目录收录 Microsoft Learn 模块
Implement vector search on Azure Cosmos DB for NoSQL: 点评
- 教学 4.0
- 动手 5.0
- 时效 4.0
- 性价比 4.5
- 职业相关 4.0
本页来自官方目录收录，尚未完成独立核验，默认不进入搜索索引。
查看课程官网点评结论
一个扎实的动手教程，精准地实现了它的承诺：在 Cosmos DB 上实现向量搜索。沙盒环境使其成为探索 Azure AI 技术栈的必做项。
决策摘要
4.3/5 最近核实： 2026年8月31日
适合
有一定 Python 和 Azure 基础，想动手实践向量搜索的开发者。
注意
默认你已经决定使用 Cosmos DB，没有提供其他选项的背景信息。
- 教学 4.0
- 动手 5.0
- 时效 4.0
- 性价比 4.5
- 职业相关 4.0
适合谁
有一定 Python 和 Azure 基础，想动手实践向量搜索的开发者。
谁可以跳过
希望深入学习向量数据库理论，或想了解与其他引擎（如 Pinecone, Weaviate）对比的人。
优点
- 为最后的练习提供了一个功能完整的、独立的 Azure 沙盒环境。
- 代码是现代 Python，使用了 OpenAI embeddings 和 Azure SDK。
- 覆盖了从生成、存储、查询到用 Change Feed 更新嵌入的完整生命周期。
缺点
- 默认你已经决定使用 Cosmos DB，没有提供其他选项的背景信息。
- “知识检查”部分的测验过于基础，无法真正检验理解程度。
- 沙盒环境启动可能很慢。
我一直在琢磨怎么给一个产品目录做向量搜索，这个模块的实验正好解决了我的问题。最棒的部分就是那个沙盒。它不是模拟器，而是给了你一个真实的、临时的 Azure 订阅来部署所有东西。我本来以为又是个全程复制粘贴的引导教程，但它真的需要你运行 `azd up` 命令，等着资源一个个配置好。我大部分时间都花在了附带的 Jupyter Notebook 里，文档写得很清晰。它带着你一步步设置 Cosmos DB 客户端，用 OpenAI API 为一批商品描述样本生成嵌入，然后存进去。
查询部分最有用。它演示了怎么写 `VectorDistance` 这个用户定义函数（UDF），然后把它和元数据过滤结合起来——比如，寻找和“蓝色 polo 衫”相似的商品，但仅限于“男装”分类。这才是真实应用里需要解决的问题。教程还讲了如何用 Change Feed 在商品描述被修改时，自动触发一个函数去更新嵌入向量。这个设计很巧妙、很实用，在很多别的教程里都没见过。
唯一的小槽点是，沙盒环境启动有点慢，而且一旦你搞错了什么，调试起来会有点麻烦。但考虑到这个实验的完整性，这点小代价也值了。如果你认真阅读所有内容并亲自跑一遍代码，这 90 分钟会过得非常充实。
最近核实： 2026年8月31日. 我们会定期复查课程信息——详见 评测方法. 价格与开课情况可能变动，请以官网为准。
读者评价
还没有读者评价——来分享你的学习体验，做第一个评价的人。
以下为读者提交的真实体验，与上方署名点评者评分相互独立。
请先验证你的邮箱，然后再撰写评价。
注册时我们已向你发送验证链接，点击该链接后回到本页即可。