 嵌入问答与作为向量存储的 Azure 搜索](https:\u002F\u002Fgithub.com\u002Fruoccofabrizio\u002Fazure-open-ai-embeddings-qna)（GitHub）一个简单的 Web 应用程序，用于支持 OpenAI 的文档搜索。该仓库使用 Azure OpenAI 服务从文档中创建嵌入向量，以便通过 Azure AI 搜索进行检索，并借助 Azure OpenAI 大型语言模型来实现 ChatGPT 式和问答体验，从而回答用户的问题。\n- [ChatGPT 检索插件 Azure 搜索向量数据库](https:\u002F\u002Fgithub.com\u002Fopenai\u002Fchatgpt-retrieval-plugin\u002Fblob\u002Fmain\u002FREADME.md#azure-cognitive-search) ChatGPT 检索插件允许您通过自然语言提问轻松找到个人或工作文档。Azure AI 搜索现在作为官方向量数据库受到支持。\n- [Azure 搜索向量搜索演示 Web 应用模板](https:\u002F\u002Fgithub.com\u002Ffarzad528\u002Fazure-search-vector-search-demo) 一个基于 React 的向量搜索演示 Web 应用模板，使用 Azure OpenAI 进行文本搜索，使用 Cognitive Services Florence Vision API 进行图像搜索。\n- [Azure 搜索比较工具](https:\u002F\u002Fgithub.com\u002FAzure-Samples\u002Fazure-search-comparison-tool)\n\n## 文档\n\n- [Azure AI 搜索文档](https:\u002F\u002Flearn.microsoft.com\u002Fazure\u002Fsearch\u002F)\n\n  - [Azure AI 搜索中的检索增强生成 (RAG)](https:\u002F\u002Flearn.microsoft.com\u002Fazure\u002Fsearch\u002Fretrieval-augmented-generation-overview)\n  - [向量搜索概述](https:\u002F\u002Flearn.microsoft.com\u002Fazure\u002Fsearch\u002Fvector-search-overview)\n  - [混合搜索概述](https:\u002F\u002Flearn.microsoft.com\u002Fazure\u002Fsearch\u002Fhybrid-search-overview)\n  - [创建向量索引](https:\u002F\u002Flearn.microsoft.com\u002Fazure\u002Fsearch\u002Fvector-search-how-to-create-index)\n  - [查询向量索引](https:\u002F\u002Flearn.microsoft.com\u002Fazure\u002Fsearch\u002Fvector-search-how-to-query)\n  - [向量搜索算法](https:\u002F\u002Flearn.microsoft.com\u002Fazure\u002Fsearch\u002Fvector-search-ranking)\n  - [REST API 参考](https:\u002F\u002Flearn.microsoft.com\u002Frest\u002Fapi\u002Fsearchservice\u002F)\n\n- [Azure OpenAI 服务文档](https:\u002F\u002Flearn.microsoft.com\u002Fazure\u002Fcognitive-services\u002Fopenai\u002F)\n\n- [Azure AI 计算机视觉文档](https:\u002F\u002Flearn.microsoft.com\u002Fazure\u002Fcognitive-services\u002Fcomputer-vision\u002F)","# Azure AI Search 向量搜索示例快速上手指南\n\n本指南基于 `azure-search-vector-samples` 仓库，帮助开发者快速在 Azure 环境中构建和测试向量搜索（Vector Search）功能。该仓库提供了 Python、.NET、Java 和 JavaScript 的完整代码示例，涵盖数据分块、嵌入生成、索引创建及混合查询等核心场景。\n\n## 环境准备\n\n在开始之前，请确保您具备以下环境和资源：\n\n### 系统要求\n- **操作系统**：Windows, macOS, 或 Linux\n- **运行时环境**（根据所选语言示例任选其一）：\n  - Python 3.8+ (推荐用于 `demo-python`)\n  - .NET 6.0+ (用于 `demo-dotnet`)\n  - Java JDK 11+ (用于 `demo-java`)\n  - Node.js 14+ (用于 `demo-javascript`)\n\n### 前置依赖与 Azure 资源\n您需要拥有以下 Azure 资源并获取相应的连接字符串和密钥：\n1. **Azure AI Search 服务**：需启用向量搜索功能（建议创建时选择支持向量的层级）。\n2. **Azure OpenAI 服务**：用于生成文本或图像的嵌入向量（Embeddings）。\n   - *注：若无法使用 Azure OpenAI，部分示例支持替换为其他兼容 OpenAI API 的模型服务。*\n3. **Azure Storage 账户**（可选）：部分集成向量化示例（Integrated Vectorization）需要此资源作为数据源。\n\n### 依赖安装\n克隆仓库后，进入对应语言的示例目录安装依赖。