開始使用語意核心

發行項
07/02/2024

只要幾個步驟，您就可以在 Python、.NET 或 Java 中使用語意核心建置您的第一個 AI 代理程式。本指南將示範如何...

安裝必要的套件
使用 AI 建立來回交談
讓 AI 代理程式能夠執行您的程式代碼
即時觀看 AI 建立計畫

安裝 SDK

語意核心有數個可用的 NuGet 套件。不過，在大部分情況下，您通常只需要 Microsoft.SemanticKernel。

您可以使用下列命令安裝：

dotnet add package Microsoft.SemanticKernel

如需 Nuget 套件的完整清單，請參閱支援的語言一文。

如需存取 Python 套件的 SemanticKernel 指示，請參閱這裡。它就像這樣簡單：

pip install semantic-kernel

快速開始使用筆記本

如果您是 Python 或 C# 開發人員，您可以快速開始使用我們的筆記本。這些筆記本提供如何使用語意核心來建置 AI 代理程式的逐步指南。

語意核心筆記本

遵循下列步驟以開始使用：

複製語意核心存放庫
在 Visual Studio Code 中開啟存放庫
流覽至 _/python/samples/getting_started
開啟 00-getting-started.ipynb 以開始設定您的環境，並建立您的第一個 AI 代理程式！

遵循下列步驟以開始使用：

複製語意核心存放庫
在 Visual Studio Code 中開啟存放庫
流覽至 _/dotnet/notebooks
開啟 00-getting-started.ipynb 以開始設定您的環境，並建立您的第一個 AI 代理程式！

撰寫您的第一個主控台應用程式

// Import packages
using Microsoft.SemanticKernel;
using Microsoft.SemanticKernel.ChatCompletion;
using Microsoft.SemanticKernel.Connectors.OpenAI;

// Create a kernel with Azure OpenAI chat completion
var builder = Kernel.CreateBuilder().AddAzureOpenAIChatCompletion(modelId, endpoint, apiKey);

// Add enterprise components
builder.Services.AddLogging(services => services.AddConsole().SetMinimumLevel(LogLevel.Trace));

// Build the kernel
Kernel kernel = builder.Build();
var chatCompletionService = kernel.GetRequiredService<IChatCompletionService>();

// Add a plugin (the LightsPlugin class is defined below)
kernel.Plugins.AddFromType<LightsPlugin>("Lights");

// Enable planning
OpenAIPromptExecutionSettings openAIPromptExecutionSettings = new() 
{
    ToolCallBehavior = ToolCallBehavior.AutoInvokeKernelFunctions
};

// Create a history store the conversation
var history = new ChatHistory();

// Initiate a back-and-forth chat
string? userInput;
do {
    // Collect user input
    Console.Write("User > ");
    userInput = Console.ReadLine();

    // Add user input
    history.AddUserMessage(userInput);

    // Get the response from the AI
    var result = await chatCompletionService.GetChatMessageContentAsync(
        history,
        executionSettings: openAIPromptExecutionSettings,
        kernel: kernel);

    // Print the results
    Console.WriteLine("Assistant > " + result);

    // Add the message from the agent to the chat history
    history.AddMessage(result.Role, result.Content ?? string.Empty);
} while (userInput is not null)

import asyncio

from semantic_kernel import Kernel
from semantic_kernel.functions import kernel_function
from semantic_kernel.connectors.ai.open_ai import AzureChatCompletion
from semantic_kernel.connectors.ai.function_call_behavior import FunctionCallBehavior
from semantic_kernel.connectors.ai.chat_completion_client_base import ChatCompletionClientBase
from semantic_kernel.contents.chat_history import ChatHistory
from semantic_kernel.functions.kernel_arguments import KernelArguments

from semantic_kernel.connectors.ai.open_ai.prompt_execution_settings.azure_chat_prompt_execution_settings import (
    AzureChatPromptExecutionSettings,
)

async def main():
    # Initialize the kernel
    kernel = Kernel()

