Azure SQLのベクトル検索は、埋め込みベクトルをVECTOR型の列に保存し、DiskANNのベクトル索引とVECTOR_SEARCH関数で似た行を取り出す機能です。2026年9月29日にAzure SQL Database・Microsoft FabricのSQL database・常に最新の更新ポリシーのManaged Instanceで一般提供(GA)となり、RAGの検索部分を業務テーブルの隣に置けるようになりました。この記事では、表の作成から索引・検索・埋め込み生成までのT-SQL、本番で詰まる制約、pgvectorやCosmos DB、DynamoDBとの使い分けを順に整理します。
まとめ:Azure SQLのベクトル検索を選ぶ条件と別のベクトルDBへ逃がす場面
正本データがすでにAzure SQL DatabaseかSQL Serverにあり、検索結果をテナントや権限の列で絞ってから業務テーブルとJOINしたいなら、Azure SQLのベクトル検索を第一候補にしてよい。複製パイプラインが不要になり、行の更新がそのまま検索結果に反映されるからです。
見送るのは、1,998次元(float32)を超える埋め込みを次元削減せずに使いたい場合、検索だけを数十億件規模で独立にスケールさせたい場合、そしてDacPacでスキーマを配布する運用を変えられない場合の3つです。前の2つは専用のベクトルDBやAzure AI Searchの領分で、3つ目は索引作成をデプロイ後の手順へ切り出す必要があります。
Azure SQLのベクトル検索の仕組みとVECTOR型・距離関数・索引の関係
ベクトル検索は「VECTOR型の列」「距離を測る関数」「近似検索の索引」の3部品でできています。Azure SQL Databaseそのものの購入モデルやサービス階層はAzure SQL Databaseとは?仕組み・購入モデル(vCore/DTU)・サービス階層で扱っているので、ここではベクトル検索に固有の部分だけを見ます。
VECTOR型:float32で1,998次元・float16で3,996次元の上限
Microsoft LearnのVector data typeによると、ベクトルは読み書きの効率を高めたバイナリ形式で格納され、読み書きの見た目はJSON配列です。要素は既定で単精度(4バイト)のfloat32で、次元の上限はfloat32が1,998、半精度のfloat16が3,996。float16はAzure SQL Databaseで一般提供済みで、SQL Server 2025ではプレビュー扱いです。
容量の見積もりは単純な掛け算で済みます。1,536次元のfloat32なら1行あたり6,144バイト、100万行で約6.1GB(索引を除く)。float16にすれば半分になる代わりに精度が落ちるため、再現率を測ってから切り替えるのが安全です。VECTOR型の列にはB-tree索引・主キー・DEFAULT・CHECK制約を付けられず、メモリ内処理向けのテーブル(memory-optimized table)やAlways Encryptedとも併用できません。
VECTOR_DISTANCEの厳密検索とVECTOR_SEARCHの近似検索の違い
距離の計算には2つの入口があります。VECTOR_DISTANCEは2つのベクトルの距離を返すスカラー関数で、全行に掛けて並べ替えれば厳密な最近傍(kNN)になります。距離関数はcosine・euclidean・dot(負の内積)の3種類で、どれも値が小さいほど近い。dotだけ符号が反転している点は、しきい値を書くときに効いてきます。
一方のVECTOR_SEARCHはテーブル値関数で、同じ列・同じ距離関数のベクトル索引があればDiskANNによる近似最近傍(ANN)探索を使います。索引が無ければ警告を出してkNNに切り替わるため、開発中は索引なしでも同じSQLを実行できる仕組みです。HNSWやIVFなど他のANN方式との違いは近似最近傍探索とは?HNSW・IVF・PQの選び分けとRecall調整にまとめています。
2026年9月のGAで対象になった環境とSQL Server 2025のプレビュー差
Azure SQL Dev CornerのGA告知(2026-09-29)によると、GAの対象はAzure SQL Database、Microsoft FabricのSQL database、更新ポリシーが常に最新(Always-up-to-date)のAzure SQL Managed Instanceです。同じ機能はSQL Server 2025と、更新ポリシーがSQL Server 2025のManaged Instanceではまだプレビューで、PREVIEW_FEATURESのデータベーススコープ構成をONにしないと使えません。
GA版の索引は内部の版番号が3で、DMLの全面対応(索引作成後もINSERT・UPDATE・DELETE・MERGEが可能)と、WHERE句を探索中に適用する反復フィルタリングが入りました。2025年11月のパブリックプレビュー時点の索引はテーブルが読み取り専用になる制約があったため、当時の記事やサンプルを読むときは版の違いに注意が要ります。