\n\n**Python 示例：**\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FAzure-Samples\u002Fazure-search-vector-samples.git\ncd azure-search-vector-samples\u002Fdemo-python\npip install -r requirements.txt\n```\n\n**.NET 示例：**\n```bash\ncd azure-search-vector-samples\u002Fdemo-dotnet\u002FDotNetVectorDemo\ndotnet restore\n```\n\n**JavaScript 示例：**\n```bash\ncd azure-search-vector-samples\u002Fdemo-javascript\nnpm install\n```\n\n> **提示**：国内开发者若遇到 `pip` 或 `npm` 下载缓慢，可临时切换至国内镜像源：\n> - Pip: `pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n> - Npm: `npm config set registry https:\u002F\u002Fregistry.npmmirror.com`\n\n## 安装步骤与配置\n\n大多数示例通过环境变量或配置文件来管理凭证。以 Python 笔记本示例为例，配置步骤如下：\n\n1. **复制配置模板**：\n   在 `demo-python` 目录下，将 `.env.sample` 复制为 `.env`。\n   ```bash\n   cp .env.sample .env\n   ```\n\n2. **填写凭证信息**：\n   编辑 `.env` 文件，填入您的 Azure 资源信息：\n   ```ini\n   AZURE_SEARCH_SERVICE_ENDPOINT=https:\u002F\u002F\u003Cyour-search-service>.search.windows.net\n   AZURE_SEARCH_ADMIN_KEY=\u003Cyour-admin-key>\n   AZURE_OPENAI_ENDPOINT=https:\u002F\u002F\u003Cyour-openai-resource>.openai.azure.com\u002F\n   AZURE_OPENAI_API_KEY=\u003Cyour-openai-key>\n   AZURE_OPENAI_DEPLOYMENT_NAME=text-embedding-ada-002\n   ```\n\n3. **验证连接**：\n   确保防火墙允许本地机器访问 Azure 服务端点，或使用 Azure Cloud Shell 进行运行。\n\n## 基本使用\n\n以下以 **Python (`demo-python`)** 为例，展示最基础的向量搜索流程。其他语言（.NET\u002FJava\u002FJS）逻辑类似，均包含“生成嵌入 -> 创建索引 -> 写入数据 -> 执行查询”四个步骤。\n\n### 场景：构建一个简单的文本向量索引并查询\n\n1. **启动 Jupyter Notebook**：\n   进入 `demo-python` 目录并启动服务：\n   ```bash\n   jupyter notebook\n   ```\n\n2. **运行核心示例**：\n   打开名为 `basic-vector-search.ipynb` (或类似名称的基础示例笔记本) 。\n\n3. **执行代码单元**：\n   按顺序执行以下逻辑的代码块（无需修改代码，仅需确保 `.env` 配置正确）：\n\n   **步骤 A: 生成嵌入 (Embedding Generation)**\n   调用 Azure OpenAI 将文本转换为向量。\n   ```python\n   from openai import AzureOpenAI\n   \n   client = AzureOpenAI(\n       azure_endpoint=os.getenv(\"AZURE_OPENAI_ENDPOINT\"),\n       api_key=os.getenv(\"AZURE_OPENAI_API_KEY\"),\n       api_version=\"2023-05-15\"\n   )\n   \n   text = \"Azure AI Search supports vector search capabilities.\"\n   response = client.embeddings.create(input=text, model=os.getenv(\"AZURE_OPENAI_DEPLOYMENT_NAME\"))\n   vector = response.data[0].embedding\n   ```\n\n   **步骤 B: 创建向量索引 (Create Index)**\n   定义包含 `vector` 字段的索引架构。\n   ```python\n   from azure.search.documents.indexes import SearchIndexClient\n   from azure.search.documents.indexes.models import SearchField, SearchFieldDataType, SimpleField, SearchableField, VectorSearch, HnswAlgorithmConfiguration\n   \n   index_client = SearchIndexClient(endpoint=os.getenv(\"AZURE_SEARCH_SERVICE_ENDPOINT\"), credential=AzureKeyCredential(os.getenv(\"AZURE_SEARCH_ADMIN_KEY\")))\n   \n   fields = [\n       SimpleField(name=\"id\", type=SearchFieldDataType.String, key=True),\n       SearchableField(name=\"content\", type=SearchFieldDataType.String),\n       SearchField(name=\"vector\", type=SearchFieldDataType.Collection(SearchFieldDataType.Single), searchable=True, vector_search_dimensions=1536, vector_search_profile_name=\"myHnswProfile\")\n   ]\n   \n   # 创建索引逻辑...\n   ```\n\n   **步骤 C: 上传数据 (Upload Data)**\n   将文档及其对应的向量上传至索引。\n\n   **步骤 D: 执行向量查询 (Vector Query)**\n   将用户查询语句转化为向量，并在索引中检索相似内容。