这是我的剧本：
1.客户端有一个Azure SQL数据库，其中包含人口统计信息的配置文件表。
1.我们创建了一个Azure认知搜索并对该数据库进行了索引，我们将所有字段连接到一个称为内容的字段中。因为根据文档，所有内容都需要在一个字段中。https://python.langchain.com/docs/modules/data_connection/retrievers/integrations/azure_cognitive_search
现在我们正在使用LangChain创建一个聊天机器人，我们可以在其中提出以下问题：约翰·史密斯是谁？简·史密斯多大了，他喜欢园艺。
我发现的方法在这里：https://shweta-lodha.medium.com/integrating-azure-cognitive-search-with-azure-openai-and-langchain-51280d1026f2
基本上，首先查询认知搜索并返回一些文档，然后将这些文档保存为ChromaDB中的向量，然后查询ChromaDB，并使用langchain和openAI以简单的英语接收结果。
但是ChromaDB非常慢。并且在这一步中花费大约50秒。
所以我想试试weaviate，但是我得到了一些非常奇怪的错误，比如：

[ERROR] Batch ConnectionError Exception occurred! Retrying in 2s. [1/3]
{'error': [{'message': "'@search.score' is not a valid property name. Property names in Weaviate are restricted to valid GraphQL names, which must be “/[_A-Za-z][_0-9A-Za-z]*/”., no such prop with name '@search.score' found in class 'LangChain_df32d6b6d10c4bb895db75f88aaabd75' in the schema. Check your schema files for which properties in this class are available"}]}

我的代码是这样的：

@timer
def from_documentsWeaviate(docs, embeddings):
     return Weaviate.from_documents(docs, embeddings, weaviate_url=WEAVIATE_URL, by_text=False)

  memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)
    embeddings = OpenAIEmbeddings(deployment=OPENAI_EMBEDDING_DEPLOYMENT_NAME, model=OPENAI_EMBEDDING_MODEL_NAME, chunk_size=1)
    user_input = get_text()   
    retriever = AzureCognitiveSearchRetriever(content_key="content")

    
   
    
    llm = AzureChatOpenAI(
        openai_api_base=OPENAI_DEPLOYMENT_ENDPOINT,
        openai_api_version=OPENAI_API_VERSION ,
        deployment_name=OPENAI_DEPLOYMENT_NAME,
        openai_api_key=OPENAI_API_KEY,
        openai_api_type = OPENAI_API_TYPE ,
        model_name=OPENAI_MODEL_NAME,
        temperature=0)
    
    docs = get_relevant_documents(retriever, user_input)
    #vectorstore  = from_documentsChromaDb(docs=docs, embedding=embeddings)
    vectorstore  = from_documentsWeaviate(docs, embeddings)

我想知道我是否应该首先索引表中的所有行，避免认知搜索部分。