Azure AI Search: Entwicklungen für RAG

Azure AI Search wird für RAG ausgebaut

Microsoft kündigt bedeutende Verbesserungen von Azure AI Search (ehemals Azure Cognitive Search) an, mit besonderem Fokus auf RAG-Anwendungsfälle. Der vector search wird leistungsfähiger, die Integrationen zahlreicher und das semantic ranking präziser.

"Azure AI Search ist heute die bevorzugte Grundlage für Enterprise-RAG auf Azure", erklärte Satya Nadella auf der Build 2026. "Die native Integration mit Azure OpenAI schafft ein einheitliches Erlebnis."

Neue Funktionen

Verbesserter Vector Search

Der vector search entwickelt sich in mehreren Bereichen weiter:

DEVELOPERcsharp
// Erweiterte Konfiguration für vector search
var searchIndex = new SearchIndex("documents")
{
    VectorSearch = new VectorSearch
    {
        Algorithms = {
            new HnswAlgorithmConfiguration("hnsw-config")
            {
                Parameters = new HnswParameters
                {
                    Metric = VectorSearchAlgorithmMetric.Cosine,
                    M = 16,
                    EfConstruction = 400,
                    EfSearch = 500
                }
            }
        },
        Profiles = {
            new VectorSearchProfile("vector-profile", "hnsw-config")
            {
                Compression = new ScalarQuantizationCompression("sq-config")
            }
        }
    }
};

Semantic Ranking 2.0

Das semantische Reranking verbessert sich:

DEVELOPERcsharp
var options = new SearchOptions
{
    SemanticSearch = new SemanticSearchOptions
    {
        SemanticConfigurationName = "semantic-config",
        QueryCaption = new QueryCaption(QueryCaptionType.Extractive)
        {
            HighlightEnabled = true
        },
        QueryAnswer = new QueryAnswer(QueryAnswerType.Extractive)
        {
            Count = 3,
            Threshold = 0.7
        }
    }
};

Diese Funktionen stehen im Einklang mit unserem Guide zum reranking.

Azure OpenAI-Integration

Die Integration wird nahtlos:

DEVELOPERcsharp
// Indizierung mit Azure OpenAI-Embeddings
var skillset = new SearchIndexerSkillset("rag-skillset")
{
    Skills = {
        new AzureOpenAIEmbeddingSkill
        {
            Name = "embedding-skill",
            ModelName = "text-embedding-3-large",
            ResourceUri = "https://my-openai.openai.azure.com",
            Inputs = { new InputFieldMappingEntry("text") { Source = "/document/content" } },
            Outputs = { new OutputFieldMappingEntry("embedding") { TargetName = "vector" } }
        }
    }
};

// RAG mit Azure OpenAI
var chatClient = new ChatClient(endpoint, credential);
var response = await chatClient.CompleteChatAsync(new ChatCompletionOptions
{
    AzureExtensions = {
        new AzureChatExtensionConfiguration
        {
            Type = AzureChatExtensionType.AzureCognitiveSearch,
            Parameters = {
                Endpoint = searchEndpoint,
                IndexName = "documents",
                SemanticConfiguration = "semantic-config",
                QueryType = AzureCognitiveSearchQueryType.VectorSemanticHybrid
            }
        }
    }
});

Document Intelligence-Integration

Die Dokumentenextraktion wird erweitert:

• Erweitertes OCR: Tabellen, Diagramme, Formeln
• Layout analysis: Struktur bleibt erhalten
• Custom models: Training mit Ihren eigenen Dokumenten

DEVELOPERcsharp
var skillset = new SearchIndexerSkillset("doc-processing")
{
    Skills = {
        new DocumentExtractionSkill
        {
            Name = "doc-extraction",
            ParsingMode = BlobExtractionMode.AllBlob,
            DataToExtract = BlobDataToExtract.ContentAndMetadata
        },
        new AzureOpenAIEmbeddingSkill { ... },
        new TextSplitSkill
        {
            Name = "text-split",
            TextSplitMode = TextSplitMode.Sentences,
            MaximumPageLength = 500
        }
    }
};

Lesen Sie unseren Guide zum Dokumenten-Parsing.

RAG-Architektur auf Azure

Empfohlene Architektur

Azure Blob Storage / SharePoint / SQL
              ↓
    [Document Intelligence]
              ↓
    [Azure AI Search Indexer]
              ↓
    Azure AI Search (Vector + Semantic)
              ↓
    [Azure OpenAI Service]
              ↓
    Azure App Service / Functions

Vollständige Konfiguration

DEVELOPERcsharp
// 1. Erstellen des Index
var indexClient = new SearchIndexClient(endpoint, credential);
await indexClient.CreateOrUpdateIndexAsync(new SearchIndex("rag-index")
{
    Fields = {
        new SearchableField("id") { IsKey = true },
        new SearchableField("content"),
        new SearchField("vector", SearchFieldDataType.Collection(SearchFieldDataType.Single))
        {
            VectorSearchDimensions = 3072,
            VectorSearchProfileName = "vector-profile"
        },
        new SearchableField("metadata")
    },
    VectorSearch = new VectorSearch { ... },
    SemanticSearch = new SemanticSearch { ... }
});

// 2. Konfigurieren des Indexers
var indexerClient = new SearchIndexerClient(endpoint, credential);
await indexerClient.CreateOrUpdateDataSourceConnectionAsync(...);
await indexerClient.CreateOrUpdateSkillsetAsync(skillset);
await indexerClient.CreateOrUpdateIndexerAsync(indexer);

// 3. RAG-Abfrage
var searchClient = new SearchClient(endpoint, "rag-index", credential);
var results = await searchClient.SearchAsync<Document>(
    "Wie konfiguriere ich das Produkt?",
    new SearchOptions
    {
        VectorSearch = new VectorSearchOptions
        {
            Queries = { new VectorizedQuery(queryEmbedding) { KNearestNeighborsCount = 5 } }
        },
        SemanticSearch = new SemanticSearchOptions { ... }
    }
);

Performance und Limits

Benchmarks

Limits

Pricing

Aktualisierte Preise

Zusätzliche Kosten

• Semantic ranking: nutzungsabhängige Abrechnung über 1.000 kostenlose Anfragen pro Monat hinaus (Stand: Juli 2026)
• Vector search: Inklusive
• Azure OpenAI: Separate Abrechnung

Lesen Sie unseren Guide zur Optimierung der RAG-Kosten.

Vergleich

Azure AI Search vs. Alternativen

Unsere Einschätzung

Azure AI Search wird zu einer soliden Option für RAG:

Stärken:

• Native Azure-Integration
• Leistungsstarker Hybrid search
• Weiterentwickeltes Semantic ranking
• Enterprise-Compliance

Punkte, die zu beachten sind:

• Microsoft-Lock-in
• Komplexe Konfiguration
• Hohe Kosten bei großen Volumen

Für Azure-first-Unternehmen ist es eine naheliegende Wahl. Für andere sind cloud-agnostische Alternativen eine Überlegung wert.

Plattformen wie Ailog bieten eine unabhängige Alternative mit Hosting in Frankreich und vereinfachtem Setup.

Lesen Sie unseren Guide zu den besten RAG-Plattformen.