\n   ```python\n   # 生成查询向量\n   query_vector = client.embeddings.create(input=\"How does vector search work?\", model=os.getenv(\"AZURE_OPENAI_DEPLOYMENT_NAME\")).data[0].embedding\n   \n   # 执行搜索\n   results = search_client.search(\n       search_text=None, \n       vector_queries=[VectorizedQuery(vector=query_vector, k_nearest_neighbors=3, fields=\"vector\")]\n   )\n   \n   for result in results:\n       print(f\"Score: {result['@search.score']}, Content: {result['content']}\")\n   ```\n\n### 进阶示例说明\n- **集成向量化 (Integrated Vectorization)**：参考 `demo-dotnet\u002FDotNetIntegratedVectorizationDemo` 或 Java 对应示例。此模式利用 Azure AI Search 内置的技能集（Skillset）自动调用 Azure OpenAI 进行索引时的向量化，无需客户端预先计算向量。\n- **图像搜索**：`demo-python` 中包含处理图像内容分块和嵌入的 Notebook，需配合 Azure AI Vision 服务使用。\n- **量化存储优化**：.NET 示例中的 `QuantizationAndStorageOptions` 展示了如何通过窄数据类型和标量量化减少内存和磁盘占用。\n\n更多详细文档请参考 [Azure AI Search 官方文档](https:\u002F\u002Flearn.microsoft.com\u002Fazure\u002Fsearch\u002F)。","某电商企业的技术团队正致力于升级其商品搜索系统，希望从传统的关键词匹配转型为支持“以图搜图”和语义理解的智能搜索体验。\n\n### 没有 azure-search-vector-samples 时\n- **开发门槛高**：团队需从零研究向量嵌入（Embedding）生成、数据分块及索引构建的底层逻辑，缺乏针对 Azure AI Search 的标准代码参考，试错成本极高。\n- **多语言适配难**：后端主要使用 .NET 而前端依赖 JavaScript，开发人员不得不分别摸索不同语言调用 Azure OpenAI 和搜索服务的差异，导致接口对接混乱。\n- **性能优化盲目**：面对海量商品向量数据，团队不了解如何启用标量量化（Scalar Quantization）或禁用不必要的向量返回，导致内存占用过大且查询延迟严重。\n- **功能集成复杂**：想要实现“索引时自动向量化”的一体化流程，需手动编排数据存储、技能集（Skillset）和索引器，极易因配置错误导致流水线中断。\n\n### 使用 azure-search-vector-samples 后\n- **快速落地原型**：直接复用 `demo-dotnet` 和 `demo-javascript` 中的成熟示例，几分钟内即可跑通从数据向量化到创建索引的全流程，大幅缩短研发周期。\n- **统一技术标准**：利用仓库中提供的多语言一致化样例，确保 .NET 后端与 JS 前端在调用 REST API 和处理断点变更时保持逻辑同步，减少沟通损耗。\n- **即时性能调优**：参考 `QuantizationAndStorageOptions` 示例，轻松配置窄数据类型和量化策略，在不降低搜索精度的前提下显著缩减存储成本并提升响应速度。\n- **架构清晰稳健**：通过 `DotNetIntegratedVectorizationDemo` 学习如何构建包含数据源、技能集和索引器的完整自动化流水线，实现文本与图像数据的无缝智能检索。\n\nazure-search-vector-samples 通过提供经过验证的多语言代码范本，将复杂的向量搜索技术转化为可立即部署的工程实践，帮助企业以最低成本实现搜索能力的智能化跃迁。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAzure_azure-search-vector-samples_32e00715.png","Azure","Microsoft Azure","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FAzure_6a5873eb.png","APIs, SDKs and open source projects from Microsoft Azure",null,"https:\u002F\u002Fdocs.microsoft.com\u002Fen-us\u002Fazure\u002F","https:\u002F\u002Fgithub.com\u002FAzure",[80,84,88,92,96,100,104],{"name":81,"color":82,"percentage":83},"Jupyter Notebook","#DA5B0B",88.1,{"name":85,"color":86,"percentage":87},"Bicep","#519aba",6.9,{"name":89,"color":90,"percentage":91},"Python","#3572A5",2.5,{"name":93,"color":94,"percentage":95},"C#","#178600",1.2,{"name":97,"color":98,"percentage":99},"Java","#b07219",0.9,{"name":101,"color":102,"percentage":103},"JavaScript","#f1e05a",0.2,{"name":105,"color":106,"percentage":103},"PowerShell","#012456",907,381,"2026-04-17T17:51:08","MIT",4,"未说明",{"notes":114,"python":112,"dependencies":115},"该仓库主要提供调用 Azure AI Search 和 Azure OpenAI 服务的代码示例，本身不包含本地运行的重型 AI 模型，因此对本地 GPU、显存及大内存无特殊硬件要求。运行环境取决于所选编程语言（Python, .NET, Java, JavaScript）的基础运行库。所有计算密集型任务（如向量化、索引构建）均在 Azure 云端服务中执行。