Vector Search serisinin son bölümünde RAG mimarisiyle çalışan bir IT dokümantasyon asistanı kuruyoruz. Database Scoped Credential ile API key’leri güvence altına alıyoruz, Private Endpoint ile trafiği izole ediyoruz, rate limit yönetimi ve embedding versiyonlama gibi production-ready konuları checklist olarak bitiriyoruz.

Vector Search serisinin ikinci bölümünde senaryomuzu gerçek hayata yaklaştırıyoruz: bir PDF koleksiyonunu chunk’lara bölüp Python ile toplu embedding üretiyoruz, SQL Server’a yüklüyoruz, DiskANN indeksini kuruyoruz ve brute force ile arasındaki performans farkını kendi ölçümlerimizle gözümüzle görüyoruz.

SQL Server 2025 ile gelen VECTOR veri tipi ve VECTOR_DISTANCE fonksiyonu sayesinde, artık harici bir vektör veritabanı kurmadan T-SQL ile semantik arama yapabiliyoruz. Bu workshop tadında yazıda Azure OpenAI ile embedding üretip, SQL Server üzerinde ilk benzerlik sorgumuzu adım adım çalıştıracağız.