VECTOR_SEARCH (Transact-SQL) (プレビュー)

SQL Server 2025 (17.x) プレビュー

近似最近傍ベクトル検索アルゴリズムを使用して、特定のクエリ ベクターに似たベクトルを検索します。 ベクター インデックス作成とベクター検索のしくみ、および正確な検索と近似検索の違いの詳細については、 SQL Database エンジンのベクターを参照してください。

プレビュー機能

この機能はプレビュー段階にあります。 この機能を使用するには、次の トレース フラグを有効にする必要があります。

DBCC TRACEON(466, 474, 13981, -1)

使用する前に、 現在の制限事項を 確認してください。

構文

Transact-SQL 構文表記規則

VECTOR_SEARCH(
    TABLE = object [AS source_table_alias]
    , COLUMN = vector_column
    , SIMILAR_TO = query_vector
    , METRIC = { 'cosine' | 'dot' | 'euclidean' }
    , TOP_N = k
) [AS result_table_alias]

論争

TABLE = オブジェクト [AS source_table_alias]

検索を実行するテーブル。 ベース テーブルである必要があります。 ローカルとグローバルの両方のビュー (一時テーブル) はサポートされていません。

COLUMN = vector_column

検索が実行されるベクター列。 列は ベクター データ型である必要があります。

SIMILAR_TO = query_vector

検索に使用されるベクター。 変数またはベクター型の列である必要があります。

METRIC = { 'cosine' |'dot' |'euclidean' }

クエリ ベクターと指定した列のベクトル間の距離を計算するために使用される距離メトリック。 ANN (近似最近隣) インデックスは、同じメトリックと同じ列に一致する ANN インデックスが見つかった場合にのみ使用されます。 互換性のある ANN インデックスがない場合は、警告が発生し、KNN (k-Nearest Neighbor) アルゴリズムが使用されます。

TOP_N = <k>

返される必要がある類似ベクトルの最大数。 正の 整数である必要があります。

result_table_alias

エイリアスは、結果セットを参照するために使用されます。

結果セットを返す

返される結果セットには、TABLE 引数で指定されたテーブルのすべての列と、追加の distance 列が含まれます。 distance列には、COLUMN 引数内の指定されたベクトルと、引数で指定されたベクトルSIMILAR_TO間の距離が含まれます。

制限事項

現在のプレビューには、次の制限があります。

後フィルター処理のみ

ベクター検索は、述語を適用する前に行われます。 追加の述語は、最も似たベクトルが返された後にのみ適用されます。 次の例では、クエリ ベクター @qvに最も似た埋め込みがある上位 10 行を返し、 WHERE 句で指定された述語を適用します。 ベクトル検索によって返されるベクトルに関連付けられている 10 行のうち、 accepted 列が 1 でない場合、結果は空になります。

SELECT
  s.id, 
  s.title,
  r.distance
FROM
  VECTOR_SEARCH(
    TABLE = dbo.sessions AS s, 
    COLUMN = embedding, 
    SIMILAR_TO = @qv, 
    METRIC = 'cosine', 
    TOP_N = 10 
  ) AS r
WHERE
  accepted = 1
ORDER BY
  r.distance

ビューでVECTOR_SEARCHを使用することはできません

VECTOR_SEARCH ビューの本文では使用できません。

例示

例 1

次の例では、Pink Floyd music style テーブルのwikipedia_articles_embeddingsに最も似た 10 個の記事を検索します。

DECLARE @qv VECTOR(1536) = AI_GENERATE_EMBEDDING(N'Pink Floyd music style' USE MODEL Ada2Embeddings);
SELECT 
    t.id, s.distance, t.title
FROM
    VECTOR_SEARCH(
        TABLE = [dbo].[wikipedia_articles_embeddings] as t, 
        COLUMN = [content_vector], 
        SIMILAR_TO = @qv, 
        METRIC = 'cosine', 
        TOP_N = 10
    ) AS s
ORDER BY s.distance