T-SQLで表作成からDiskANN索引・VECTOR_SEARCHの検索まで試す手順
ここからはCREATE VECTOR INDEXのリファレンスとVECTOR_SEARCHのリファレンスに沿って、社内規程の文書チャンクを1,536次元で保存し、テナントとカテゴリで絞って検索する構成を組みます。実行先はAzure SQL Databaseを想定しています。
VECTOR(1536)列を持つ表の作成と100行以上を投入する前提条件
埋め込み列はNULL許容にしておき、本文を先に入れてから埋め込みを後追いで埋める流れにします。絞り込みに使う列には通常の非クラスター化索引を張っておくと、反復フィルタリングの候補判定で使われます。
CREATE TABLE dbo.Documents
(
id INT IDENTITY(1, 1) PRIMARY KEY,
tenant_id INT NOT NULL,
category NVARCHAR(50) NOT NULL,
title NVARCHAR(200) NOT NULL,
chunk_text NVARCHAR(MAX) NOT NULL,
embedding VECTOR(1536) NULL
);
CREATE NONCLUSTERED INDEX ix_documents_filter
ON dbo.Documents (tenant_id, category);
注意したいのは件数の下限です。GA版のベクトル索引は、NULLでないベクトルが100行以上ないと作成できず、エラー42266で止まります。検証環境で数件だけ入れて索引を張ろうとすると必ず失敗するので、最初の動作確認は索引なしのVECTOR_SEARCH(kNN)で行い、100行を超えてから索引を作る順番にします。
CREATE VECTOR INDEXでDiskANN索引を作り版番号3を確かめる
索引の構文はMETRICとTYPEを指定するだけです。TYPEは現時点でDiskANNのみで、省略してもDiskANNになります。作成後はsys.vector_indexesのbuild_parametersから版番号を読めます。
CREATE VECTOR INDEX vix_documents_embedding
ON dbo.Documents (embedding)
WITH (METRIC = 'cosine', TYPE = 'DiskANN');
SELECT i.name AS index_name,
JSON_VALUE(v.build_parameters, '$.Version') AS index_version
FROM sys.vector_indexes AS v
INNER JOIN sys.indexes AS i
ON v.object_id = i.object_id
AND v.index_id = i.index_id;
index_versionが3ならGA版の索引です。プレビュー期間に作った索引は3未満のままで、その場では更新できません。DROP INDEXしてから作り直す必要があり、作り直すまでの間は近似検索が止まるので、本番ではメンテナンス時間帯に回します。必要な権限はテーブルへのALTERです。
TOP (N) WITH APPROXIMATEとWHERE句による絞り込み検索
GA版の索引に対する近似検索は、SELECT TOP (N) WITH APPROXIMATEとORDER BY distanceの組み合わせで書きます。次の例は、クエリ文を埋め込みに変換し、テナント42の「規程」カテゴリから近い5件を取り出します。
DECLARE @qv VECTOR(1536) =
AI_GENERATE_EMBEDDINGS(N'経費精算の承認経路を変更する手順' USE MODEL EmbeddingModel);
SELECT TOP (5) WITH APPROXIMATE
d.id,
d.title,
r.distance
FROM VECTOR_SEARCH(
TABLE = dbo.Documents AS d,
COLUMN = embedding,
SIMILAR_TO = @qv,
METRIC = 'cosine'
) AS r
WHERE d.tenant_id = 42
AND d.category = N'規程'
ORDER BY r.distance;
WHERE句の条件は探索の途中で適用されるので、条件に合う行が5件あれば5件返ります。旧版の索引では先に近い順で切ってから絞り込んでいたため、結果が0件になる事故が起きていました。オプティマイザが索引とkNNのどちらを使うかを自動で選ぶ点も新しく、索引を必ず使わせたいときはWITH (FORCE_ANN_ONLY)のテーブルヒントを付けます。距離関数の数学的な意味はコサイン類似度とは?計算式・角度ごとの値・Python実装と内積との違いが参考になります。
AI_GENERATE_EMBEDDINGSでAzure OpenAIの埋め込みを作る手順
