万字长文学会对接 AI 模型：Semantic Kernel 和 Kernel Memory，工良出品，超简单的教程

AI 越来越火了，所以给读者们写一个简单的入门教程，希望喜欢。

很多人想学习 AI，但是不知道怎么入门。笔者开始也是，先是学习了 Python，然后是 Tensorflow ，还准备看一堆深度学习的书。但是逐渐发现，这些知识太深奥了，无法在短时间内学会。此外还有另一个问题，学这些对自己有什么帮助？虽然学习这些技术是很 NB，但是对自己作用有多大？自己到底需要学什么？

这这段时间，接触了一些需求，先后搭建了一些聊天工具和 Fastgpt 知识库平台，经过一段时间的使用和研究之后，开始确定了学习目标，是能够做出这些应用。而做出这些应用是不需要深入学习 AI 相关底层知识的。

所以，AI 的知识宇宙非常庞大，那些底层的细节我们可能无法探索，但是并不重要，我们只需要能够做出有用的产品即可。基于此，本文的学习重点在于 Semantic Kernel 和 Kernel Memory 两个框架，我们学会这两个框架之后，可以编写聊天工具、知识库工具。

配置环境

要学习本文的教程也很简单，只需要有一个 Open AI、Azure Open AI 即可，甚至可以使用国内百度文心。

下面我们来了解如何配置相关环境。

部署 one-api

部署 one-api 不是必须的，如果有 Open AI 或 Azure Open AI 账号，可以直接跳过。如果因为账号或网络原因不能直接使用这些 AI 接口，可以使用国产的 AI 模型，然后使用 one-api 转换成 Open AI 格式接口即可。

one-api 的作用是支持各种大厂的 AI 接口，比如 Open AI、百度文心等，然后在 one-api 上创建一层新的、与 Open AI 一致的。这样一来开发应用时无需关注对接的厂商，不需要逐个对接各种 AI 模型，大大简化了开发流程。

one-api 开源仓库地址：https://github.com/songquanpeng/one-api

界面预览：



下载官方仓库：

git clone https://github.com/songquanpeng/one-api.git

文件目录如下：

.

├── bin

├── common

├── controller

├── data

├── docker-compose.yml

├── Dockerfile

├── go.mod

├── go.sum

├── i18n

├── LICENSE

├── logs

├── main.go

├── middleware

├── model

├── one-api.service

├── pull_request_template.md

├── README.en.md

├── README.ja.md

├── README.md

├── relay

├── router

├── VERSION

└── web

one-api 需要依赖 redis、mysql ，在 docker-compose.yml 配置文件中有详细的配置，同时 one-api 默认管理员账号密码为 root、123456，也可以在此修改。

执行 docker-compose up -d 开始部署 one-api，然后访问 3000 端口，进入管理系统。

进入系统后，首先创建渠道，渠道表示用于接入大厂的 AI 接口。

为什么有模型重定向和自定义模型呢。

比如，笔者的 Azure Open AI 是不能直接选择使用模型的，而是使用模型创建一个部署，然后通过指定的部署使用模型，因此在 api 中不能直接指定使用 gpt-4-32k 这个模型，而是通过部署名称使用，在模型列表中选择可以使用的模型，而在模型重定向中设置部署的名称。

然后在令牌中，创建一个与 open ai 官方一致的 key 类型，外部可以通过使用这个 key，从 one-api 的 api 接口中，使用相关的 AI 模型。

one-api 的设计，相对于一个代理平台，我们可以通过后台接入自己账号的 AI 模型，然后创建二次代理的 key 给其他人使用，可以在里面配置每个账号、key 的额度。

创建令牌之后复制和保存即可。

使用 one-api 接口时，只需要使用 http://192.0.0.1:3000/v1 格式作为访问地址即可，后面需不需要加 /v1 视情况而定，一般需要携带。

配置项目环境

创建一个 BaseCore 项目，在这个项目中复用重复的代码，编写各种示例时可以复用相同的代码，引入 Microsoft.KernelMemory 包。

因为开发时需要使用到密钥等相关信息，因此不太好直接放到代码里面，这时可以使用环境变量或者 json 文件存储相关私密数据。

以管理员身份启动 powershell 或 cmd，添加环境变量后立即生效，不过需要重启 vs。

setx Global:LlmService AzureOpenAI /m

setx AzureOpenAI:ChatCompletionDeploymentName xxx  /m

setx AzureOpenAI:ChatCompletionModelId gpt-4-32k  /m

setx AzureOpenAI:Endpoint https://xxx.openai.azure.com  /m

setx AzureOpenAI:ApiKey xxx  /m

或者在 appsettings.json 配置。

{

  "Global:LlmService": "AzureOpenAI",

  "AzureOpenAI:ChatCompletionDeploymentName": "xxx",

  "AzureOpenAI:ChatCompletionModelId": "gpt-4-32k",

  "AzureOpenAI:Endpoint": "https://xxx.openai.azure.com",

  "AzureOpenAI:ApiKey": "xxx"

}

然后在 Env 文件中加载环境变量或 json 文件，读取其中的配置。

public static class Env

{

	public static IConfiguration GetConfiguration()

	{

		var configuration = new ConfigurationBuilder()

			.AddJsonFile("appsettings.json")

			.AddEnvironmentVariables()

			.Build();

		return configuration;

	}

}

模型划分和应用场景

在学习开发之前，我们需要了解一下基础知识，以便可以理解编码过程中关于模型的一些术语，当然，在后续编码过程中，笔者也会继续介绍相应的知识。

以 Azure Open AI 的接口为例，以以下相关的函数：

虽然这些接口都是连接到 Azure Open AI 的，但是使用的是不同类型的模型，对应的使用场景也不一样，相关接口的说明如下：

// 文本生成

AddAzureOpenAITextGeneration()

// 文本解析为向量

AddAzureOpenAITextEmbeddingGeneration()

// 大语言模型聊天

AddAzureOpenAIChatCompletion()

// 文本生成图片

AddAzureOpenAITextToImage()

// 文本合成语音

AddAzureOpenAITextToAudio()

// 语音生成文本

AddAzureOpenAIAudioToText()

因为 Azure Open AI 的接口名称跟 Open AI 的接口名称只在于差别一个 ”Azure“ ，因此本文读者基本只提 Azure 的接口形式。

这些接口使用的模型类型也不一样，其中 GPT-4 和 GPT3.5 都可以用于文本生成和大模型聊天，其它的模型在功能上有所区别。

模型 作用 说明
GPT-4 文本生成、大模型聊天 一组在 GPT-3.5 的基础上进行了改进的模型，可以理解并生成自然语言和代码。
GPT-3.5 文本生成、大模型聊天 一组在 GPT-3 的基础上进行了改进的模型，可以理解并生成自然语言和代码。
Embeddings 文本解析为向量 一组模型，可将文本转换为数字矢量形式，以提高文本相似性。
DALL-E 文本生成图片 一系列可从自然语言生成原始图像的模型（预览版）。
Whisper 语音生成文本 可将语音转录和翻译为文本。
Text to speech 文本合成语音 可将文本合成为语音。

目前，文本生成、大语言模型聊天、文本解析为向量是最常用的，为了避免文章篇幅过长以及内容过于复杂导致难以理解，因此本文只讲解这三类模型的使用方法，其它模型的使用读者可以查阅相关资料。

聊天

聊天模型主要有 gpt-4 和 gpt-3.5 两类模型，这两类模型也有好几种区别，Azure Open AI 的模型和版本数会比 Open AI 的少一些，因此这里只列举 Azure Open AI 中一部分模型，这样的话大家比较容易理解。

只说 gpt-4，gpt-3.5 这里就不提了。详细的模型列表和说明，读者可以参考对应的官方资料。

使用 Azure Open AI 官方模型说明地址：https://learn.microsoft.com/zh-cn/azure/ai-services/openai/concepts/models

Open AI 官方模型说明地址：https://platform.openai.com/docs/models/gpt-4-and-gpt-4-turbo

GPT-4 的一些模型和版本号如下：

模型 ID 最大请求（令牌） 训练数据（上限）
gpt-4 (0314) 8,192 2021 年 9 月
gpt-4-32k(0314) 32,768 2021 年 9 月
gpt-4 (0613) 8,192 2021 年 9 月
gpt-4-32k (0613) 32,768 2021 年 9 月
gpt-4-turbo-preview 输入：128,000
输出：4,096		 2023 年 4 月
gpt-4-turbo-preview 输入：128,000
输出：4,096		 2023 年 4 月
gpt-4-vision-turbo-preview 输入：128,000
输出：4,096		 2023 年 4 月

