Vektorsøk og AI i SQL Server 2025

SQL Server 2025 kan lagre og søke i vektorer direkte i databasen. En vektor er en lang rekke tall som beskriver betydningen av en tekst, et bilde eller et produkt, laget av en språkmodell (en embedding). To tekster som handler om det samme, får vektorer som ligger nær hverandre, selv om de ikke har et eneste ord felles. Dermed kan du bygge semantisk søk og RAG (retrieval-augmented generation, der en språkmodell svarer ut fra dine egne data) uten en egen vektordatabase. Denne guiden forklarer begrepene og viser hvordan det ser ut i T-SQL.

Kort fortalt
  • Datatypen VECTOR(n) lagrer en embedding med n dimensjoner. Den finnes i SQL Server 2025, Azure SQL Database og Azure SQL Managed Instance.
  • VECTOR_DISTANCE regner ut avstanden mellom to vektorer. Sorter på avstand, så har du et eksakt søk.
  • For store datamengder finnes vektorindekser (DiskANN) og VECTOR_SEARCH for raskt, omtrentlig søk. Det var forhåndsversjon (preview) da SQL Server 2025 kom.
  • Selve embeddingen lages av en modell, enten i applikasjonen eller fra T-SQL med AI_GENERATE_EMBEDDINGS.

Hva er en embedding?

En embedding-modell gjør om en tekst til en vektor med et fast antall tall, for eksempel 1536. Hvert tall sier ikke noe alene, men tekster med lignende innhold havner nær hverandre i dette «rommet». «Hvordan tar jeg backup?» og «sikkerhetskopiering av databasen» får vektorer som ligger tett, mens «hvordan lager jeg pannekaker?» havner langt unna.

Det betyr at du kan søke på mening i stedet for ord. Det er særlig nyttig for kundeservice, dokumentasjon, produktsøk og alt der brukerne formulerer seg annerledes enn teksten de leter etter. Velg en modell som er god på norsk; de store flerspråklige modellene fra OpenAI, Cohere og andre fungerer godt.

Lagre vektorer

CREATE TABLE dbo.Artikkel
(
    ArtikkelId int IDENTITY PRIMARY KEY,
    Tittel     nvarchar(200) NOT NULL,
    Tekst      nvarchar(max) NOT NULL,
    Embedding  VECTOR(1536)  NULL     -- samme antall dimensjoner som modellen gir
);

-- En vektor kan settes inn som en JSON-array
INSERT INTO dbo.Artikkel (Tittel, Tekst, Embedding)
VALUES (N'Backup', N'Slik tar du backup …',
        CAST(N'[0.0123, -0.0456, …]' AS VECTOR(1536)));

Hver dimensjon lagres som et 4-byte flyttall, så en vektor med 1536 dimensjoner tar rundt 6 KB. En million rader gir altså ca. 6 GB bare i vektorer. Velg gjerne en modell med færre dimensjoner hvis kvaliteten er god nok. Maks antall dimensjoner er 1998.

Lange tekster bør deles opp i biter (chunks) på noen hundre ord, med én vektor per bit i en egen tabell. En vektor for et helt dokument på 50 sider blir et utvasket gjennomsnitt som treffer dårlig.

Søke: VECTOR_DISTANCE

For å søke lager du først en vektor av spørsmålet med samme modell, og sorterer etter avstand:

DECLARE @sporsmal VECTOR(1536) = …;  -- embedding av brukerens spørsmål

SELECT TOP (5)
       ArtikkelId,
       Tittel,
       VECTOR_DISTANCE('cosine', Embedding, @sporsmal) AS Avstand
FROM dbo.Artikkel
ORDER BY Avstand;
MetrikkBetydningBruk
cosineVinkelen mellom vektorene. 0 er likt, 2 er motsatt.Standardvalget for tekst-embeddings.
euclideanRett linje-avstand.Når modellen anbefaler det.
dotNegativt skalarprodukt.Normaliserte vektorer; gir samme rekkefølge som cosine.

Dette er et eksakt søk (k-nearest neighbors): SQL Server regner avstanden til hver eneste rad. Det er helt greit opp til noen titusener rader, og kan kombineres med vanlige WHERE-betingelser, for eksempel på kategori eller tilgang. Filtrerer du bort det meste med en vanlig indeks først, holder eksakt søk lenge.

