如何用Foundry IQ为 Foundry Agent 构建企业级多源 RAG 知识库

文章主旨：介绍 Microsoft Foundry IQ 如何将企业内外部数据组合为可追溯、可复用的知识库，并说明它与 Azure AI Search 的关系及适用场景。

关键要点：

• Foundry IQ 可将 Azure Blob Storage 中的法规文件与实时 Web 信息组合成 Knowledge Base，并连接到 Agent 提供可追溯依据。
• Foundry IQ 与 Azure AI Search 是同一能力的不同管理界面，连接同一 Search Endpoint 和相同知识库名称时操作同一底层知识库。
• Blob Chat Model 用于索引/刷新时的内容处理，Embedding Model 用于向量转换，Knowledge Base Chat Model 用于检索规划与答案合成。
• 相比传统 RAG，Foundry IQ 将多源路由、查询规划、结果合并和引用管理抽离为可共享的知识层，更适合复合问题、多数据源或多 Agent 共享。
• 对于单索引、简单查询和低延迟场景，直接使用 Azure AI Search Tool 仍然简单有效。

内容结构：

视频中完成了什么？ 演示五步构建知识库：连接 Azure AI Search Resource、创建 Blob Knowledge Source 导入法规文件、添加 Web Knowledge Source、配置检索与回答格式，并将知识库作为 Agent 工具验证引用。低/中检索强度下 LLM 规划查询，Azure AI Search 执行并行检索与语义重排。

Foundry IQ 与 Azure AI Search 是什么关系？ 两者是同一能力的不同管理界面：Azure 门户侧重管理 Search Service、Index、Indexer、Knowledge Source 和 Knowledge Base；Microsoft Foundry 侧重为 Agent 创建、配置和连接知识库。连接同一端点时指向同一底层库。

为什么 Blob 和 Knowledge Base 都要配置 Chat Model？ 因为阶段不同：Blob Chat Model 在索引/刷新时处理图片描述等生成式内容；Embedding Model 把文档与查询转换为向量；Knowledge Base Chat Model 在检索时规划查询、选择来源并可选合成答案。

相比传统 RAG，变化在哪里？ 传统方案让 Agent 直接查询索引；Foundry IQ 将多源路由、查询规划、结果合并和引用管理抽离为独立可维护、多 Agent 共享的知识层。单索引、简单查询仍可用传统工具，复合场景更适合 Foundry IQ。

总结 Azure AI Search 让内容可搜索，Foundry IQ 将内容组织为 Agent 可规划、可组合、可共享的知识服务，使答案建立在动态检索和来源引用之上。

文章总结：本文以客观技术说明为主，建议根据场景复杂度和多 Agent 共享需求选择传统 RAG 或 Foundry IQ 知识层方案。

Bruce Talk

查看原文：如何用Foundry IQ为 Foundry Agent 构建企业级多源 RAG 知识库

文章来源：

Bruce Talk

扫码关注公众号