埋め込みの生成はアプリ側のSDKでもできますが、Azure SQLにはSQLから直接モデルを呼ぶAI_GENERATE_EMBEDDINGSがあります。2026年5月8日の告知で、この関数と外部モデル定義CREATE EXTERNAL MODELがAzure SQL DatabaseとManaged Instanceで一般提供になりました。対応するAPI_FORMATは告知時点でAzure OpenAIとOpenAIの2種類です。
SQLから呼ぶ外部モデルの登録とデータベーススコープ資格情報を作る順序
AI_GENERATE_EMBEDDINGSのリファレンスの手順は、マスターキー、資格情報、外部モデルの順です。Azure SQL Databaseでは外部RESTエンドポイントの呼び出し設定が既定で有効なので、sp_configureの手順は不要です。
CREATE MASTER KEY ENCRYPTION BY PASSWORD = N'<強いパスワード>';
CREATE DATABASE SCOPED CREDENTIAL [https://<resource>.cognitiveservices.azure.com/]
WITH IDENTITY = 'HTTPEndpointHeaders',
SECRET = '{"api-key":"<Azure OpenAIのキー>"}';
CREATE EXTERNAL MODEL EmbeddingModel
WITH (
LOCATION = 'https://<resource>.cognitiveservices.azure.com/openai/deployments/<deployment>/embeddings?api-version=2023-05-15',
API_FORMAT = 'Azure OpenAI',
MODEL_TYPE = EMBEDDINGS,
MODEL = 'text-embedding-3-small',
CREDENTIAL = [https://<resource>.cognitiveservices.azure.com/]
);
資格情報の名前はエンドポイントのURLそのものにします。api-versionはLearnの例に合わせた値なので、自分のデプロイで使える版に置き換えてください。APIキーをDBに置きたくない場合は、IDENTITY = 'Managed Identity'でマネージドIDを使う形もCREATE EXTERNAL MODELのリファレンスに載っています。
既存行の埋め込みをUPDATEで一括生成し再試行回数を指定する例
外部モデルができれば、既存の本文から埋め込みを埋めるのは1文で済みます。関数が返すJSON配列は、そのままVECTOR列へ代入できます。
DECLARE @params JSON = N'{"sql_rest_options":{"retry_count":5}}';
UPDATE TOP (500) d
SET embedding = AI_GENERATE_EMBEDDINGS(d.chunk_text USE MODEL EmbeddingModel PARAMETERS @params)
FROM dbo.Documents AS d
WHERE d.embedding IS NULL;
retry_countは0〜10の整数で、一時的なHTTPエラーのときに自動で再試行します。1回の更新件数をTOP (500)で区切っているのは、Azure OpenAI側のレート制限に当たったときに長いトランザクションが丸ごと巻き戻るのを避けるためです。長文を分割するAI_GENERATE_CHUNKSもありますが、5月の告知ではGAの対象に名前が無いため、本番で使う前に提供区分を確かめてください。
本番で詰まる制約:TOP_N廃止のエラーからTRUNCATE不可・DacPac非対応まで
GA版で使いやすくなった一方、旧版との構文差と、通常のテーブルには無い運用上の制約が残っています。設計レビューで先に確認しておきたいのは次の3点です。
旧版の索引向けTOP_N構文でMsg 42274が返る移行時の落とし穴
プレビュー期のサンプルはVECTOR_SEARCHの引数にTOP_N = 10を書いていました。GA版の索引に対してこの書き方をすると「Msg 42274 Vector search with version 3 index does not support explicit TOP_N parameter.」で失敗します。TOP_Nは非推奨で、旧版の索引との互換のためだけに残されています。
移行の手順は、索引の作り直しとクエリの書き換えを同じリリースに入れることです。索引だけ作り直すと旧構文のクエリが落ち、クエリだけ書き換えると旧版の索引では反復フィルタリングが効きません。GitHubのAzure-Samples/azure-sql-db-vector-searchも時期によって構文が混在しているので、コピーする前にTOP_Nの有無を見てください。
ORDER BYはdistance昇順のみ:集計やCROSS APPLYは副問い合わせへ
