Semantic Kernel使用连接器进行向量搜索
💡
原文中文，约2700字，阅读约需7分钟。
📝
内容提要
Semantic Kernel 的向量存储提供强大的向量搜索功能，支持过滤和分页。通过 SearchAsync 方法，可以基于向量化数据进行搜索，支持多种向量类型和配置选项，如 VectorProperty、Top、Skip 和 IncludeVectors，从而提升性能和安全性。
🎯
关键要点
- Semantic Kernel 提供向量存储的向量搜索功能，支持过滤和分页。
- SearchAsync 方法允许基于已向量化的数据进行搜索，接收向量和可选的 VectorSearchOptions。
- 支持的向量类型因数据存储而异，搜索向量类型必须与目标向量类型一致。
- VectorProperty 用于指定要搜索的向量属性，未指定时会抛出异常。
- Top 和 Skip 用于分页，Top 返回前 N 条结果，Skip 跳过前 N 条结果。
- IncludeVectors 指定是否返回结果中的向量属性，默认值为 false。
- Filter 用于在向量搜索前对记录进行过滤，降低延迟和计算开销。
- Semantic Kernel 的 Vector Store 连接器提供强大的向量搜索功能，支持多种存储实现。
❓
延伸问答
Semantic Kernel 的向量搜索功能有哪些主要特点？
Semantic Kernel 的向量搜索功能支持过滤、分页和多种向量类型，能够提升性能和安全性。
如何使用 SearchAsync 方法进行向量搜索？
使用 SearchAsync 方法时，需要提供一个向量和可选的 VectorSearchOptions，支持多种配置选项。
什么是 VectorProperty，它的作用是什么？
VectorProperty 用于指定要搜索的向量属性，未指定时会抛出异常。
Top 和 Skip 参数在向量搜索中有什么作用？
Top 参数用于返回前 N 条结果，Skip 参数用于跳过前 N 条结果，支持分页功能。
Filter 参数在向量搜索中如何使用？
Filter 参数用于在向量搜索前对记录进行过滤，以降低延迟和计算开销。
IncludeVectors 参数的默认值是什么，它的作用是什么？
IncludeVectors 的默认值为 false，指定是否返回结果中的向量属性，设置为 true 时返回完整向量数据。
➡️