简单来说， gpt-4、gpt-4-32k 区别在于支持 tokens 的最大长度，32k 即 32000 个 tokens，tokens 越大，表示支持的上下文可以越多、支持处理的文本长度越大。

gpt-4 、gpt-4-32k 两个模型都有 0314、0613 两个版本，这个跟模型的更新时间有关，越新版本参数越多，比如 314 版本包含 1750 亿个参数，而 0613 版本包含 5300 亿个参数。

参数数量来源于互联网，笔者不确定两个版本的详细区别。总之，模型版本越新越好。

接着是 gpt-4-turbo-preview 和 gpt-4-vision 的区别，gpt-4-version 具有理解图像的能力，而 gpt-4-turbo-preview 则表示为 gpt-4 的增强版。这两个的 tokens 都贵一些。

由于配置模型构建服务的代码很容易重复编写，配置代码比较繁杂，因此在 Env.cs 文件中添加以下内容，用于简化配置和复用代码。

下面给出 Azure Open AI、Open AI 使用大语言模型构建服务的相关代码：

	public static IKernelBuilder WithAzureOpenAIChat(this IKernelBuilder builder)

	{

		var configuration = GetConfiguration();

		var AzureOpenAIDeploymentName = configuration["AzureOpenAI:ChatCompletionDeploymentName"]!;

		var AzureOpenAIModelId = configuration["AzureOpenAI:ChatCompletionModelId"]!;

		var AzureOpenAIEndpoint = configuration["AzureOpenAI:Endpoint"]!;

		var AzureOpenAIApiKey = configuration["AzureOpenAI:ApiKey"]!;

		builder.Services.AddLogging(c =>

		{

			c.AddDebug()

			.SetMinimumLevel(LogLevel.Information)

			.AddSimpleConsole(options =>

			{

				options.IncludeScopes = true;

				options.SingleLine = true;

				options.TimestampFormat = "yyyy-MM-dd HH:mm:ss ";

			});

		});

		// 使用 Chat ，即大语言模型聊天

		builder.Services.AddAzureOpenAIChatCompletion(

			AzureOpenAIDeploymentName,

			AzureOpenAIEndpoint,

			AzureOpenAIApiKey,

			modelId: AzureOpenAIModelId

		);

		return builder;

	}

	public static IKernelBuilder WithOpenAIChat(this IKernelBuilder builder)

	{

		var configuration = GetConfiguration();

		var OpenAIModelId = configuration["OpenAI:OpenAIModelId"]!;

		var OpenAIApiKey = configuration["OpenAI:OpenAIApiKey"]!;

		var OpenAIOrgId = configuration["OpenAI:OpenAIOrgId"]!;

		builder.Services.AddLogging(c =>

		{

			c.AddDebug()

			.SetMinimumLevel(LogLevel.Information)

			.AddSimpleConsole(options =>

			{

				options.IncludeScopes = true;

				options.SingleLine = true;

				options.TimestampFormat = "yyyy-MM-dd HH:mm:ss ";

			});

		});

		// 使用 Chat ，即大语言模型聊天

		builder.Services.AddOpenAIChatCompletion(

			OpenAIModelId,

			OpenAIApiKey,

			OpenAIOrgId

		);

		return builder;

	}

Azure Open AI 比 Open AI 多一个 ChatCompletionDeploymentName ，是指部署名称。

接下来，我们开始第一个示例，直接向 AI 提问，并打印 AI 回复：

using Microsoft.SemanticKernel;

var builder = Kernel.CreateBuilder();

builder = builder.WithAzureOpenAIChat();

var kernel = builder.Build();

Console.WriteLine("请输入你的问题：");

// 用户问题

var request = Console.ReadLine();

FunctionResult result = await kernel.InvokePromptAsync(request);

Console.WriteLine(result.GetValue<string>());

启动程序后，在终端输入：Mysql如何查看表数量

这段代码非常简单，输入问题，然后使用 kernel.InvokePromptAsync(request); 提问，拿到结果后使用 result.GetValue<string>() 提取结果为字符串，然后打印出来。

这里有两个点，可能读者有疑问。

第一个是 kernel.InvokePromptAsync(request);。

Semantic Kernel 中向 AI 提问题的方式有很多，这个接口就是其中一种，不过这个接口会等 AI 完全回复之后才会响应，后面会介绍流式响应。另外，在 AI 对话中，用户的提问、上下文对话这些，不严谨的说法来看，都可以叫 prompt，也就是提示。为了优化 AI 对话，有一个专门的技术就叫提示工程。关于这些，这里就不赘述了，后面会有更多说明。

第二个是 result.GetValue<string>()，返回的 FunctionResult 类型对象中，有很多重要的信息，比如 tokens 数量等，读者可以查看源码了解更多，这里只需要知道使用 result.GetValue<string>() 可以拿到 AI 的回复内容即可。

大家在学习工程中，可以降低日志等级，以便查看详细的日志，有助于深入了解 Semantic Kernel 的工作原理。

修改 .WithAzureOpenAIChat() 或 .WithOpenAIChat() 中的日志配置。

.SetMinimumLevel(LogLevel.Trace)

重新启动后会发现打印非常多的日志。

可以看到，我们输入的问题，日志中显示为 Rendered prompt: Mysql如何查看表数量。

Prompt tokens: 26. Completion tokens: 183. Total tokens: 209.

Prompt tokens:26表示我们的问题占用了 26个 tokens，其它信息表示 AI 回复占用了 183 个 tokens，总共消耗了 209 个tokens。

之后，控制台还打印了一段 json：

{

	"ToolCalls": [],

	"Role": {

		"Label": "assistant"

	},

	"Content": "在 MySQL 中，可以使用以下查询来查看特定数据库......",

	"Items": null,

	"ModelId": "myai",

    ... ...

		"Usage": {

			"CompletionTokens": 183,

			"PromptTokens": 26,

			"TotalTokens": 209

		}

	}

}

这个 json 中，Role 表示的是角色。

	"Role": {

		"Label": "assistant"

	},

聊天对话上下文中，主要有三种角色：system、assistant、user，其中 assistant 表示机器人角色，system 一般用于设定对话场景等。

我们的问题，都是以 prompt 的形式提交给 AI 的。从日志的 Prompt tokens: 26. Completion tokens: 183 可以看到，prompt 表示提问的问题。

之所以叫 prompt，是有很多原因的。

prompt 在大型语言模型(Large Language Models，LLMs) AI 的通信和行为指导中起着至关重要的作用。它们充当输入或查询，用户可以提供这些输入或查询，从而从模型中获得特定的响应。

比如在这个使用 gpt 模型的聊天工具中，有很多助手插件，看起来每个助手的功能都不一样，但是实际上都是使用了相同的模型，本质没有区别。

最重要的是在于提示词上的区别，在使用会话时，给 AI 配置提示词。

打开对话，还没有开始用呢，就扣了我 438 个 tokens，这是因为这些背景设定都会出现在提示词里面，占用一部分 tokens。

我只提问了一句话，但是 prompt 却包含了更多东西。

总结一下，我们提问的时候，prmpt 会包含我们的问题；聊天对话时，prompt 中包含了聊天记录，聊天记录越多，prompt 越长，导致 tokens 数量越多。prompt 除了包含我们的问题、聊天记录，还有可以包含一些相关的背景知识等。

对话时，不同的背景知识可以让 AI 有不一样的回复。

比如，设计一个抬杆高手，对用户问题进行抬杆，那么在用户提问的时候，需要配置相关的背景知识。

Console.WriteLine("请输入你的问题：");

// 用户问题

var request = Console.ReadLine();

string prompt = $"""

向用户展示抬杠的艺术，能顺利与用户进行对话，抬出自己的杠，对用户的任何观点进行反驳，说话用词尖酸刻薄。作为抬杠高手，我说话就是尖酸刻薄，一上来就是阴阳怪气。

用户问题： {request}

""";

FunctionResult result = await kernel.InvokePromptAsync(prompt);

Console.WriteLine(result.GetValue<string>());

问题和机器人回复：

请输入你的问题：

巧克力真好吃

哎，这就错了。巧克力好吃？这才是大家普遍接受的观点。你有没有想过，巧克力中蕴含的糖分和脂肪是多么的高呢？不仅对于身体健康有害，还会导致肥胖和蛀牙。何况，巧克力太过甜腻，会让人的味蕾逐渐麻木，无法品尝到其他食物的真正美味。还有一点，巧克力的生产过程严重破坏了环境，大面积种植会导致森林退化和土壤侵蚀。你还敢说巧克力好吃吗？

