ms-ai-architect/skills/ms-ai-engineering/references/rag-architecture/hybrid-search-configuration.md

Hybrid Search - Full-Text and Vector Combined

Last updated: 2026-06-19 | Verified: MCP 2026-06-19 Status: GA Category: RAG Architecture & Semantic Search

---

Introduksjon

Hybrid search i Azure AI Search kombinerer full-text (BM25) søk med vektorsøk i en enkelt spørring. De to søkemetodene kjøres parallelt, og resultatene fusjoneres via Reciprocal Rank Fusion (RRF)-algoritmen. Dette gir bedre relevans enn enten keyword- eller vektorsøk alene, fordi BM25 fanger eksakte termer mens vektorsøk fanger semantisk mening.

RRF-algoritmen beregner en samlet score basert på formelen 1/(rank + k), der rank er dokumentets posisjon i hver resultatliste og k er en konstant (typisk 60). Dokumenter som rangerer høyt på tvers av begge metoder prioriteres. Dette gjør hybrid search robust for varierte spørringstyper — fra eksakte nøkkelord-søk til vage, konseptuelle spørsmål.

Hybrid search er tilgjengelig fra Basic-tier og oppover i Azure AI Search, og krever ingen ekstra kostnad utover standard spørringsoperasjoner. Funksjonen er GA siden 2023, med kontinuerlige forbedringer i scoring og ytelse.

Kjernekomponenter

Scoring-modeller

Søkemetode	Score-property	Algoritme	Område
Full-text	@search.score	BM25	0 til ubegrenset
Vector	@search.score	HNSW/KNN	0.333–1.00 (Cosine)
Hybrid	@search.score	RRF	0 til ~1/k per query
Semantic ranking	@search.rerankerScore	ML comprehension	0.00–4.00

Vektervekting

Vector queries støtter weight-parameter for å justere relativ viktighet:

• Default: 1.0
• Redusere: 0.5 (halverer vektorens bidrag til RRF-scoren)
• Øke: 2.0 (dobler vektorens bidrag)

from azure.search.documents.models import VectorizedQuery

vector_query = VectorizedQuery(
    vector=query_vector,
    k_nearest_neighbors=10,
    fields="DescriptionVector",
    weight=2.0  # Prioriter semantisk likhet
)

maxTextRecallSize

Kontrollerer hvor mange BM25-resultater som mates inn i RRF:

• Default: 1000
• Justérbar: Høyere verdi = mer tekst-recall, men økt latency
• Anbefaling: Default er tilstrekkelig for de fleste scenarioer

Arkitekturmønstre

Mønster 1: Hybrid Search uten semantic ranking

Flyt: Brukerquery → BM25 + Vector (parallelt) → RRF-fusjon → Topp-N resultater

Fordeler:

• Lavere latency (ingen L2-reranking)
• Fungerer på alle tier (Basic+)
• Ingen ekstra kostnad for semantic ranking

Ulemper:

• RRF er en generell ranking-algoritme, ikke domene-optimert
• Lavere relevans for komplekse, naturnlige spørsmål

Beste for: Høy-volum søk der latency er kritisk, eller der BM25+vector gir tilstrekkelig relevans.

Mønster 2: Hybrid Search med Semantic Ranking (anbefalt)

Flyt: Brukerquery → BM25 + Vector (parallelt) → RRF-fusjon → Semantic Ranker (topp 50) → Topp-N resultater

Fordeler:

• Best mulig relevans (dokumentert i benchmarks)
• Semantiske captions og answers inkludert
• Scoring profile kan legges på etter semantic ranking

Ulemper:

• Krever S1-tier eller høyere
• Ekstra kostnad per query (etter 1000 gratis/måned)
• Noe høyere latency (~50–200ms ekstra)

Beste for: Enterprise RAG, kunnskapsportaler, dokumentsøk i offentlig sektor.

Mønster 3: Hybrid Search med filtrering og facettering

Flyt: Brukerquery + filter/facet → Prefilter/Postfilter → BM25 + Vector → RRF → Resultater med facets

results = client.search(
    search_text="luxury hotel",
    vector_queries=[vector_query],
    filter="Rating gt 4 and ParkingIncluded eq true",
    vector_filter_mode="postFilter",
    facets=["Category", "Address/StateProvince"],
    select=["HotelName", "Description", "Rating"],
    top=10
)

Fordeler:

• Kombinerer semantisk søk med strukturert filtrering
• Støtter faceted navigation for brukergrensesnitt

Ulemper:

• preFilter kan redusere vektorkandidater for mye
• postFilter kan returnere færre resultater enn forventet

Beste for: E-commerce-liknende søk, sakssystemer med metadata-filtre.

Beslutningsveiledning

Når bruke hybrid search vs. alternativer

Scenario	Anbefaling	Begrunnelse
Generell enterprise-søk	Hybrid + semantic	Best relevans dokumentert
Eksakt ID/kode-søk	Kun BM25	Vektor tilfører ingen verdi for eksakte treff
Konseptuelle spørsmål	Hybrid + semantic	BM25 fanger nøkkelord, vektor fanger mening
Multilingual søk	Hybrid med fokus på vektor	Vektor bypasser språk-analysatorer
Strukturert data	BM25 + filtre	Vektor er designet for ustrukturert tekst
Høy-volum, lav-latency	Hybrid uten semantic	Semantic ranking legger til latency

Vanlige feil

1. Ikke sette k=50 for vektor-queries med semantic ranking — Semantic ranker jobber med topp 50, så k bør være minst 50
2. Bruke preFilter med semantic ranking — Kan eliminere relevante resultater før ranking
3. Sammenligne scores på tvers av indekser — BM25-scores er relative til dokumentfrekvens i indeksen
4. Ignorere vekter — Default-vekter (1.0/1.0) passer ikke alltid domenet

