Búsqueda vectorial en Cosmos DB: directiva vectorial del contenedor (ruta, tipo de datos, dimensiones, función de distancia), índices vectoriales (flat, quantizedFlat, diskANN) y VectorDistance()

Los modelos de embeddings convierten texto o imágenes en vectores: arreglos largos de números en los que los significados similares quedan cerca unos de otros. La búsqueda vectorial encuentra los elementos cuyos vectores están más cerca de un vector de consulta. Cosmos DB for NoSQL puede almacenar embeddings dentro de los mismos elementos JSON que tus datos operativos y buscar en ellos, así que una app de RAG (retrieval-augmented generation, generación aumentada por recuperación) no necesita una base de datos vectorial aparte. Primero hay que habilitar la función en la cuenta (la capacidad de búsqueda vectorial para NoSQL).