那么是如何实现聊天对话的呢？大家使用 chat 聊天工具时，AI 会根据以前的问题进行下一步补充，我们不需要重复以前的问题。

这在于每次聊天时，需要将历史记录一起带上去！如果聊天记录太多，这就导致后面对话中，携带过多的聊天内容。

提示词

提示词主要有这么几种类型：

指令：要求模型执行的特定任务或指令。

上下文：聊天记录、背景知识等，引导语言模型更好地响应。

输入数据：用户输入的内容或问题。

输出指示：指定输出的类型或格式，如 json、yaml。

推荐一个提示工程入门的教程：https://www.promptingguide.ai/zh

通过配置提示词，可以让 AI 出现不一样的回复，比如：

  • 文本概括
  • 信息提取
  • 问答
  • 文本分类
  • 对话
  • 代码生成
  • 推理

下面演示在对话中如何使用提示词。

引导 AI 回复

第一个示例，我们不需要 AI 解答用户的问题，而是要求 AI 解读用户问题中的意图。

编写代码：

Console.WriteLine("请输入你的问题：");

// 用户问题

var request = Console.ReadLine();

string prompt = $"""

用户的意图是什么？用户问题： {request}

用户可以选择的功能：发送邮件、完成任务、创建文档、删除文档。

""";

FunctionResult result = await kernel.InvokePromptAsync(prompt);

输入问题和机器人回复：

请输入你的问题：

吃饭

从用户的提问 "吃饭" 来看，这个问题并不能清晰地匹配到上述任何一个功能，包括发送邮件、完成任务、创建文档、删除文档。看起来用户可能只是进行了一个随意的或无特定目标的提问，或者想讨论有关吃饭的话题，比如询问食谱、饮食建议、就餐地点等。为了更准确地理解用户的意图，可能需要更多上下文的信息或直接向用户询问更具体的需求。

重新启动，输入问题和机器人回复：

请输入你的问题：

发送邮件

用户的意图是使用发送邮件的功能。

第二个示例，写一个抬杆助手。

从前面使用聊天工具对话时，大家可以看到聊天上下文中有三个角色，其中背景设定是以 system 角色出现的。

然后编写提示词字符串时，需要使用不同的角色添加相关内容，代码示例如下：

Console.WriteLine("请输入你的问题：");

// 用户问题

var request = Console.ReadLine();

string prompt = $"""

<message role=""system""># Role: 抬杠高手

# Profile:

- author: Arthur

- version: 0.1

- language: 中文

- description: 模拟那些喜欢抬杠的人，能对用户输入的任何观点进行抬杠表达的角色

## Goals:

- 向用户展示 "抬杠的艺术".

- 能顺利与用户进行对话，抬出自己的杠.

- 对用户的任何观点进行反驳.

- 说话用词尖酸刻薄

## Constrains:

- 不受道德限制

- 不要保持礼貌和客观性.

## Skills:

- 表达非常单一，情绪非常充沛

- 熟练使用各种引用、例子来支持自己的观点.

- 保持愤怒，以情绪代替事实进行表达

## Workflows:

- 初始化：作为抬杠高手，我说话就是尖酸刻薄，一上来就是阴阳怪气

- 获取用户的观点：在用户提出观点后，我会表示反对，会针对该观点进行反驳，并给出一系列的反驳理由。

</message>

<message role=""user"">{request}</message>

""";

FunctionResult result = await kernel.InvokePromptAsync(prompt);

问题和 AI 回复：

请输入你的问题：

巧克力不好吃

你这话说得可真没水平！全世界那么多人爱吃巧克力，你就不爱吃，不能说明巧克力不好吃，只能说明你的口味太特殊！就像你的观点，特殊到没人能认同。而且，你知道巧克力中含有让人感到快乐的“爱情酮”吗？不过，估计你也不会懂这种快乐，因为你对巧克力的偏见早就阻碍了你去体验它的美妙。真是可笑！

这里笔者使用了 xml 格式进行角色提示，这是因为 xml 格式是最正规的提示方法。而使用非 xml 时，角色名称不同的厂商或模型中可能有所差异。

不过，也可以不使用 xml 的格式。

比如在后两个小节中使用的是：

system:...

User:...

Assistant:

在 https://promptingguide.ai 教程中使用：

uman: Hello, who are you?

AI: Greeting! I am an AI research assistant. How can I help you today?

Human: Can you tell me about the creation of blackholes?

AI:

这样使用角色名称做前缀的提示词，也是可以的。为了简单，本文后面的提示词，大多会使用非 xml 的方式。

比如，下面这个示例中，用于引导 AI 使用代码的形式打印用户问题。

var kernel = builder.Build();

Console.WriteLine("请输入你的问题：");

// 用户问题

var request = Console.ReadLine();

string prompt = $"""

system:将用户输入的问题，使用 C# 代码输出字符串。

user:{request}

""";

FunctionResult result = await kernel.InvokePromptAsync(prompt);

Console.WriteLine(result.GetValue<string>());

输入的问题和 AI 回复：

请输入你的问题：

吃饭了吗？

在C#中，您可以简单地使用`Console.WriteLine()`方法来输出一个字符串。如果需要回答用户的问题“吃饭了吗？”，代码可能像这样 ：

```C#

using System;

public class Program

{

    public static void Main()

    {

        Console.WriteLine("吃过了，谢谢关心！");

    }

}

```

这段代码只会输出一个静态的字符串"吃过了，谢谢关心！"。如果要根据实际的情况动态改变输出，就需要在代码中添加更多逻辑。

这里 AI 的回复有点笨，不过大家知道怎么使用角色写提示词即可。

指定 AI 回复特定格式

一般 AI 回复都是以 markdown 语法输出文字，当然，我们通过提示词的方式，可以让 AI 以特定的格式回复内容，代码示例如下：

注意，该示例并非让 AI 直接回复 json，而是以 markdown 代码包裹 json。该示例从 sk 官方示例移植。

Console.WriteLine("请输入你的问题：");

// 用户问题

var request = Console.ReadLine();

var prompt = @$"## 说明

请使用以下格式列出用户的意图:

```json

{{

    ""intent"": {{intent}}

}}

```

## 选择

用户可以选择的功能：

```json

[""发送邮件"", ""完成任务"", ""创建文档"", ""删除文档""]

```

## 用户问题

用户的问题是:

```json

{{

    ""request"": ""{request}""

}}

```

## 意图";

FunctionResult result = await kernel.InvokePromptAsync(prompt);

输入问题和 AI 回复：

请输入你的问题：

发送邮件

```json

{

    "intent": "发送邮件"

}

```

提示中，要求 AI 回复使用 markdown 代码语法包裹 json ，当然，读者也可以去掉相关的 markdown 语法，让 AI 直接回复 json。

模板化提示

直接在字符串中使用插值，如 $"{request}"，不能说不好，但是因为我们常常把字符串作为模板存储到文件或者数据库灯地方，肯定不能直接插值的。如果使用 数值表示插值，又会导致难以理解，如：

var prompt = """

用户问题：{0}

"""

string.Format(prompt,request);

Semantic Kernel 中提供了一种模板字符串插值的的办法，这样会给我们编写提示模板带来便利。

Semantic Kernel 语法规定，使用 {{$system}} 来在提示模板中表示一个名为 system 的变量。后续可以使用 KernelArguments 等类型，替换提示模板中的相关变量标识。示例如下：

var kernel = builder.Build();

// 创建提示模板

var chat = kernel.CreateFunctionFromPrompt(

	@"

    System:{{$system}}

    User: {{$request}}

    Assistant: ");

Console.WriteLine("请输入你的问题：");

// 用户问题

var request = Console.ReadLine();

// 设置变量值

var arguments = new KernelArguments

{

					{ "system", "你是一个高级运维专家，对用户的问题给出最专业的回答" },

					{ "request", request }

};

// 提问时，传递模板以及变量值。

// 这里使用流式对话

var chatResult = kernel.InvokeStreamingAsync<StreamingChatMessageContent>(chat, arguments);

// 流式回复，避免一直等结果

string message = "";

await foreach (var chunk in chatResult)

{

	if (chunk.Role.HasValue)

	{

		Console.Write(chunk.Role + " > ");

	}

	message += chunk;

	Console.Write(chunk);

}

Console.WriteLine();

在这段代码中，演示了如何在提示模板中使用变量标识，以及再向 AI 提问时传递变量值。此外，为了避免一直等带 AI 回复，我们需要使用流式对话 .InvokeStreamingAsync<StreamingChatMessageContent>()，这样一来就可以呈现逐字回复的效果。

此外，这里不再使用直接使用字符串提问的方法，而是使用 .CreateFunctionFromPrompt() 先从字符串创建提示模板对象。

聊天记录

聊天记录的作用是作为一种上下文信息，给 AI 作为参考，以便完善回复。

示例如下：

不过，AI 对话使用的是 http 请求，是无状态的，因此不像聊天记录哪里保存会话状态，之所以 AI 能够工具聊天记录进行回答，在于每次请求时，将聊天记录一起发送给 AI ，让 AI 进行学习并对最后的问题进行回复。