    # Add Azure OpenAI chat completion
    kernel.add_service(AzureChatCompletion(
        deployment_name="your_models_deployment_name",
        api_key="your_api_key",
        base_url="your_base_url",
    ))

    # Set the logging level for  semantic_kernel.kernel to DEBUG.
    logging.basicConfig(
        format="[%(asctime)s - %(name)s:%(lineno)d - %(levelname)s] %(message)s",
        datefmt="%Y-%m-%d %H:%M:%S",
    )
    logging.getLogger("kernel").setLevel(logging.DEBUG)

    # Add a plugin (the LightsPlugin class is defined below)
    kernel.add_plugin(
        LightsPlugin(),
        plugin_name="Lights",
    )

    chat_completion : AzureChatCompletion = kernel.get_service(type=ChatCompletionClientBase)

    # Enable planning
    execution_settings = AzureChatPromptExecutionSettings(tool_choice="auto")
    execution_settings.function_call_behavior = FunctionCallBehavior.EnableFunctions(auto_invoke=True, filters={})

    # Create a history of the conversation
    history = ChatHistory()

    # Initiate a back-and-forth chat
    userInput = None
    while True:
        # Collect user input
        userInput = input("User > ")

        # Terminate the loop if the user says "exit"
        if userInput == "exit":
            break

        # Add user input to the history
        history.add_user_message(userInput)

        # Get the response from the AI
        result = (await chat_completion.get_chat_message_contents(
            chat_history=history,
            settings=execution_settings,
            kernel=kernel,
            arguments=KernelArguments(),
        ))[0]

        # Print the results
        print("Assistant > " + str(result))

        # Add the message from the agent to the chat history
        history.add_message(result)

# Run the main function
if __name__ == "__main__":
    asyncio.run(main())

下列來回聊天應該類似於您在控制台中看到的內容。以下已新增函式呼叫，以示範 AI 如何運用幕後外掛程式。

角色	訊息
🔵使用者	請切換燈
🔴小幫手（函數調用）	`LightsPlugin.GetState()`
🟢工具	`off`
🔴小幫手（函數調用）	`LightsPlugin.ChangeState(true)`
🟢工具	`on`
🔴小幫手	燈現在開啟

如果您有興趣深入瞭解上述程式代碼，我們將在下一節中加以細分。

了解程式碼

為了讓您更輕鬆地開始使用語意核心建置企業應用程式，我們已建立逐步引導您完成建立核心並使用它與 AI 服務互動的程式。

語意核心 Python 對應

語意核心 DotNET 對應

在下列各節中，我們將逐步解開上述範例的步驟 1、2、3、4、6、9 和 10。建置由 AI 服務提供且可執行程式碼的簡單代理程式所需的一切。

匯入套件
新增 AI 服務
企業元件
建置核心
新增記憶體（略過）
新增外掛程式
建立核心自變數（略過）
建立提示（略過）
規劃
Invoke

1）匯入套件

在此範例中，我們先從匯入下列套件開始：

using Microsoft.SemanticKernel;
using Microsoft.SemanticKernel.ChatCompletion;
using Microsoft.SemanticKernel.Connectors.OpenAI;

import asyncio

from semantic_kernel import Kernel
from semantic_kernel.connectors.ai.open_ai import AzureChatCompletion
from semantic_kernel.connectors.ai.function_call_behavior import FunctionCallBehavior
from semantic_kernel.connectors.ai.chat_completion_client_base import ChatCompletionClientBase
from semantic_kernel.contents.chat_history import ChatHistory
from semantic_kernel.functions.kernel_arguments import KernelArguments

from semantic_kernel.connectors.ai.open_ai.prompt_execution_settings.azure_chat_prompt_execution_settings import (
    AzureChatPromptExecutionSettings,
)

2）新增 AI 服務

之後，我們會新增核心最重要的部分：您想要使用的 AI 服務。在此範例中，我們已將 Azure OpenAI 聊天完成服務新增至核心產生器。

注意

在此範例中，我們使用 Azure OpenAI，但您可以使用任何其他聊天完成服務。若要查看支援服務的完整清單，請參閱支援的語言一文。如果您需要建立不同服務的協助，請參閱 AI 服務一文。您可以在該處找到如何使用 OpenAI 或 Azure OpenAI 模型作為服務的指引。