需注意 REST API 版本从 2023-07-01-Preview 升级后的破坏性变更，且预览功能需遵守补充使用条款。",[116,117,118,119],"Azure SDK for Python","Azure SDK for .NET","Azure SDK for Java","Node.js (JavaScript 示例)",[16,14],[122,123,124,125,126],"azure","azurecognitivesearch","embeddings","vector","vector-search","2026-03-27T02:49:30.150509","2026-04-20T12:54:35.712910",[130,135,140,145,150,155],{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},44925,"遇到 ImportError: cannot import name 'RawVectorQuery' 错误该怎么办？","该问题通常与库版本有关。确保您使用的是兼容的 azure-search-documents 版本（例如 11.4.0）。如果问题仍然存在，请检查笔记本代码是否已更新以反映最新的 API 更改。","https:\u002F\u002Fgithub.com\u002FAzure\u002Fazure-search-vector-samples\u002Fissues\u002F117",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},44926,"Azure Vector Search 不支持 OpenAI 新的 embedding 模型 \"text-embedding-3-large\" (3072 维) 怎么办？","目前 Azure Cognitive Search 的向量字段维度限制在 2 到 2048 之间，因此无法直接使用 3072 维的 \"text-embedding-3-large\" 模型。您需要使用维度不超过 2048 的模型（如 \"text-embedding-ada-002\"），或者等待 Azure 搜索服务更新以支持更高维度。","https:\u002F\u002Fgithub.com\u002FAzure\u002Fazure-search-vector-samples\u002Fissues\u002F157",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},44927,"如何将包含 alpha 版本库（如 azure-search-documents）的项目部署到 Azure Web App？","部署失败通常是因为 pip 无法找到预发布版本的包。解决方法是在 requirements.txt 文件末尾添加以下行：\n--extra-index-url https:\u002F\u002Fpkgs.dev.azure.com\u002Fazure-sdk\u002Fpublic\u002F_packaging\u002Fazure-sdk-for-python\u002Fpypi\u002Fsimple\u002F\nazure-search-documents==11.4.0a20230509004\n\n或者，在 Azure Web App 的应用设置中配置环境变量：\naz webapp config appsettings set --name \u003C应用名称> --resource-group \u003C资源组名称> --settings \"PIP_EXTRA_INDEX_URL=https:\u002F\u002Fpkgs.dev.azure.com\u002Fazure-sdk\u002Fpublic\u002F_packaging\u002Fazure-sdk-for-python\u002Fpypi\u002Fsimple\u002F\"","https:\u002F\u002Fgithub.com\u002FAzure\u002Fazure-search-vector-samples\u002Fissues\u002F32",{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},44928,"为什么找不到 azure-search-documents 11.5.x alpha 版本？","在 issue 提出时，11.5 版本尚未发布或不可用。维护者确认 11.4 版本已包含预期的功能。建议先使用最新的 11.4 beta 或 alpha 版本（如 11.4.0b3），并关注官方发布渠道获取 11.5 的更新。","https:\u002F\u002Fgithub.com\u002FAzure\u002Fazure-search-vector-samples\u002Fissues\u002F23",{"id":151,"question_zh":152,"answer_zh":153,"source_url":154},44929,"运行 Python 示例笔记本创建索引时失败，报错与 semantic settings 或 algorithmConfiguration 有关，如何解决？","这是由于 API 变更导致的。请在索引定义中进行以下替换：\n1. 将 `algorithmConfiguration` 替换为 `vectorSearchConfiguration`\n2. 在 algorithmConfigurations 集合中，将 `algorithm` 替换为 `type`\n此外，确保代码中包含了正确的 api-version（例如 \"2023-07-01-preview\"）。","https:\u002F\u002Fgithub.com\u002FAzure\u002Fazure-search-vector-samples\u002Fissues\u002F9",{"id":156,"question_zh":157,"answer_zh":158,"source_url":159},44930,"导入 VectorSearchAlgorithmMetric 时出现 ImportError 怎么办？","该问题在旧版本（如 11.4.0b11, 11.4.0b12）中存在。维护者确认该问题已在最新的 11.5 版本中修复。请升级您的 azure-search-documents 库到 11.5 或更高版本来解决此导入错误。","https:\u002F\u002Fgithub.com\u002FAzure\u002Fazure-search-vector-samples\u002Fissues\u002F119",[]]