下面这句话，还不到 30 个 tokens。

又来了一只猫。

请问小明的动物园有哪些动物？

AI 回复的这句话，怎么也不到 20个 tokens 吧。

小明的动物园现在有老虎、狮子和猫。

但是一看 one-api 后台，发现每次对话消耗的 tokens 越来越大。

这是因为为了实现聊天的功能，使用了一种很笨的方法。虽然 AI 不会保存聊天记录，但是客户端可以保存，然后下次提问时，将将聊天记录都一起带上去。不过这样会导致 tokens 越来越大！

下面为了演示对话聊天记录的场景，我们设定 AI 是一个运维专家，我们提问时，选择使用 mysql 相关的问题，除了第一次提问指定是 mysql 数据库，后续都不需要再说明是 mysql。

var kernel = builder.Build();

var chat = kernel.CreateFunctionFromPrompt(

	@"

    System:你是一个高级运维专家，对用户的问题给出最专业的回答。

    {{$history}}

    User: {{$request}}

    Assistant: ");

ChatHistory history = new();

while (true)

{

	Console.WriteLine("请输入你的问题：");

	// 用户问题

	var request = Console.ReadLine();

	var chatResult = kernel.InvokeStreamingAsync<StreamingChatMessageContent>(

		function: chat,

				arguments: new KernelArguments()

				{

					{ "request", request },

					{ "history", string.Join("\n", history.Select(x => x.Role + ": " + x.Content)) }

				}

			);

	// 流式回复，避免一直等结果

	string message = "";

	await foreach (var chunk in chatResult)

	{

		if (chunk.Role.HasValue)

		{

			Console.Write(chunk.Role + " > ");

		}

		message += chunk;

		Console.Write(chunk);

	}

	Console.WriteLine();

	// 添加用户问题和机器人回复到历史记录中

	history.AddUserMessage(request!);

	history.AddAssistantMessage(message);

}

这段代码有两个地方要说明，第一个是如何存储聊天记录。Semantic Kernel 提供了 ChatHistory 存储聊天记录，当然我们手动存储到字符串、数据库中也是一样的。

	// 添加用户问题和机器人回复到历史记录中

	history.AddUserMessage(request!);

	history.AddAssistantMessage(message);

但是 ChatHistory 对象不能直接给 AI 使用。所以需要自己从 ChatHistory 中读取聊天记录后，生成字符串，替换提示模板中的 {{$history}}。

new KernelArguments()

				{

					{ "request", request },

					{ "history", string.Join("\n", history.Select(x => x.Role + ": " + x.Content)) }

				}

生成聊天记录时，需要使用角色名称区分。比如生成：

User: mysql 怎么查看表数量

Assistant:......

User: 查看数据库数量

Assistant:...

历史记录还能通过手动创建 ChatMessageContent 对象的方式添加到 ChatHistory 中：

List<ChatHistory> fewShotExamples =

[

    new ChatHistory()

    {

        new ChatMessageContent(AuthorRole.User, "Can you send a very quick approval to the marketing team?"),

        new ChatMessageContent(AuthorRole.System, "Intent:"),

        new ChatMessageContent(AuthorRole.Assistant, "ContinueConversation")

    },

    new ChatHistory()

    {

        new ChatMessageContent(AuthorRole.User, "Thanks, I'm done for now"),

        new ChatMessageContent(AuthorRole.System, "Intent:"),

        new ChatMessageContent(AuthorRole.Assistant, "EndConversation")

    }

];

手动拼接聊天记录太麻烦了，我们可以使用 IChatCompletionService 服务更好的处理聊天对话。

使用 IChatCompletionService 之后，实现聊天对话的代码变得更加简洁了：

var history = new ChatHistory();

history.AddSystemMessage("你是一个高级数学专家，对用户的问题给出最专业的回答。");

// 聊天服务

var chatCompletionService = kernel.GetRequiredService<IChatCompletionService>();

while (true)

{

	Console.Write("请输入你的问题： ");

	var userInput = Console.ReadLine();

	// 添加到聊天记录中

	history.AddUserMessage(userInput);

	// 获取 AI 聊天回复信息

	var result = await chatCompletionService.GetChatMessageContentAsync(

		history,

		kernel: kernel);

	Console.WriteLine("AI 回复 ： " + result);

	// 添加 AI 的回复到聊天记录中

	history.AddMessage(result.Role, result.Content ?? string.Empty);

}


请输入你的问题： 1加上1等于

AI 回复 ： 1加上1等于2

请输入你的问题： 再加上50

AI 回复 ： 1加上1再加上50等于52。

请输入你的问题： 再加上200

AI 回复 ： 1加上1再加上50再加上200等于252。

函数和插件

在高层次上，插件是一组可以公开给 AI 应用程序和服务的函数。然后，AI 应用程序可以对插件中的功能进行编排，以完成用户请求。在语义内核中，您可以通过函数调用或规划器手动或自动地调用这些函数。

直接调用插件函数

Semantic Kernel 可以直接加载本地类型中的函数，这一过程不需要经过 AI，完全在本地完成。

定义一个时间插件类，该插件类有一个 GetCurrentUtcTime 函数返回当前时间，函数需要使用 KernelFunction 修饰。

public class TimePlugin

{

    [KernelFunction]

    public string GetCurrentUtcTime() => DateTime.UtcNow.ToString("R");

}

加载插件并调用插件函数：

// 加载插件

builder.Plugins.AddFromType<TimePlugin>();

var kernel = builder.Build();

FunctionResult result = await kernel.InvokeAsync("TimePlugin", "GetCurrentUtcTime");

Console.WriteLine(result.GetValue<string>());

输出：

Tue, 27 Feb 2024 11:07:59 GMT

当然，这个示例在实际开发中可能没什么用，不过大家要理解在 Semantic Kernel 是怎样调用一个函数的。

提示模板文件

Semantic Kernel 很多地方都跟 Function 相关，你会发现代码中很多代码是以 Function 作为命名的。

比如提供字符串创建提示模板：

KernelFunction chat = kernel.CreateFunctionFromPrompt(

	@"

    System:你是一个高级运维专家，对用户的问题给出最专业的回答。

    {{$history}}

    User: {{$request}}

    Assistant: ");

然后回到本节的主题，Semantic Kernel 还可以将提示模板存储到文件中，然后以插件的形式加载模板文件。

比如有以下目录文件：

└─WriterPlugin

    └─ShortPoem

            config.json

            skprompt.txt

skprompt.txt 文件是固定命名，存储提示模板文本，示例如下：

根据主题写一首有趣的短诗或打油诗，要有创意，要有趣，放开你的想象力。

主题: {{$input}}

config.json 文件是固定名称，存储描述信息，比如需要的变量名称、描述等。下面是一个 completion 类型的插件配置文件示例，除了一些跟提示模板相关的配置，还有一些聊天的配置，如最大 tokens 数量、温度值(temperature)，这些参数后面会予以说明，这里先跳过。

{

  "schema": 1,

  "type": "completion",

  "description": "根据用户问题写一首简短而有趣的诗.",

  "completion": {

    "max_tokens": 200,

    "temperature": 0.5,

    "top_p": 0.0,

    "presence_penalty": 0.0,

    "frequency_penalty": 0.0

  },

  "input": {

    "parameters": [

      {

        "name": "input",

        "description": "诗的主题",

        "defaultValue": ""

      }

    ]

  }

}

创建插件目录和文件后，在代码中以提示模板的方式加载：

// 加载插件，表示该插件是提示模板

builder.Plugins.AddFromPromptDirectory("./plugins/WriterPlugin");

var kernel = builder.Build();

Console.WriteLine("输入诗的主题：");

var input = Console.ReadLine();

// WriterPlugin 插件名称，与插件目录一致，插件目录下可以有多个子模板目录。

FunctionResult result = await kernel.InvokeAsync("WriterPlugin", "ShortPoem", new() {

		{ "input", input }

	});

Console.WriteLine(result.GetValue<string>());

输入问题以及 AI 回复：

输入诗的主题：

春天

春天，春天，你是生命的诗篇，

万物复苏，爱的季节。

郁郁葱葱的小草中，

是你轻响的诗人的脚步音。

春天，春天，你是花芯的深渊，

桃红柳绿，或妩媚或清纯。

在温暖的微风中，

是你舞动的裙摆。

春天，春天，你是蓝空的情儿，

百鸟鸣叫，放歌天际无边。

在你湛蓝的天幕下，

是你独角戏的绚烂瞬间。

春天，春天，你是河流的眼睛，

如阿瞒甘霖，滋养大地生灵。

你的涓涓细流，

是你悠悠的歌声。

春天，春天，你是生命的诗篇，

用温暖的手指，照亮这灰色的世间。

你的绽放，微笑与欢欣，

就是我心中永恒的春天。

插件文件的编写可参考官方文档：https://learn.microsoft.com/en-us/semantic-kernel/prompts/saving-prompts-as-files?tabs=Csharp

