Microsoft Agent Framework para Python incorporó en su versión 1.20.0 un conector nativo para búsqueda vectorial en SQL Server 2025 y bases Azure SQL compatibles. Para un equipo que construye asistentes de conocimiento, la novedad permite ensayar recuperación semántica sobre una base SQL sin implementar desde cero las operaciones de colección, filtros y búsqueda del framework.
Es una incorporación concreta a las abstracciones vectoriales de Agent Framework que ya comentamos. Su estado es alpha: conviene tratarla como una capacidad para pruebas controladas, no como garantía de compatibilidad productiva.
Qué resuelve y cómo funciona
El conector agent-framework-sql-server usa columnas VECTOR nativas, búsqueda densa exacta y filtros portables. Una aplicación define registros con clave, texto, metadatos y vector; luego crea la colección, inserta registros y consulta los más próximos a un vector de búsqueda. La generación de embeddings es un paso separado que debe diseñarse para el corpus real.
La arquitectura de un piloto de documentación sería: documentos autorizados → extracción y fragmentación → embeddings → colección SQL → búsqueda filtrada → agente que redacta una respuesta con las fuentes recuperadas. Esa arquitectura es una propuesta de adaptación; el ejemplo publicado por Microsoft cubre la capa SQL y no entrega una integración lista con Dynamics 365 Finance and Operations.
Requisitos y permisos del ejemplo oficial
- Python 3.10 a 3.14, SQL Server 2025 o Azure SQL con capacidad vectorial, y el paquete preliminar
agent-framework-sql-server. La documentación muestrapip install agent-framework-sql-server --pre; para repetir un piloto, fije la versión exacta que instale. - La muestra usa
mssql-pythony no exige instalar por separado un controlador ODBC. En Azure SQL puede utilizar autenticación de Microsoft Entra; el archivo muestra una cadena de conexión para desarrollo conAuthentication=ActiveDirectoryDefaulty una opción de identidad administrada para una aplicación alojada en Azure. - La identidad de la muestra necesita crear tabla e índice en el esquema
dbo, y leer y escribir registros. Use una base de laboratorio: el script crea una tabla con nombre único y la elimina al terminar. No lo ejecute sin revisar estos efectos sobre una base compartida.
Prueba reproducible, en dos etapas
- Preparar una base compatible de laboratorio y una identidad con acceso limitado a ella. Registrar versión de Python, paquetes y motor SQL.
- Configurar
SQL_SERVER_CONNECTION_STRINGcomo indica el archivo oficial y ejecutar la muestra desde el repositorio conuv run --package agent-framework-sql-server python packages/sql-server/samples/sql_server_vectors.py. - Comprobar que crea la colección, inserta dos notas con vectores precomputados, filtra por categoría, recupera el resultado esperado y elimina la tabla de muestra. El resultado impreso en el repositorio es una expectativa, no una prueba que hayamos ejecutado.
- Como segunda etapa, cargar un conjunto pequeño de incidencias y procedimientos sintéticos; generar sus embeddings con un servicio elegido y comprobar búsquedas con filtros de categoría, referencias de origen y documentos que no deberían estar visibles para otro usuario.
- Medir relevancia de los resultados, latencia, costo de embeddings y consultas, comportamiento sin resultados y recuperación ante errores. La calidad de las respuestas del agente requiere una evaluación aparte.
Aplicación posible a soporte D365FO
Una oportunidad sería recuperar documentación de versiones, procedimientos de diagnóstico e incidencias previamente aprobadas para ayudar a consultores de soporte. Antes de conectarlo a fuentes empresariales hay que definir ingesta, vigencia, permisos por documento y eliminación. Tener un filtro de búsqueda no basta para imponer autorización: la aplicación y SQL deben aplicar el acceso efectivo del usuario o del servicio.
Límites y riesgos
La documentación identifica el conector como alpha y las API vectoriales Python como experimentales. Esta implementación admite búsqueda vectorial densa exacta; no ofrece índices aproximados, búsqueda híbrida o por palabras clave, vectorización del lado del servidor ni migración automática de esquemas. Por ello, su rendimiento y calidad deben medirse con un corpus representativo antes de elegirlo como base de una solución.
Los documentos, vectores, credenciales y trazas pueden contener información sensible. Aplique permisos mínimos, cifrado y reglas de retención; evite escribir secretos en logs. El framework tiene licencia MIT, mientras SQL, alojamiento y servicios de embeddings mantienen condiciones y costos propios. La muestra oficial demuestra la API de almacenamiento y búsqueda, pero no un despliegue empresarial ni un benchmark de producción.
Recomendación
Probar con datos sintéticos y una base aislada. El conector es prometedor para un acelerador de conocimiento reutilizable, pero la adopción requiere verificar seguridad documental, resultados de recuperación, costo, soporte y estabilidad de sus contratos. Un piloto técnico acotado puede requerir aproximadamente dos a cuatro jornadas; es una estimación editorial que depende de contar ya con la base y el ambiente preparados.