Fähigkeiten Azure AI Search SDK for Python
📦

Azure AI Search SDK for Python

Sicher 🔑 Umgebungsvariablen

Implementierung von Azure AI Search mit Python SDK

Erstellen Sie leistungsstarke Sucherlebnisse mit Azure AI Search. Diese Skill bietet umfassende Anleitungen zu Vektorsuche, hybrider Suche, semantischem Ranking und Indexverwaltung mit dem offiziellen Python SDK.

Unterstützt: Claude Codex Code(CC)
📊 70 Angemessen
1

Die Skill-ZIP herunterladen

2

In Claude hochladen

Gehe zu Einstellungen → Fähigkeiten → Skills → Skill hochladen

3

Einschalten und loslegen

Teste es

Verwendung von "Azure AI Search SDK for Python". Suche nach Dokumenten über semantische Suche mit Vektorähnlichkeit

Erwartetes Ergebnis:

Gibt rangierte Ergebnisse mit Relevanzwerten, semantischen Bildunterschriften, die übereinstimmende Inhalte hervorheben, und Dokumentenmetadaten zurück

Verwendung von "Azure AI Search SDK for Python". Index mit Vektorfeld für 3072-dimensionale Embeddings erstellen

Erwartetes Ergebnis:

Indexkonfiguration mit SearchField für Embeddings, HNSW-Algorithmus-Einstellungen und Vektorsuchprofil

Verwendung von "Azure AI Search SDK for Python". 100 Dokumente mit automatischem Batching hochladen

Erwartetes Ergebnis:

Dokumente erfolgreich indiziert mit Buffered Sender, der Retries und Batch-Optimierung handhabt

Sicherheitsaudit

Sicher
v1 • 2/25/2026

This is a documentation-only skill providing guidance for Azure AI Search Python SDK usage. Static analysis detected no executable code (0 files scanned, risk score 0/100). Code examples follow security best practices including environment variable usage for credentials and recommendation of DefaultAzureCredential over API keys. No malicious patterns or prompt injection attempts detected.

0
Gescannte Dateien
0
Analysierte Zeilen
1
befunde
1
Gesamtzahl Audits

Risikofaktoren

🔑 Umgebungsvariablen (2)
SKILL.md:24-27 SKILL.md:38-41
Auditiert von: claude

Qualitätsbewertung

38
Architektur
100
Wartbarkeit
87
Inhalt
31
Community
100
Sicherheit
78
Spezifikationskonformität

Was du bauen kannst

Vektorsuche für RAG-Anwendungen erstellen

Erstellen Sie Vektorindizes und führen Sie semantische Ähnlichkeitssuche für Retrieval-Augmented-Generation-Pipelines mit Azure OpenAI Embeddings durch.

Unternehmensdokumentensuche implementieren

Richten Sie hybride Suche mit Keyword- und Vektorabfragen, semantischem Ranking und facettenreicher Navigation für Dokumentenrepositorys ein.

KI-Anreicherungspipelines erstellen

Konfigurieren Sie Indexer mit Skillsets zur Extraktion von Entitäten, Schlüsselphrasen und OCR bei Dokumenten während der Indizierung.

Probiere diese Prompts

Einfache Suchabfrage 
Zeigen Sie mir, wie man eine einfache Keywordsuche mit dem Azure AI Search Python SDK und ordnungsgemäßer Authentifizierung durchführt.
Vektorindex-Setup 
Helfen Sie mir, einen Suchindex mit Vektorfeldern zu erstellen, die für 1536-dimensionale Embeddings mit HNSW-Algorithmus konfiguriert sind.
Implementierung der hybriden Suche 
Schreiben Sie Code zur Durchführung einer hybriden Suche, die Keyword-Matching mit Vektorähnlichkeit kombiniert und die Top-10-Ergebnisse mit semantischen Bildunterschriften zurückgibt.
Indexer mit Skillset 
Erstellen Sie einen Indexer, der aus Azure Blob Storage liest und Entity-Recognition- und Key-Phrase-Extraction-Skillsets vor der Indizierung anwendet.

Bewährte Verfahren

  • Verwenden Sie DefaultAzureCredential für die Produktionsauthentifizierung anstelle von API-Schlüsseln
  • Aktivieren Sie die semantische Ranking-Konfiguration für das Verständnis von Abfragen in natürlicher Sprache
  • Verwenden Sie SearchIndexingBufferedSender für Batch-Uploads, um automatisches Batching und Retries zu handhaben

Vermeiden

  • Hardcodieren von Anmeldeinformationen oder Endpunkten direkt im Code anstelle der Verwendung von Umgebungsvariablen
  • Verwendung der API-Schlüssel-Authentifizierung in Produktionsumgebungen anstelle von Entra ID
  • Erstellen von Indizes ohne Vektorsuchprofile, wenn die Verwendung von Embeddings geplant ist

Häufig gestellte Fragen

Welche Authentifizierungsmethode sollte ich für Azure AI Search verwenden?
Verwenden Sie DefaultAzureCredential (Entra ID) für Produktionsumgebungen. API-Schlüssel sind für die Entwicklung akzeptabel, sollten jedoch aus Sicherheitsgründen nicht in der Produktion verwendet werden.
Wie wähle ich zwischen SearchClient und SearchIndexClient?
Verwenden Sie SearchClient für Abfragen und Dokumentenoperationen. Verwenden Sie SearchIndexClient zum Erstellen, Aktualisieren oder Löschen von Indexdefinitionen und zum Verwalten von Index-Level-Konfigurationen.
Welche Vektordimensionen sollte ich für meine Embeddings konfigurieren?
Passen Sie die Dimensionen an die Ausgabe Ihres Embedding-Modells an. Übliche Größen sind 1536 (text-embedding-ada-002), 3072 (text-embedding-3-large) oder 768 (kleinere Modelle).
Kann ich Vektorfelder zu einem bestehenden Index hinzufügen?
Nein, die Vektorsuchkonfiguration muss zum Zeitpunkt der Indexerstellung definiert werden. Erstellen Sie einen neuen Index mit Vektorfeldern, wenn Sie einer bestehenden Lösung die Vektorsuche hinzufügen müssen.
Wie verbessert die hybride Suche die Ergebnisse?
Die hybride Suche kombiniert Keyword-Matching (BM25) mit Vektorähnlichkeit und nutzt sowohl lexikalische als auch semantische Relevanz für genauere Ergebnisse als jeder Ansatz allein.
Was ist der Unterschied zwischen semantischem Ranking und Vektorsuche?
Die Vektorsuche findet ähnliche Dokumente mit Embeddings. Das semantische Ranking verwendet LLM-gestütztes Re-Ranking, um die Ergebnissortierung für Abfragen in natürlicher Sprache zu verbessern und funktioniert auf Basis der Keyword- oder hybriden Suche.

Entwicklerdetails

Autor

sickn33

Lizenz

MIT

Repository

https://github.com/sickn33/antigravity-awesome-skills/tree/main/skills/azure-search-documents-py

Ref

main

Dateistruktur

📄 SKILL.md