Azure AI Projects SDK 中向量存储创建问题的分析与解决

问题背景

在使用 Azure AI Projects SDK 的 azure-ai-projects 包（版本 1.0.0b8）时，开发者在尝试通过 API 创建向量存储时遇到了问题。具体表现为当使用 Azure 资产 URI 作为数据源时，API 返回了 400 Bad Request 错误，提示"Vector store configuration is not supported"。

技术分析

问题现象

开发者尝试通过以下代码创建向量存储：

data_sources = [
    VectorStoreDataSource(
        asset_identifier=asset_uri,
        asset_type=VectorStoreDataSourceAssetType.URI_ASSET,
    )
    for asset_uri in uploaded_file_uris
]

vector_store = await project_client.agents.create_vector_store_and_poll(
    data_sources=data_sources,
    name=f"vector_store_{agent_id}",
)

生成的请求体包含了一个 configuration 字段，其中包含了数据源信息：

{
    "configuration": {
        "data_sources": [
            {
                "uri": "azureml://...",
                "type": "uri_asset"
            }
        ]
    },
    "name": "vector_store_asst_rEP6VjvzJ9X93eB6FHyXouQq"
}

然而，API 规范显示该端点并不支持 configuration 字段，导致请求被拒绝。

根本原因

经过深入分析，发现这个问题与 Azure AI Foundry 的部署模式有关。Azure AI Foundry 支持两种部署模式：

1. 基础模式(Basic)
2. 标准模式(Standard)

只有在标准模式下，当 Azure AI Search 服务资源连接到 Azure AI Foundry 时，才能支持企业级文件搜索功能，包括向量存储的创建。

解决方案

要解决这个问题，开发者需要采取以下步骤：

1. 部署标准模式的 Azure AI Foundry：确保使用标准模式部署，这样才能支持向量存储功能。

2. 添加 AI Search 工具：如果已经部署了基础模式，可以通过特定命令将 AI Search 工具添加到现有的 Azure AI Foundry 中。

3. 配置功能主机：使用 Azure CLI 为 hub 和项目创建功能主机，并建立必要的数据存储和 AI 搜索资源连接：

pip install -U azure-cli
az config set extension.dynamic_install_allow_preview=true
az ml capability-host create -g my-resource-group -w my-hub
az ml capability-host create -g my-resource-group -w my-project -s my-project/workspaceblobstore -v vector_store_connection_name -a ai_services_connection_used_by_a_project

经验总结

1. 部署模式选择：在项目规划阶段就应根据需求选择合适的部署模式，如果需要高级搜索功能，务必选择标准模式。

2. API 版本兼容性：注意 SDK 和 API 版本之间的兼容性，确保使用的功能在当前 API 版本中受支持。

3. 错误诊断：遇到 API 错误时，应仔细检查请求体是否符合 API 规范，并查阅相关文档了解功能支持情况。

通过采用标准模式部署 Azure AI Foundry，开发者成功解决了向量存储创建的问题，这为后续的 AI 应用开发奠定了良好的基础。