TOP (N) WITH APPROXIMATEを使うクエリは、ORDER BYにdistance列だけを昇順で書く決まりです。ORDER BYを省くとMsg 42248、タイトルなど別の列を足したり降順にしたりするとMsg 42271になります。GROUP BY・集計関数・ウィンドウ関数・UNION・DISTINCT・複数列の並べ替えは、近似検索を内側の副問い合わせに閉じ込め、外側で処理します。
見落としやすいのがCROSS APPLYです。注文ごとに似た商品を探すような「行ごとの検索」は、同じFROM句にWITH APPROXIMATEを並べると失敗します。CROSS APPLYの中にTOP (10) WITH APPROXIMATEの副問い合わせを書く形なら実行が可能です。ビューの本体にVECTOR_SEARCHを書けない点も、既存の参照系をビューで組んでいるチームには効いてきます。
TRUNCATE不可・パーティション不可・DacPac非対応という運用面の制約
Learnが「現在の制限」として挙げる項目は、GA版の索引にも当てはまります。運用で影響が大きい順に並べると次のとおりです。
TRUNCATE TABLEが使えない。全件入れ替えは索引の削除、TRUNCATE、100行以上の再投入、索引の再作成の順になる- DacPacでベクトル索引を配布できない。BACPACはDacFx 170.5.96以降で扱えるが、索引はデータ投入後に作られ、100行未満なら作成が飛ばされる
- ベクトル索引はパーティション分割できず、レプリケーションのサブスクライバーにも複製されない
- 埋め込みモデルを入れ替えて大半の行を書き換えた後は、索引を作り直さないと再現率が落ちることがある
CI/CDでSQLプロジェクトを配布している場合、最も手間がかかるのは2番目です。索引作成をデプロイ後スクリプトに分け、sys.vector_indexesで作成されたかを確かめる工程をパイプラインに足しておくと、本番だけ索引が無いという事故を防げます。
pgvector・Cosmos DB・DynamoDBとAzure SQLベクトル検索比較
ベクトル検索は、どのDBでも「正本データの隣に置けるか」で選ぶのが基本です。検索性能の比較より先に、業務データがどこにあるかを確認します。
正本データの置き場所で採用を決める4製品の比較表と住み分けの基準
各製品の公式ドキュメントと当社の既存記事をもとに、選定に効く差だけを並べました。
| 項目 | Azure SQL | PostgreSQL+pgvector | Cosmos DB for NoSQL | DynamoDB |
|---|---|---|---|---|
| 問い合わせ | T-SQLのVECTOR_SEARCH | SQLの距離演算子 | NoSQLクエリのVectorDistance | SearchVectors API |
| 近似索引 | DiskANN | HNSW・IVFFlat | flat quantizedFlat DiskANN |
専用のベクトル索引 |
| 業務テーブルとのJOIN | そのまま可能 | そのまま可能 | 不可(同一コンテナ内) | 不可 |
| 向く正本データ | SQL Server系の業務DB | PostgreSQL系の業務DB | JSON文書・高頻度書き込み | キー設計済みのNoSQL |
PostgreSQLで同じことをするならpgvectorとは?インストール手順と使い方、AWSのNoSQLならDynamoDBのベクトル検索とは:SearchVectorsの手順・料金・S3 Vectorsとの使い分けが対になる記事です。専用のベクトルDBまで含めた料金の比較はベクトルデータベースの価格とおすすめで扱っています。
Azure SQLのベクトル検索を採用する条件と見送るべき場面の線引き
採用してよいのは、正本がAzure SQL DatabaseかSQL Serverにあり、検索結果を権限・テナント・公開状態の列で絞る必要があるRAGや類似検索です。絞り込みの条件を既存の業務列のWHERE句で書け、埋め込みの更新はコミットした時点で検索結果に反映されます。社内規程・製品マニュアル・問い合わせ履歴のように、数十万〜数百万チャンクの範囲で収まる用途がちょうど合います。
見送るのは、全文検索のスコアとベクトルの順位を融合するハイブリッド検索が中心の要件です。Azure SQL単体では順位融合を自分で書くことになり、ハイブリッド検索とは?RAGでBM25とベクトル検索を統合する仕組み・RRFで紹介している専用製品のほうが手数は少なく済みます。SQL Server 2025のオンプレミスで本番に入れる計画も、GAになるまでは控えるべきです。
既存のSQL Server資産をAzure SQLへ移しながらベクトル検索を足す場合は、移行の段取りと索引作成の順序を同時に設計することが必要です。当社のデータベース設計・移行支援では、スキーマ移行とベクトル列の追加、DacPac運用の見直しまでをまとめて扱っています。検索精度の評価やプロンプト設計を含めたRAG全体はRAG構築支援で相談を受けています。
よくある質問
Azure SQLのベクトル検索を検討するときによく出る疑問を、Microsoft Learnの記述をもとに整理しました。
Azure SQLのベクトル検索に追加料金はかかりますか?