// Create kernel
var builder = Kernel.CreateBuilder()
builder.AddAzureOpenAIChatCompletion(modelId, endpoint, apiKey);

# Initialize the kernel
kernel = Kernel()

# Add Azure OpenAI chat completion
kernel.add_service(AzureChatCompletion(
    deployment_name="your_models_deployment_name",
    api_key="your_api_key",
    base_url="your_base_url",
))

3）新增企業服務

使用 Semantic Kernel 的主要優點之一是它支援企業級服務。在此範例中，我們已將記錄服務新增至核心，以協助偵錯 AI 代理程式。

builder.Services.AddLogging(services => services.AddConsole().SetMinimumLevel(LogLevel.Trace));

import logging

# Set the logging level for  semantic_kernel.kernel to DEBUG.
logging.basicConfig(
    format="[%(asctime)s - %(name)s:%(lineno)d - %(levelname)s] %(message)s",
    datefmt="%Y-%m-%d %H:%M:%S",
)
logging.getLogger("kernel").setLevel(logging.DEBUG)

4）建置核心並擷取服務

新增服務之後，我們會建置核心並擷取聊天完成服務以供稍後使用。

Kernel kernel = builder.Build();

// Retrieve the chat completion service
var chatCompletionService = kernel.Services.GetRequiredService<IChatCompletionService>();

設定核心之後，我們會擷取聊天完成服務以供稍後使用。

注意

在 Python 中，您不需要明確建置核心。相反地，您可以直接從核心物件存取服務。

chat_completion : AzureChatCompletion = kernel.get_service(type=ChatCompletionClientBase)

6）新增外掛程式

使用外掛程式，可讓您的 AI 代理程式執行程式代碼，以從外部來源擷取資訊或執行動作。在上述範例中，我們新增了一個外掛程式，可讓 AI 代理程式與燈泡互動。下面，我們將示範如何建立此外掛程式。

建立原生外掛程式

下面，您可以看到建立原生外掛程式就像建立新類別一樣簡單。

在此範例中，我們已建立可以操作燈泡的外掛程式。雖然這是簡單的範例，但此外掛程式會快速示範如何支援這兩者...

藉由提供 AI 代理程式燈泡的狀態來擷取增強世代（RAG）
而工作自動化是允許 AI 代理程式開啟或關閉燈泡。

在您自己的程式代碼中，您可以建立與任何外部服務或 API 互動的外掛程式，以達到類似的結果。

using System.ComponentModel;
using Microsoft.SemanticKernel;

public class LightsPlugin
{
   // Mock data for the lights
   private readonly List<LightModel> lights = new()
   {
      new LightModel { Id = 1, Name = "Table Lamp", IsOn = false },
      new LightModel { Id = 2, Name = "Porch light", IsOn = false },
      new LightModel { Id = 3, Name = "Chandelier", IsOn = true }
   };

   [KernelFunction("get_lights")]
   [Description("Gets a list of lights and their current state")]
   [return: Description("An array of lights")]
   public async Task<List<LightModel>> GetLightsAsync()
   {
      return lights
   }

   [KernelFunction("change_state")]
   [Description("Changes the state of the light")]
   [return: Description("The updated state of the light; will return null if the light does not exist")]
   public async Task<LightModel?> ChangeStateAsync(int id, bool isOn)
   {
      var light = lights.FirstOrDefault(light => light.Id == id);

      if (light == null)
      {
         return null;
      }

      // Update the light with the new state
      light.IsOn = isOn;

      return light;
   }
}

public class LightModel
{
   [JsonPropertyName("id")]
   public int Id { get; set; }

   [JsonPropertyName("name")]
   public string Name { get; set; }

   [JsonPropertyName("is_on")]
   public bool? IsOn { get; set; }
}

from typing import Annotated
from semantic_kernel.functions import kernel_function

class LightsPlugin:
    lights = [
        {"id": 1, "name": "Table Lamp", "is_on": False},
        {"id": 2, "name": "Porch light", "is_on": False},
        {"id": 3, "name": "Chandelier", "is_on": True},
    ]