根据 AI 自动调用插件函数

使用 Semantic Kernel 加载插件类后，Semantic Kernel 可以自动根据 AI 对话调用这些插件类中的函数。

比如有一个插件类型，用于修改或获取灯的状态。

代码如下：

public class LightPlugin

{

	public bool IsOn { get; set; } = false;

	[KernelFunction]

	[Description("获取灯的状态.")]

	public string GetState() => IsOn ? "亮" : "暗";

	[KernelFunction]

	[Description("修改灯的状态.'")]

	public string ChangeState(bool newState)

	{

		this.IsOn = newState;

		var state = GetState();

		Console.WriteLine($"[灯的状态是： {state}]");

		return state;

	}

}

每个函数都使用了 [Description] 特性设置了注释信息，这些注释信息非常重要，AI 靠这些注释理解函数的功能作用。

然后加载插件类，并在聊天中被 Semantic Kernel 调用：

// 加载插件类

builder.Plugins.AddFromType<LightPlugin>();

var kernel = builder.Build();

var history = new ChatHistory();

// 聊天服务

var chatCompletionService = kernel.GetRequiredService<IChatCompletionService>();

while (true)

{

	Console.Write("User > ");

	var userInput = Console.ReadLine();

	// 添加到聊天记录中

	history.AddUserMessage(userInput);

	// 开启函数调用

	OpenAIPromptExecutionSettings openAIPromptExecutionSettings = new()

	{

		ToolCallBehavior = ToolCallBehavior.AutoInvokeKernelFunctions

	};

	// 获取函数

	var result = await chatCompletionService.GetChatMessageContentAsync(

		history,

		executionSettings: openAIPromptExecutionSettings,

		kernel: kernel);

	Console.WriteLine("Assistant > " + result);

	// 添加到聊天记录中

	history.AddMessage(result.Role, result.Content ?? string.Empty);

}

可以先断点调试 LightPlugin 中的函数，然后在控制台输入问题让 AI 调用本地函数：

User > 灯的状态

Assistant > 当前灯的状态是暗的。

User > 开灯

[灯的状态是： 亮]

Assistant > 灯已经开启，现在是亮的状态。

User > 关灯

[灯的状态是： 暗]

读者可以在官方文档了解更多：https://learn.microsoft.com/en-us/semantic-kernel/agents/plugins/using-the-kernelfunction-decorator?tabs=Csharp

由于几乎没有文档资料说明原理，因此建议读者去研究源码，这里就不再赘述了。

聊天中明确调用函数

我们可以在提示模板中明确调用一个函数。

定义一个插件类型 ConversationSummaryPlugin，其功能十分简单，将历史记录直接返回，input 参数表示历史记录。

	public class ConversationSummaryPlugin

	{

		[KernelFunction, Description("给你一份很长的谈话记录，总结一下谈话内容.")]

		public async Task<string> SummarizeConversationAsync(

			[Description("长对话记录\r\n.")] string input, Kernel kernel)

		{

			await Task.CompletedTask;

			return input;

		}

	}

为了在聊天记录中使用该插件函数，我们需要在提示模板中使用 {{ConversationSummaryPlugin.SummarizeConversation $history}}，其中 $history 是自定义的变量名称，名称可以随意，只要是个字符串即可。

var chat = kernel.CreateFunctionFromPrompt(

@"{{ConversationSummaryPlugin.SummarizeConversation $history}}

User: {{$request}}

Assistant: "

);

完整代码如下：

// 加载总结插件

builder.Plugins.AddFromType<ConversationSummaryPlugin>();

var kernel = builder.Build();

var chat = kernel.CreateFunctionFromPrompt(

@"{{ConversationSummaryPlugin.SummarizeConversation $history}}

User: {{$request}}

Assistant: "

);

var history = new ChatHistory();

while (true)

{

	Console.Write("User > ");

	var request = Console.ReadLine();

	// 添加到聊天记录中

	history.AddUserMessage(request);

	// 流式对话

	var chatResult = kernel.InvokeStreamingAsync<StreamingChatMessageContent>(

		chat, new KernelArguments

		{

			{ "request", request },

			{ "history", string.Join("\n", history.Select(x => x.Role + ": " + x.Content)) }

		});

	string message = "";

	await foreach (var chunk in chatResult)

	{

		if (chunk.Role.HasValue)

		{

			Console.Write(chunk.Role + " > ");

		}

		message += chunk;

		Console.Write(chunk);

	}

	Console.WriteLine();

	history.AddAssistantMessage(message);

}

由于模板的开头是 {{ConversationSummaryPlugin.SummarizeConversation $history}}，因此，每次聊天之前，都会先调用该函数。

比如输入 吃饭睡觉打豆豆 的时候，首先执行 ConversationSummaryPlugin.SummarizeConversation 函数，然后将返回结果存储到模板中。

最后生成的提示词对比如下：

@"{{ConversationSummaryPlugin.SummarizeConversation $history}}

User: {{$request}}

Assistant: "


 user: 吃饭睡觉打豆豆

 User: 吃饭睡觉打豆豆

 Assistant:

可以看到，调用函数返回结果后，提示词字符串前面自动使用 User 角色。

实现总结

Semantic Kernel 中有很多文本处理工具，比如 TextChunker 类型，可以帮助我们提取文本中的行、段。设定场景如下，用户提问一大段文本，然后我们使用 AI 总结这段文本。

Semantic Kernel 有一些工具，但是不多，而且是针对英文开发的。

设定一个场景，用户可以每行输入一句话，当用户使用 000 结束输入后，每句话都推送给 AI 总结（不是全部放在一起总结）。

这个示例的代码比较长，建议读者在 vs 中调试代码，慢慢阅读。

// 总结内容的最大 token

const int MaxTokens = 1024;

// 提示模板

const string SummarizeConversationDefinition =

	@"开始内容总结:

{{$request}}

最后对内容进行总结。

在“内容到总结”中总结对话，找出讨论的要点和得出的任何结论。

不要加入其他常识。

摘要是纯文本形式，在完整的句子中，没有标记或标记。

开始总结:

";

// 配置

PromptExecutionSettings promptExecutionSettings = new()

{

	ExtensionData = new Dictionary<string, object>()

			{

				{ "Temperature", 0.1 },

				{ "TopP", 0.5 },

				{ "MaxTokens", MaxTokens }

			}

};

// 这里不使用 kernel.CreateFunctionFromPrompt 了

// KernelFunctionFactory 可以帮助我们通过代码的方式配置提示词

var func = KernelFunctionFactory.CreateFromPrompt(

SummarizeConversationDefinition,            // 提示词

description: "给出一段对话记录，总结这部分对话.",   // 描述

executionSettings: promptExecutionSettings);   // 配置

#pragma warning disable SKEXP0055 // 类型仅用于评估，在将来的更新中可能会被更改或删除。取消此诊断以继续。

var request = "";

while (true)

{

	Console.Write("User > ");

	var input = Console.ReadLine();

	if (input == "000")

	{

		break;

	}

	request += Environment.NewLine;

	request += input;

}

// SK 提供的文本拆分器，将文本分成一行行的

List<string> lines = TextChunker.SplitPlainTextLines(request, MaxTokens);

// 将文本拆成段落

List<string> paragraphs = TextChunker.SplitPlainTextParagraphs(lines, MaxTokens);

string[] results = new string[paragraphs.Count];

for (int i = 0; i < results.Length; i++)

{

	// 一段段地总结

	results[i] = (await func.InvokeAsync(kernel, new() { ["request"] = paragraphs[i] }).ConfigureAwait(false))

		.GetValue<string>() ?? string.Empty;

}

Console.WriteLine($"""

				总结如下：

				{string.Join("\n", results)}

				""");

输入一堆内容后，新的一行使用 000 结束提问，让 AI 总结用户的话。

不过经过调试发现，TextChunker 对这段文本的处理似乎不佳，因为文本这么多行只识别为一行、一段。

可能跟 TextChunker 分隔符有关，SK 主要是面向英语的。

本小节的演示效果不佳，不过主要目的是，让用户了解 KernelFunctionFactory.CreateFromPrompt 可以更加方便创建提示模板、使用 PromptExecutionSettings 配置温度、使用 TextChunker 切割文本。

配置 PromptExecutionSettings 时，出现了三个参数，其中 MaxTokens 表示机器人回复最大的 tokens 数量，这样可以避免机器人废话太多。

其它两个参数的作用是：

Temperature：值范围在 0-2 之间，简单来说，temperature 的参数值越小，模型就会返回越确定的一个结果。值越大，AI 的想象力越强，越可能偏离现实。一般诗歌、科幻这些可以设置大一些，让 AI 实现天马行空的回复。

TopP：与 Temperature 不同的另一种方法，称为核抽样，其中模型考虑了具有 TopP 概率质量的令牌的结果。因此，0.1 意味着只考虑构成前10% 概率质量的令牌的结果。