GA告知とLearnの機能ページには、ベクトル索引やVECTOR_SEARCH専用の料金項目は出てきません。費用はデータベースのvCoreとストレージの消費として現れ、1,536次元のfloat32なら1行約6KBの列が増える計算です。埋め込みの生成はAzure OpenAI側の従量課金になるので、初回の一括生成と日々の差分生成を分けて見積もってください。
SQL Server 2025のオンプレミスでも同じSQLが動きますか?
構文は共通ですが、SQL Server 2025ではベクトル索引とVECTOR_SEARCHがプレビュー機能です。ALTER DATABASE SCOPED CONFIGURATION SET PREVIEW_FEATURES = ONを実行しないと使えず、仕様が変わる可能性もあります。VECTOR型とVECTOR_DISTANCEによる厳密検索は使えるので、オンプレミスではまず索引なしのkNNで小さく始めるのが現実的です。
3,072次元の埋め込みモデルはそのまま保存できますか?
float32の上限は1,998次元なので、3,072次元はそのままでは入りません。保存するために選べる方法は、次の2つです。1つはfloat16で列を定義する方法で、上限が3,996次元に広がります。もう1つは埋め込みAPIのdimensionsパラメータで出力次元を減らす方法で、AI_GENERATE_EMBEDDINGSのPARAMETERSに渡せます。どちらも再現率が変わるため、評価用の質問セットで比べてから決めてください。
埋め込みモデルを入れ替えるときは索引を作り直す必要がありますか?
GA版の索引はUPDATEに追従するので、エラーにはなりません。ただしLearnは、大半の行を新しいモデルの埋め込みに置き換えた場合、索引の構造が古い分布のままで再現率や順位の質が落ちうるとして、投入後の再作成を勧めています。新旧のベクトル列を並べて持ち、新しい列に索引を作ってから切り替えると停止時間を避けられます。
Azure SQL Managed Instanceでも使えますか?
使えますが、更新ポリシーで扱いが分かれます。Always-up-to-dateの更新ポリシーならGAとして使え、SQL Server 2025の更新ポリシーではプレビュー扱いになり、PREVIEW_FEATURESの有効化が必要です。更新ポリシーはインスタンス単位の設定なので、既存インスタンスで使う前にどちらになっているかを確認してください。
関連記事
- Azure SQL Databaseとは?仕組み・購入モデル(vCore/DTU)・サービス階層とSQL Server/Managed Instanceとの違い:ベクトル検索の土台になるサービス階層と購入モデル
- DynamoDBのベクトル検索とは:SearchVectorsの手順・料金・S3 Vectorsとの使い分け:AWSのNoSQLで同じことをする場合
- 近似最近傍探索とは?HNSW・IVF・PQの選び分けとRecall調整を実装目線で解説:DiskANNを含むANN方式の整理
- pgvectorとは?インストール手順(Windows・Ubuntu・Docker Compose)と使い方:PostgreSQL側の対になる実装
- RAGとは?仕組みとLLM・ファインチューニングとの違い、欠点と費用:ベクトル検索を使う全体像