Vektorindekser og VECTOR_SEARCH

For millioner av rader blir eksakt søk for tregt. Da trengs en vektorindeks, som finner de nærmeste naboene omtrentlig (ANN, approximate nearest neighbors) med algoritmen DiskANN:

-- Forhåndsfunksjon i SQL Server 2025
ALTER DATABASE SCOPED CONFIGURATION SET PREVIEW_FEATURES = ON;

CREATE VECTOR INDEX IX_Artikkel_Embedding
ON dbo.Artikkel (Embedding)
WITH (METRIC = 'cosine', TYPE = 'diskann');

SELECT TOP (5) WITH APPROXIMATE
       a.ArtikkelId, a.Tittel, s.distance
FROM VECTOR_SEARCH(
         TABLE      = dbo.Artikkel AS a,
         COLUMN     = Embedding,
         SIMILAR_TO = @sporsmal,
         METRIC     = 'cosine'
     ) AS s
ORDER BY s.distance;

Syntaksen og begrensningene har endret seg mellom forhåndsversjonene. I den første utgaven ble tabellen for eksempel skrivebeskyttet så lenge vektorindeksen fantes. Sjekk Microsofts dokumentasjon for versjonen du kjører før du bygger på dette i produksjon, og test om eksakt søk med et godt filter er raskt nok først.

Lage embeddings fra T-SQL

Den vanligste løsningen er å lage embeddings i applikasjonen (for eksempel med en SDK i C# eller Python) og lagre resultatet. SQL Server 2025 kan også kalle modellen selv, via en registrert external model:

CREATE EXTERNAL MODEL TekstEmbedding
WITH (
    LOCATION   = 'https://minressurs.openai.azure.com/openai/deployments/text-embedding-3-small/embeddings?api-version=2024-02-01',
    API_FORMAT = 'Azure OpenAI',
    MODEL_TYPE = EMBEDDINGS,
    MODEL      = 'text-embedding-3-small',
    CREDENTIAL = [https://minressurs.openai.azure.com/]
);

UPDATE dbo.Artikkel
SET Embedding = AI_GENERATE_EMBEDDINGS(Tekst USE MODEL TekstEmbedding)
WHERE Embedding IS NULL;

Modellen kan også være en lokal modell, for eksempel via Ollama, slik at dataene ikke forlater egen infrastruktur. Det er et viktig poeng hvis tekstene inneholder personopplysninger – se guiden om GDPR og personvern.

RAG: la en språkmodell svare ut fra dine data

RAG kobler vektorsøket sammen med en språkmodell:

  1. Brukeren stiller et spørsmål. Applikasjonen lager en embedding av det.
  2. Vektorsøket i SQL Server henter de 5–10 mest relevante tekstbitene, filtrert på det brukeren har tilgang til.
  3. Tekstbitene sendes sammen med spørsmålet til språkmodellen, med beskjed om å svare ut fra dem.
  4. Svaret vises med lenker til kildene.

Fordelen med å gjøre dette i SQL Server er at vektorene ligger sammen med resten av dataene. Du får transaksjoner, backup, tilgangskontroll og vanlige JOIN-er gratis, og slipper å synkronisere mot en egen vektordatabase. Kombiner gjerne vektorsøk med fulltekstsøk (hybrid search), siden fulltekst er bedre på eksakte navn, produktnumre og forkortelser.

Vanlige spørsmål

Hvilke utgaver støtter vektorer?

VECTOR-typen og VECTOR_DISTANCE finnes i alle utgaver av SQL Server 2025, også Express, og i Azure SQL. Se guiden om utgaver og lisensiering.

Kan jeg bruke vektorer i eldre versjoner?

Ikke som egen datatype. Noen lagrer vektorer som JSON eller varbinary og regner avstand i applikasjonen, men det skalerer dårlig. Står du på en gammel versjon, er dette en god grunn til å oppgradere – se guiden om SQL Server 2016.

Hva skjer hvis jeg bytter embedding-modell?

Da må alle vektorene lages på nytt. Vektorer fra ulike modeller kan ikke sammenlignes, selv om de har like mange dimensjoner. Lagre gjerne modellnavnet i en egen kolonne.

Støtter Entity Framework Core vektorer?

Ja, nyere versjoner av SQL Server-provideren støtter vektorkolonner og VECTOR_DISTANCE i LINQ. Se guiden om Entity Framework Core.

Les også