Røde flagg

• Lav relevans med hybrid search → Sjekk om embedding-modellen er trent for domenet
• Høy latency → Vurder om semantic ranking er nødvendig for dette use caset
• Uventede resultater med filtre → Sjekk preFilter vs. postFilter modus

Integrasjon med Microsoft-stakken

Tjeneste	Integrasjon
Azure OpenAI	Embedding-modeller (text-embedding-3-large) for vektordelen
Azure AI Foundry	Integrert vektorisering via skills i indekserings-pipeline
Copilot Studio	Azure AI Search som grounding-kilde for Copilot-agenter
Semantic Kernel	AzureAISearchVectorStore connector for hybrid queries
Power Platform	AI Builder kan bruke Azure AI Search via custom connectors

Offentlig sektor (Norge)

Datasuverenitet

• Azure AI Search er tilgjengelig i Norway East og Norway West
• All indeksdata forblir i valgt region
• Fullt GDPR-kompatibelt via Azures rammeverk
• Microsofts EU Data Boundary gjelder for norske deployments

Sikkerhetsfunksjoner

• Azure Private Link: Isoler search service fra offentlig internett
• Managed Identity: Sikker autentisering via Entra ID (ingen API-nøkler)
• Customer-managed keys: Krypter data med egne nøkler i Azure Key Vault
• Dokumentnivå-sikkerhet: Filtrer resultater basert på brukeridentitet
• RBAC: Rollebasert tilgangskontroll for indeks- og spørringsoperasjoner

Relevante use cases

• Regelverk og retningslinjer: Kombinér eksakt match (§-referanser) med semantisk søk
• Sakssystemer: Hybrid search med metadata-filtrering per sakstype
• Publikumstjenester: Multilingual search der vektor bypasser språkbarrierer
• Arkivsøk: Historisk dokumentasjon med varierende terminologi

Kostnad og lisensiering

Tier-krav

Funksjon	Minimumstier
Hybrid search (BM25 + vektor)	Basic
Scoring profiles	Alle tier
Semantic ranking	S1+ (1000 gratis/mnd)
Integrert vektorisering	Basic+

Kostnadsoptimering

• Scalar/binary quantization reduserer vektorlagring med opptil 50% (preview)
• stored: false på vektorfelt sparer lagring hvis du ikke trenger å hente embeddings
• Narrower data types for vektorfelt der presisjon tillater det
• Tune k-parameter — færre naboer = lavere kostnad
• Hybrid queries teller som én spørringsoperasjon (ingen prisøkning vs. enkelt søk)

For arkitekten (Cosmo)

Spørsmål å stille kunden

1. Hvilke typer søk gjør brukerne deres — eksakte nøkkelord, naturlige spørsmål, eller begge deler?
2. Hvor viktig er latency vs. relevans for dette use caset?
3. Har dere strukturerte metadata (kategorier, datoer, avdelinger) som bør filtreres?
4. Hvilket tier bruker dere i dag, og er semantic ranking et alternativ?
5. Trengs multilingual support?
6. Hvor store er dokumentene, og hvordan chunkes de?

Fallgruver

• Å starte med ren vektor-search og legge til BM25 etterpå er vanskeligere enn å starte med hybrid
• Scoring profiles og semantic ranking interagerer på ikke-åpenbare måter — test grundig
• Vektervekting krever eksperimentering; det finnes ingen universell "riktig" vekt

Anbefalinger per modenhetsnivå

Nivå	Anbefaling
Starter	Hybrid search med default-vekter, uten semantic ranking
Intermediær	Legg til semantic ranking, tune vekter basert på evaluering
Avansert	Scoring profiles, A/B-testing med debug-modus, custom reranking

Debug-tips

Bruk debug: "vector" eller debug: "semantic" i API-kallet for å pakke ut subscores og forstå ranking-bidrag fra hver komponent.

Kilder og verifisering

Verified (MCP-research)

• Hybrid Search Overview
• RRF Ranking Algorithm
• Hybrid Query How-To
• Relevance Overview
• BM25 Scoring Details
• Vector Search Overview

Baseline (modellkunnskap)

• Kostnadsoptimerings-tips basert på generell Azure-erfaring
• Offentlig sektor-anbefalinger basert på norsk kontekst

Hybrid Search — Konfigurasjon og Tuning (oppdatert 2026-04)

Anbefalt startpunkt: Balanced hybrid med k=30-50, top=10-20, semantic ranking etter relevans-test.

maxTextRecallSize (preview): Kontrollerer BM25-bidrag til RRF

• Default: 1000, Max: 10000
• Reduser hvis vector dominerer; øk for store indekser der default ikke gir nok dekning
• countAndFacetMode: "countRetrievableResults" scope-r teller til maxTextRecallSize-vinduet

Ytelsesmønstre:

• Recall-first: øk maxTextRecallSize gradvis
• Precision-first: lav k og top, unngå unødvendig semantic ranker

Filter-moduser i hybrid:

• preFilter (default) — filtrerer FØR query, reduserer søkerom for begge subqueries
• postFilter — filtrerer ETTER, men kan gi <50 docs til semantic ranker
• strictPostFilter (preview) — strengeste modus, ikke anbefalt med semantic ranker
• filterOverride (preview) — per-vectorQuery filter, overstyrer globalt filter

SDK-støtte: Python (azure-search-documents), C# (Azure.Search.Documents), Java, JavaScript.

API-versjoner: 2026-04-01 (stable), 2026-05-01-preview (maxTextRecallSize, filterOverride, strictPostFilter, etc.)