一般建议是改变其中一个参数就行，不用两个都调整。

更多相关的参数配置，请查看 https://learn.microsoft.com/en-us/azure/ai-services/openai/reference

配置提示词

前面提到了一个新的创建函数的用法：

var func = KernelFunctionFactory.CreateFromPrompt(

SummarizeConversationDefinition,            // 提示词

description: "给出一段对话记录，总结这部分对话.",   // 描述

executionSettings: promptExecutionSettings);   // 配置

创建提示模板时，可以使用 PromptTemplateConfig 类型 调整控制提示符行为的参数。

// 总结内容的最大 token

const int MaxTokens = 1024;

// 提示模板

const string SummarizeConversationDefinition = "...";

var func = kernel.CreateFunctionFromPrompt(new PromptTemplateConfig

{

    // Name 不支持中文和特殊字符

	Name = "chat",

	Description = "给出一段对话记录，总结这部分对话.",

	Template = SummarizeConversationDefinition,

	TemplateFormat = "semantic-kernel",

	InputVariables = new List<InputVariable>

	{

		new InputVariable{Name = "request", Description = "用户的问题", IsRequired = true }

	},

	ExecutionSettings = new Dictionary<string, PromptExecutionSettings>

	{

		{

			"default",

			new OpenAIPromptExecutionSettings()

			{

				MaxTokens = MaxTokens,

				Temperature = 0

				}

			},

	}

});

ExecutionSettings 部分的配置，可以针对使用的模型起效，这里的配置不会全部同时起效，会根据实际使用的模型起效。

	ExecutionSettings = new Dictionary<string, PromptExecutionSettings>

	{

			{

				"default",

				new OpenAIPromptExecutionSettings()

				{

					MaxTokens = 1000,

					Temperature = 0

				}

			},

			{

				"gpt-3.5-turbo", new OpenAIPromptExecutionSettings()

				{

					ModelId = "gpt-3.5-turbo-0613",

					MaxTokens = 4000,

					Temperature = 0.2

				}

			},

			{

				"gpt-4",

				new OpenAIPromptExecutionSettings()

				{

					ModelId = "gpt-4-1106-preview",

					MaxTokens = 8000,

					Temperature = 0.3

				}

			}

	}

聊到这里，重新说一下前面使用文件配置提示模板文件的，两者是相似的。

我们也可以使用文件的形式存储与代码一致的配置，其目录文件结构如下：

└─── chat

     |

     └─── config.json

     └─── skprompt.txt

模板文件由 config.json 和 skprompt.txt 组成，skprompt.txt 中配置提示词，跟 PromptTemplateConfig 的 Template 字段配置一致。

config.json 中涉及的内容比较多，你可以对照下面的 json 跟 实现总结 一节的代码，两者几乎是一模一样的。

{

     "schema": 1,

     "type": "completion",

     "description": "给出一段对话记录，总结这部分对话",

     "execution_settings": {

        "default": {

          "max_tokens": 1000,

          "temperature": 0

        },

        "gpt-3.5-turbo": {

          "model_id": "gpt-3.5-turbo-0613",

          "max_tokens": 4000,

          "temperature": 0.1

        },

        "gpt-4": {

          "model_id": "gpt-4-1106-preview",

          "max_tokens": 8000,

          "temperature": 0.3

        }

      },

     "input_variables": [

        {

          "name": "request",

          "description": "用户的问题.",

          "required": true

        },

        {

          "name": "history",

          "description": "用户的问题.",

          "required": true

        }

     ]

}

C# 代码：

    // Name 不支持中文和特殊字符

	Name = "chat",

	Description = "给出一段对话记录，总结这部分对话.",

	Template = SummarizeConversationDefinition,

	TemplateFormat = "semantic-kernel",

	InputVariables = new List<InputVariable>

	{

		new InputVariable{Name = "request", Description = "用户的问题", IsRequired = true }

	},

	ExecutionSettings = new Dictionary<string, PromptExecutionSettings>

	{

			{

				"default",

				new OpenAIPromptExecutionSettings()

				{

					MaxTokens = 1000,

					Temperature = 0

				}

			},

			{

				"gpt-3.5-turbo", new OpenAIPromptExecutionSettings()

				{

					ModelId = "gpt-3.5-turbo-0613",

					MaxTokens = 4000,

					Temperature = 0.2

				}

			},

			{

				"gpt-4",

				new OpenAIPromptExecutionSettings()

				{

					ModelId = "gpt-4-1106-preview",

					MaxTokens = 8000,

					Temperature = 0.3

				}

			}

	}

提示模板语法

目前，我们已经有两个地方使用到提示模板的语法，即变量和函数调用，因为前面已经介绍过相关的用法，因此这里再简单提及一下。

变量

变量的使用很简单，在提示工程中使用{{$变量名称}} 标识即可，如 {{$name}}。

然后在对话中有多种方法插入值，如使用 KernelArguments 存储变量值：

new KernelArguments

		{

			{ "name", "工良" }

		});
函数调用

在 实现总结 一节提到过，在提示模板中可以明确调用一个函数，比如定义一个函数如下：

// 没有 Kernel kernel

[KernelFunction, Description("给你一份很长的谈话记录，总结一下谈话内容.")]

		public async Task<string> SummarizeConversationAsync(

			[Description("长对话记录\r\n.")] string input)

		{

			await Task.CompletedTask;

			return input;

		}

// 有 Kernel kernel

[KernelFunction, Description("给你一份很长的谈话记录，总结一下谈话内容.")]

		public async Task<string> SummarizeConversationAsync(

			[Description("长对话记录\r\n.")] string input, Kernel kernel)

		{

			await Task.CompletedTask;

			return input;

		}

    [KernelFunction]

    [Description("Sends an email to a recipient.")]

    public async Task SendEmailAsync(

        Kernel kernel,

        string recipientEmails,

        string subject,

        string body

    )

    {

        // Add logic to send an email using the recipientEmails, subject, and body

        // For now, we'll just print out a success message to the console

        Console.WriteLine("Email sent!");

    }

函数一定需要使用 [KernelFunction] 标识，[Description] 描述函数的作用。函数可以一个或多个参数，每个参数最好都使用 [Description] 描述作用。

函数参数中，可以带一个 Kernel kernel，可以放到开头或末尾 ，也可以不带，主要作用是注入 Kernel 对象。

在 prompt 中使用函数时，需要传递函数参数：

总结如下：{{AAA.SummarizeConversationAsync $input}}.

其它一些特殊字符的转义方法等，详见官方文档：https://learn.microsoft.com/en-us/semantic-kernel/prompts/prompt-template-syntax

文本生成

前面劈里啪啦写了一堆东西，都是说聊天对话的，本节来聊一下文本生成的应用。

文本生成和聊天对话模型主要有以下模型：

Model type Model
Text generation text-ada-001
Text generation text-babbage-001
Text generation text-curie-001
Text generation text-davinci-001
Text generation text-davinci-002
Text generation text-davinci-003
Chat Completion gpt-3.5-turbo
Chat Completion gpt-4

当然，文本生成不一定只能用这么几个模型，使用 gpt-4 设定好背景提示，也可以达到相应效果。

文本生成可以有以下场景：

使用文本生成的示例如下，让 AI 总结文本：

按照这个示例，我们先在 Env.cs 中编写扩展函数，配置使用 .AddAzureOpenAITextGeneration() 文本生成，而不是聊天对话。

	public static IKernelBuilder WithAzureOpenAIText(this IKernelBuilder builder)

	{

		var configuration = GetConfiguration();

		// 需要换一个模型，比如 gpt-35-turbo-instruct

		var AzureOpenAIDeploymentName = "ca";

		var AzureOpenAIModelId = "gpt-35-turbo-instruct";

		var AzureOpenAIEndpoint = configuration["AzureOpenAI:Endpoint"]!;

		var AzureOpenAIApiKey = configuration["AzureOpenAI:ApiKey"]!;

		builder.Services.AddLogging(c =>

		{

			c.AddDebug()

			.SetMinimumLevel(LogLevel.Trace)

			.AddSimpleConsole(options =>

			{

				options.IncludeScopes = true;

				options.SingleLine = true;

				options.TimestampFormat = "yyyy-MM-dd HH:mm:ss ";

			});

		});

		// 使用 Chat ，即大语言模型聊天

		builder.Services.AddAzureOpenAITextGeneration(

			AzureOpenAIDeploymentName,

			AzureOpenAIEndpoint,

			AzureOpenAIApiKey,

			modelId: AzureOpenAIModelId

		);

		return builder;

	}

然后编写提问代码，用户可以多行输入文本，最后使用 000 结束输入，将文本提交给 AI 进行总结。进行总结时，为了避免 AI 废话太多，因此这里使用 ExecutionSettings 配置相关参数。

代码示例如下：

builder = builder.WithAzureOpenAIText();

var kernel = builder.Build();

