如何使用Azure Cognitive Search从非结构化文档中精准检索问题答案

停用词干扰、检索结果不精准问题修复 #

• 调整索引分析器配置：默认标准分析器未针对中英文混合场景做停用词过滤，会将where/are这类无实际语义的高频虚词计入匹配权重。给存储文档正文的字段指定分析器为zh-Hans.microsoft，即可自动过滤中英文通用停用词，避免虚词匹配的无效文档排在结果前列。
• 优化检索匹配规则：检索请求设置searchMode=all，要求查询串中"橙子""种植"这类核心实体词全部命中才纳入返回结果；同时给不同索引字段设置差异化权重，比如文档标题字段权重设为5、正文切分块字段权重设为1，进一步提升结果相关性。
• 优化高亮片段精度：不要直接对整篇文档的全文字段做高亮，在索引构建阶段将长文档按段落边界切分为200-300字的语义块，单独存入chunk_content字段，检索时直接命中对应语义块，返回的高亮片段就是精准匹配的内容段，不会出现无关内容。

零额外成本实现问答效果（无QnA Maker、无付费语义搜索） #

• 用基础版自带的向量检索能力搭建轻量混合检索链路，不需要额外购买付费服务：索引阶段沿用上述语义块切分逻辑，本地部署开源轻量向量模型bge-small-zh-v1.5（模型体积约100MB，可运行在Azure免费层App Service上，几乎无额外成本）为每个语义块生成向量，存入搜索服务的向量字段，该功能在Azure Cognitive Search基础定价层即可使用，不需要开通语义搜索配额。
• 检索阶段执行混合召回：同时执行关键词全文检索和向量相似度检索，各召回Top20匹配语义块，对结果去重后按匹配分数加权排序，排在首位的语义块即为对应答案内容，通用场景下匹配精度和付费语义搜索差距小于10%，完全满足普通问答需求，全程不需要对接QnA Maker。
• 若需要直接返回短句答案而非整段内容，可在排序后取Top3匹配块，用本地部署的开源小参数模型（如Qwen-1.8B）做答案抽取，不需要调用云端付费大模型。

检索结果返回PDF内对应关联图片 #

• 该能力可通过原生索引器配置实现：配置Blob Storage索引器时，将imageAction参数设置为generateNormalizedImages，索引器解析PDF过程中会自动提取文档内所有图片，标准化后存入normalized_images字段，同时记录每张图片对应的原文档页码、相邻上下文文本信息。
• 做内容和图片的绑定关联：语义块切分阶段，将每个语义块和其前后相邻段落范围内的图片做绑定，关联关系存入语义块的related_images字段；当检索命中"如何制作橙汁"对应的语义块时，直接返回绑定的图片内容即可。
• 若需要提升图片匹配精度，可在图片提取阶段用开源OCR工具识别图片内文字，配合轻量图片打标模型生成图片内容描述，将识别结果和描述一并存入索引，检索时可直接匹配图片内容，不单纯依赖文本位置关联。

内容的提问来源于stack exchange，提问作者userbin