例 2

例 1 と同じですが、今回はクエリ ベクトルが変数ではなく別のテーブルから取得されます。

CREATE TABLE #t (
  id INT, 
  q NVARCHAR(MAX),
  v VECTOR(1536)
);
INSERT INTO 
  #t
SELECT 
    id, q, ai_generate_embeddings(q USE MODEL Ada2Embeddings)
FROM
    (VALUES 
        (1, N'four legged furry animal'),
        (2, N'pink floyd music style')
    ) S(id, q)
;

SELECT 
    t.id, s.distance, t.title
FROM
    #t AS qv
CROSS APPLY
    VECTOR_SEARCH(
        TABLE = [dbo].[wikipedia_articles_embeddings] as t, 
        COLUMN = [content_vector], 
        SIMILAR_TO = qv.v, 
        METRIC = 'cosine', 
        TOP_N = 10
    ) AS s
WHERE
  qv.id = 2
ORDER BY 
  s.distance

例 3

CREATE VECTOR INDEXと関連するVECTOR_SEARCH関数を使用した基本的なエンドツーエンドの例。 埋め込みはモックされます。 実際のシナリオでは、埋め込みモデルと AI_GENERATE_EMBEDDINGS、または OpenAI SDK などの外部ライブラリを使用して埋め込みが生成されます。

次のコード ブロックは、モック埋め込みを使用した VECTOR_SEARCH 関数を示しています。

1. 現在のプレビューで必要なトレース フラグを有効にします。
2. データ型 dbo.Articles の列embeddingを含むサンプル テーブル を作成します。
3. モック埋め込みデータを使用してサンプル データを挿入します。
4. dbo.Articles.embeddingにベクター インデックスを作成します。
5. VECTOR_SEARCH関数を使用してベクトルの類似性検索を示します。

-- Step 0: Enable Preview Feature
DBCC TRACEON(466, 474, 13981, -1);
GO

-- Step 1: Create a sample table with a VECTOR(5) column
CREATE TABLE dbo.Articles 
(
    id INT PRIMARY KEY,
    title NVARCHAR(100),
    content NVARCHAR(MAX),
    embedding VECTOR(5) -- mocked embeddings
);

-- Step 2: Insert sample data
INSERT INTO Articles (id, title, content, embedding)
VALUES
(1, 'Intro to AI', 'This article introduces AI concepts.', '[0.1, 0.2, 0.3, 0.4, 0.5]'),
(2, 'Deep Learning', 'Deep learning is a subset of ML.', '[0.2, 0.1, 0.4, 0.3, 0.6]'),
(3, 'Neural Networks', 'Neural networks are powerful models.', '[0.3, 0.3, 0.2, 0.5, 0.1]'),
(4, 'Machine Learning Basics', 'ML basics for beginners.', '[0.4, 0.5, 0.1, 0.2, 0.3]'),
(5, 'Advanced AI', 'Exploring advanced AI techniques.', '[0.5, 0.4, 0.6, 0.1, 0.2]');

-- Step 3: Create a vector index on the embedding column
CREATE VECTOR INDEX vec_idx ON Articles(embedding)
WITH (metric = 'cosine', type = 'diskann');

-- Step 4: Perform a vector similarity search
DECLARE @qv VECTOR(5) = '[0.3, 0.3, 0.3, 0.3, 0.3]';
SELECT
    t.id,
    t.title,
    t.content,
    s.distance
FROM
    VECTOR_SEARCH(
        table = Articles AS t,
        column = embedding,
        similar_to = @qv,
        metric = 'cosine',
        top_n = 3
    ) AS s
ORDER BY s.distance, t.title;

関連コンテンツ

• SQL データベース エンジンでのベクトルの概要
• ベクトル データ型
• ベクターインデックスを作成 (Transact-SQL)
• Azure SQL Database Vector Search のサンプル