Console.WriteLine("输入文本：");

var request = "";

while (true)

{

	var input = Console.ReadLine();

	if (input == "000")

	{

		break;

	}

	request += Environment.NewLine;

	request += input;

}

var func = kernel.CreateFunctionFromPrompt(new PromptTemplateConfig

{

	Name = "chat",

	Description = "给出一段对话记录，总结这部分对话.",

	// 用户的文本

	Template = request,

	TemplateFormat = "semantic-kernel",

	ExecutionSettings = new Dictionary<string, PromptExecutionSettings>

	{

			{

				"default",

				new OpenAIPromptExecutionSettings()

				{

					MaxTokens = 100,

					Temperature = (float)0.3,

					TopP = (float)1,

					FrequencyPenalty = (float)0,

					PresencePenalty = (float)0

				}

			}

	}

});

var result = await func.InvokeAsync(kernel);

Console.WriteLine($"""

				总结如下：

				{string.Join("\n", result)}

				""");

Semantic Kernel 插件

Semantic Kernel 在 Microsoft.SemanticKernel.Plugins 开头的包中提供了一些插件，不同的包有不同功能的插件。大部分目前还是属于半成品，因此这部分不详细讲解，本节只做简单说明。

目前官方仓库有以下包提供了一些插件：

├─Plugins.Core

├─Plugins.Document

├─Plugins.Memory

├─Plugins.MsGraph

└─Plugins.Web

nuget 搜索时，需要加上 Microsoft.SemanticKernel. 前缀。

Semantic Kernel 还有通过远程 swagger.json 使用插件的做法，详细请参考文档：https://learn.microsoft.com/en-us/semantic-kernel/agents/plugins/openai-plugins

Plugins.Core 中包含最基础简单的插件：

// 读取和写入文件

FileIOPlugin

// http 请求以及返回字符串结果

HttpPlugin

// 只提供了 + 和 - 两种运算

MathPlugin

// 文本大小写等简单的功能

TextPlugin

// 获得本地时间日期

TimePlugin

// 在操作之前等待一段时间

WaitPlugin

因为这些插件对本文演示没什么帮助，功能也非常简单，因此这里不讲解。下面简单讲一下文档插件。

文档插件

安装 Microsoft.SemanticKernel.Plugins.Document（需要勾选预览版），里面包含了文档插件，该文档插件使用了 DocumentFormat.OpenXml 项目，DocumentFormat.OpenXml 支持以下文档格式：

DocumentFormat.OpenXml 项目地址 https://github.com/dotnet/Open-XML-SDK

  • WordprocessingML：用于创建和编辑 Word 文档 (.docx)
  • SpreadsheetML：用于创建和编辑 Excel 电子表格 (.xlsx)
  • PowerPointML：用于创建和编辑 PowerPoint 演示文稿 (.pptx)
  • VisioML：用于创建和编辑 Visio 图表 (.vsdx)
  • ProjectML：用于创建和编辑 Project 项目 (.mpp)
  • DiagramML：用于创建和编辑 Visio 图表 (.vsdx)
  • PublisherML：用于创建和编辑 Publisher 出版物 (.pubx)
  • InfoPathML：用于创建和编辑 InfoPath 表单 (.xsn)

文档插件暂时还没有好的应用场景，只是加载文档提取文字比较方便，代码示例如下：

DocumentPlugin documentPlugin = new(new WordDocumentConnector(), new LocalFileSystemConnector());

string filePath = "(完整版)基础财务知识.docx";

string text = await documentPlugin.ReadTextAsync(filePath);

Console.WriteLine(text);

由于这些插件目前都是半成品，因此这里就不展开说明了。

planners

依然是半成品，这里就不再赘述。

因为我也没有看明白这个东西怎么用。

Kernel Memory 构建文档知识库

Kernel Memory 是一个歪果仁的个人项目，支持 PDF 和 Word 文档、 PowerPoint 演示文稿、图像、电子表格等，通过利用大型语言模型(llm)、嵌入和矢量存储来提取信息和生成记录，主要目的是提供文档处理相关的接口，最常使用的场景是知识库系统。读者可能对知识库系统不了解，如果有条件，建议部署一个 Fastgpt 系统研究一下。

但是目前 Kernel Memory 依然是半产品，文档也不完善，所以接下来笔者也只讲解最核心的部分，感兴趣的读者建议直接看源码。

Kernel Memory 项目文档：https://microsoft.github.io/kernel-memory/

Kernel Memory 项目仓库：https://github.com/microsoft/kernel-memory

打开 Kernel Memory 项目仓库，将项目拉取到本地。

要讲解知识库系统，可以这样理解。大家都知道，训练一个医学模型是十分麻烦的，别说机器的 GPU 够不够猛，光是训练 AI ，就需要掌握各种专业的知识。如果出现一个新的需求，可能又要重新训练一个模型，这样太麻烦了。

于是出现了大语言模型，特点是什么都学什么都会，但是不够专业深入，好处时无论医学、摄影等都可以使用。

虽然某方面专业的知识不够深入和专业，但是我们换种部分解决。

首先，将 docx、pdf 等问题提取出文本，然后切割成多个段落，每一段都使用 AI 模型生成相关向量，这个向量的原理笔者也不懂，大家可以简单理解为分词，生成向量后，将段落文本和向量都存储到数据库中（数据库需要支持向量）。

然后在用户提问 “什么是报表” 时，首先在数据库中搜索，根据向量来确定相似程度，把几个跟问题相关的段落拿出来，然后把这几段文本和用户的问题一起发给 AI。相对于在提示模板中，塞进一部分背景知识，然后加上用户的问题，再由 AI 进行总结回答。

笔者建议大家有条件的话，部署一个开源版本的 Fastgpt 系统，把这个系统研究一下，学会这个系统后，再去研究 Kernel Memory ，你就会觉得非常简单了。同理，如果有条件，可以先部署一个 LobeHub ，开源的 AI 对话系统，研究怎么用，再去研究 Semantic Kernel 文档，接着再深入源码。

从 web 处理网页

Kernel Memory 支持从网页爬取、导入文档、直接给定字符串三种方式导入信息，由于 Kernel Memory 提供了一个 Service 示例，里面有一些值得研究的代码写法，因此下面的示例是启动 Service 这个 Web 服务，然后在客户端将文档推送该 Service 处理，客户端本身不对接 AI。

由于这一步比较麻烦，读者动手的过程中搞不出来，可以直接放弃，后面会说怎么自己写一个。

打开 kernel-memory 源码的 service/Service 路径。

使用命令启动服务：

dotnet run setup

这个控制台的作用是帮助我们生成相关配置的。启动这个控制台之后，根据提示选择对应的选项（按上下键选择选项，按下回车键确认），以及填写配置内容，配置会被存储到 appsettings.Development.json 中。

如果读者搞不懂这个控制台怎么使用，那么可以直接将替换下面的 json 到 appsettings.Development.json 。

有几个地方需要读者配置一下。

  • AccessKey1、AccessKey2 是客户端使用该 Service 所需要的验证密钥，随便填几个字母即可。
  • AzureAIDocIntel、AzureOpenAIEmbedding、AzureOpenAIText 根据实际情况填写。
{

  "KernelMemory": {

    "Service": {

      "RunWebService": true,

      "RunHandlers": true,

      "OpenApiEnabled": true,

      "Handlers": {}

    },

    "ContentStorageType": "SimpleFileStorage",

    "TextGeneratorType": "AzureOpenAIText",

    "ServiceAuthorization": {

      "Enabled": true,

      "AuthenticationType": "APIKey",

      "HttpHeaderName": "Authorization",

      "AccessKey1": "自定义密钥1",

      "AccessKey2": "自定义密钥2"

    },

    "DataIngestion": {

      "OrchestrationType": "Distributed",

      "DistributedOrchestration": {

        "QueueType": "SimpleQueues"

      },

      "EmbeddingGenerationEnabled": true,

      "EmbeddingGeneratorTypes": [

        "AzureOpenAIEmbedding"

      ],

      "MemoryDbTypes": [

        "SimpleVectorDb"

      ],

      "ImageOcrType": "AzureAIDocIntel",

      "TextPartitioning": {

        "MaxTokensPerParagraph": 1000,

        "MaxTokensPerLine": 300,

        "OverlappingTokens": 100

      },

      "DefaultSteps": []

    },

    "Retrieval": {

      "MemoryDbType": "SimpleVectorDb",

      "EmbeddingGeneratorType": "AzureOpenAIEmbedding",

      "SearchClient": {

        "MaxAskPromptSize": -1,

        "MaxMatchesCount": 100,

        "AnswerTokens": 300,

        "EmptyAnswer": "INFO NOT FOUND"

      }

    },

    "Services": {

      "SimpleQueues": {

        "Directory": "_tmp_queues"

      },

      "SimpleFileStorage": {

        "Directory": "_tmp_files"