    @kernel_function(
        name="get_lights",
        description="Gets a list of lights and their current state",
    )
    def get_state(
        self,
    ) -> Annotated[str, "the output is a string"]:
        """Gets a list of lights and their current state."""
        return self.lights

    @kernel_function(
        name="change_state",
        description="Changes the state of the light",
    )
    def change_state(
        self,
        id: int,
        is_on: bool,
    ) -> Annotated[str, "the output is a string"]:
        """Changes the state of the light."""
        for light in self.lights:
            if light["id"] == id:
                light["is_on"] = is_on
                return light
        return None

將外掛程式新增至核心

建立外掛程式之後，您可以將它新增至核心，讓 AI 代理程式可以存取它。在範例中，我們已將 LightsPlugin 類別新增至核心。

// Add the plugin to the kernel
kernel.Plugins.AddFromType<LightsPlugin>("Lights");

# Add the plugin to the kernel
kernel.add_plugin(
    LightsPlugin(),
    plugin_name="Lights",
)

9）規劃

語意核心會利用函式呼叫 –大部分 LLM 的原生功能，以提供規劃。使用函式呼叫，LLM 可以要求（或呼叫）特定函式以滿足使用者的要求。語意核心接著會將要求封送處理至程式代碼基底中適當的函式，並將結果傳回 LLM，讓 AI 代理程式可以產生最終回應。

若要啟用自動函數呼叫，我們必須先建立適當的執行設定，讓 Semantic Kernel 知道在 AI 代理程式要求函式時自動叫用核心中的函式。

OpenAIPromptExecutionSettings openAIPromptExecutionSettings = new() 
{
    ToolCallBehavior = ToolCallBehavior.AutoInvokeKernelFunctions
};

execution_settings = AzureChatPromptExecutionSettings(tool_choice="auto")
execution_settings.function_call_behavior = FunctionCallBehavior.EnableFunctions(auto_invoke=True, filters={})

10）叫用

最後，我們會使用外掛程式叫用 AI 代理程式。範例程式代碼示範如何產生非串流回應，但您也可以使用 GetStreamingChatMessageContentAsync 方法來產生串流回應。

// Create chat history
var history = new ChatHistory();

// Get the response from the AI
var result = await chatCompletionService.GetChatMessageContentAsync(
    history,
    executionSettings: openAIPromptExecutionSettings,
    kernel: kernel
);

# Create a history of the conversation
history = ChatHistory()

# Get the response from the AI
result = (await chat_completion.get_chat_message_contents(
    chat_history=history,
    settings=execution_settings,
    kernel=kernel,
    arguments=KernelArguments(),
))[0]

下一步

在本指南中，您已瞭解如何建置可與 AI 服務互動並執行程式碼的簡單 AI 代理程式，以快速開始使用語意核心。若要查看更多範例，並瞭解如何建置更複雜的 AI 代理程式，請參閱我們的深入範例。

共用方式為

開始使用語意核心

安裝 SDK

快速開始使用筆記本

撰寫您的第一個主控台應用程式

了解程式碼

1）匯入套件

2）新增 AI 服務

3）新增企業服務

4）建置核心並擷取服務

6）新增外掛程式

建立原生外掛程式

將外掛程式新增至核心

9）規劃

10）叫用

下一步

其他資源

共用方式為

開始使用語意核心

安裝 SDK

快速開始使用筆記本

撰寫您的第一個主控台應用程式

了解程式碼

1） 匯入套件

2） 新增 AI 服務

3） 新增企業服務

4） 建置核心並擷取服務

6） 新增外掛程式

建立原生外掛程式

將外掛程式新增至核心

9） 規劃

10） 叫用

下一步

其他資源

1）匯入套件

2）新增 AI 服務

3）新增企業服務

4）建置核心並擷取服務

6）新增外掛程式

9）規劃

10）叫用