Senaryo 1

Anlam tabanlı ürün araması

Hybrid retrieval: VECTOR_SEARCH + DiskANN ile cosine yakın 300 aday çekilir, ardından sorgudaki anahtar terimlerle keyword overlap rerank uygulanır. Pure vector kalitesi 50K ürün arasında generic terim baskınlığında bozulabilir; hybrid bunu telafi eder. Sağdaki klasik LIKE sütunu çoğu doğal dil sorgusunda sıfır sonuç verir.

Provider: ollama bge-m3 1024 dim

Arkada calisan T-SQL 20-vector-search.sql

Bu sayfa hibrit calisiyor: once DiskANN ile cosine yakin adaylar, sonra keyword overlap rerank. Asagidaki betik VECTOR_SEARCH tarafini gosteriyor.

DECLARE @query_text2 NVARCHAR(MAX) = N'rahat ergonomik klavye';

DECLARE @q VECTOR(1536) = AI_GENERATE_EMBEDDINGS(
    @query_text2 USE MODEL openai_embed_small
);

-- SQL Server 2025 sözdizimi: TOP_N parametresi VECTOR_SEARCH içinde;
-- (CU4'te yakalandı, CU8 / 17.0.4075.5 üzerinde 2026-09-04'te yeniden ölçüldü,
--  CTE olmadan dış JOIN hâlâ "Invalid column name" veriyor.)
-- VECTOR_SEARCH'ün kolonlarına dış JOIN'den referans için CTE şart.
WITH hits AS (
    SELECT * FROM VECTOR_SEARCH(
        TABLE      = vector.product_embedding,
        COLUMN     = embedding_openai_1536,
        SIMILAR_TO = @q,
        METRIC     = 'cosine',
        TOP_N      = 5)
)
SELECT
    h.product_id,
    p.name,
    cat.name AS category,
    p.price,
    h.distance,
    LEFT(p.description_tr, 100) AS preview
FROM hits h
JOIN shop.product          p   ON p.product_id   = h.product_id
JOIN shop.product_category cat ON cat.category_id = p.category_id
ORDER BY h.distance ASC;
GO

Tam betik: sql/20-vector-search.sql

Örnek