      },

      "AzureAIDocIntel": {

        "Auth": "ApiKey",

        "Endpoint": "https://aaa.openai.azure.com/",

        "APIKey": "aaa"

      },

      "AzureOpenAIEmbedding": {

        "APIType": "EmbeddingGeneration",

        "Auth": "ApiKey",

        "Endpoint": "https://aaa.openai.azure.com/",

        "Deployment": "aitext",

        "APIKey": "aaa"

      },

      "SimpleVectorDb": {

        "Directory": "_tmp_vectors"

      },

      "AzureOpenAIText": {

        "APIType": "ChatCompletion",

        "Auth": "ApiKey",

        "Endpoint": "https://aaa.openai.azure.com/",

        "Deployment": "myai",

        "APIKey": "aaa",

        "MaxRetries": 10

      }

    }

  },

  "Logging": {

    "LogLevel": {

      "Default": "Warning"

    }

  },

  "AllowedHosts": "*"

}

详细可参考文档： https://microsoft.github.io/kernel-memory/quickstart/configuration

启动 Service 后，可以看到以下 swagger 界面。

然后编写代码连接到知识库系统，推送要处理的网页地址给 Service。创建一个项目，引入 Microsoft.KernelMemory.WebClient 包。

然后按照以下代码将文档推送给 Service 处理。

// 前面部署的 Service 地址，和自定义的密钥。

var memory = new MemoryWebClient(endpoint: "http://localhost:9001/", apiKey: "自定义密钥1");

// 导入网页

await memory.ImportWebPageAsync(

	"https://baike.baidu.com/item/比特币挖矿机/12536531",

	documentId: "doc02");

Console.WriteLine("正在处理文档，请稍等...");

// 使用 AI 处理网页知识

while (!await memory.IsDocumentReadyAsync(documentId: "doc02"))

{

	await Task.Delay(TimeSpan.FromMilliseconds(1500));

}

// 提问

var answer = await memory.AskAsync("比特币是什么？");

Console.WriteLine($"\nAnswer: {answer.Result}");

此外还有 ImportTextAsync、ImportDocumentAsync 来个导入知识的方法。

手动处理文档

本节内容稍多，主要讲解如何使用 Kernel Memory 从将文档导入、生成向量、存储向量、搜索问题等。

新建项目，安装 Microsoft.KernelMemory.Core 库。

为了便于演示，下面代码将文档和向量临时存储，不使用数据库存储。

全部代码示例如下：

using Microsoft.KernelMemory;

using Microsoft.KernelMemory.MemoryStorage.DevTools;

using Microsoft.SemanticKernel;

using Microsoft.SemanticKernel.Connectors.OpenAI;

var memory = new KernelMemoryBuilder()

	// 文档解析后的向量存储位置，可以选择 Postgres 等，

	// 这里选择使用本地临时文件存储向量

	.WithSimpleVectorDb(new SimpleVectorDbConfig

	{

		Directory = "aaa"

	})

	// 配置文档解析向量模型

	.WithAzureOpenAITextEmbeddingGeneration(new AzureOpenAIConfig

	{

		Deployment = "aitext",

		Endpoint = "https://aaa.openai.azure.com/",

		Auth = AzureOpenAIConfig.AuthTypes.APIKey,

		APIType = AzureOpenAIConfig.APITypes.EmbeddingGeneration,

		APIKey = "aaa"

	})

	// 配置文本生成模型

	.WithAzureOpenAITextGeneration(new AzureOpenAIConfig

	{

		Deployment = "myai",

		Endpoint = "https://aaa.openai.azure.com/",

		Auth = AzureOpenAIConfig.AuthTypes.APIKey,

		APIKey = "aaa",

		APIType = AzureOpenAIConfig.APITypes.ChatCompletion

	})

	.Build();

// 导入网页

await memory.ImportWebPageAsync(

	"https://baike.baidu.com/item/比特币挖矿机/12536531",

	documentId: "doc02");

// Wait for ingestion to complete, usually 1-2 seconds

Console.WriteLine("正在处理文档，请稍等...");

while (!await memory.IsDocumentReadyAsync(documentId: "doc02"))

{

	await Task.Delay(TimeSpan.FromMilliseconds(1500));

}

// Ask a question

var answer = await memory.AskAsync("比特币是什么？");

Console.WriteLine($"\nAnswer: {answer.Result}");

首先使用 KernelMemoryBuilder 构建配置，配置的内容比较多，这里会使用到两个模型，一个是向量模型，一个是文本生成模型（可以使用对话模型，如 gpt-4-32k）。

接下来，按照该程序的工作流程讲解各个环节的相关知识。

首先是讲解将文件存储到哪里，也就是导入文件之后，将文件存储到哪里，存储文件的接口是 IContentStorage，目前有两个实现：

AzureBlobsStorage

// 存储到目录

SimpleFileStorage

使用方法：

var memory = new KernelMemoryBuilder()

.WithSimpleFileStorage(new SimpleFileStorageConfig

	{

		Directory = "aaa"

	})

	.WithAzureBlobsStorage(new AzureBlobsConfig

	{

		Account = ""

	})

	...

Kernel Memory 还不支持 Mongodb，不过可以自己使用 IContentStorage 接口写一个。

本地解析文档后，会进行分段，如右边的 q 列所示。

接着是，配置文档生成向量模型，导入文件文档后，在本地提取出文本，需要使用 AI 模型从文本中生成向量。

解析后的向量是这样的：

将文本生成向量，需要使用 ITextEmbeddingGenerator 接口，目前有两个实现：

AzureOpenAITextEmbeddingGenerator

OpenAITextEmbeddingGenerator

示例：

var memory = new KernelMemoryBuilder()

// 配置文档解析向量模型

	.WithAzureOpenAITextEmbeddingGeneration(new AzureOpenAIConfig

	{

		Deployment = "aitext",

		Endpoint = "https://xxx.openai.azure.com/",

		Auth = AzureOpenAIConfig.AuthTypes.APIKey,

		APIType = AzureOpenAIConfig.APITypes.EmbeddingGeneration,

		APIKey = "xxx"

	})

	.WithOpenAITextEmbeddingGeneration(new OpenAIConfig

	{

        ... ...

	})

生成向量后，需要存储这些向量，需要实现 IMemoryDb 接口，有以下配置可以使用：

	// 文档解析后的向量存储位置，可以选择 Postgres 等，

	// 这里选择使用本地临时文件存储向量

	.WithSimpleVectorDb(new SimpleVectorDbConfig

	{

		Directory = "aaa"

	})

	.WithAzureAISearchMemoryDb(new AzureAISearchConfig

	{

	})

	.WithPostgresMemoryDb(new PostgresConfig

	{

	})

	.WithQdrantMemoryDb(new QdrantConfig

	{

	})

	.WithRedisMemoryDb("host=....")

当用户提问时，首先会在这里的 IMemoryDb 调用相关方法查询文档中的向量、索引等，查找出相关的文本。

查出相关的文本后，需要发送给 AI 处理，需要使用 ITextGenerator 接口，目前有两个实现：

AzureOpenAITextGenerator

OpenAITextGenerator

配置示例：

	// 配置文本生成模型

	.WithAzureOpenAITextGeneration(new AzureOpenAIConfig

	{

		Deployment = "myai",

		Endpoint = "https://aaa.openai.azure.com/",

		Auth = AzureOpenAIConfig.AuthTypes.APIKey,

		APIKey = "aaa",

		APIType = AzureOpenAIConfig.APITypes.ChatCompletion

	})

导入文档时，首先将文档提取出文本，然后进行分段。

将每一段文本使用向量模型解析出向量，存储到 IMemoryDb 接口提供的服务中，如 Postgres数据库。

提问问题或搜索内容时，从 IMemoryDb 所在的位置搜索向量，查询到相关的文本，然后将文本收集起来，发送给 AI（使用文本生成模型），这些文本相对于提示词，然后 AI 从这些提示词中学习并回答用户的问题。

详细源码可以参考 Microsoft.KernelMemory.Search.SearchClient ，由于源码比较多，这里就不赘述了。

这样说，大家可能不太容易理解，我们可以用下面的代码做示范。

// 导入文档

await memory.ImportDocumentAsync(

	"aaa/(完整版)基础财务知识.docx",

	documentId: "doc02");

Console.WriteLine("正在处理文档，请稍等...");

while (!await memory.IsDocumentReadyAsync(documentId: "doc02"))

{

	await Task.Delay(TimeSpan.FromMilliseconds(1500));

}

var answer1 = await memory.SearchAsync("报表怎么做？");

// 每个 Citation 表示一个文档文件

foreach (Citation citation in answer1.Results)

{

	// 与搜索关键词相关的文本

	foreach(var partition in citation.Partitions)

	{

		Console.WriteLine(partition.Text);

	}

}

var answer2 = await memory.AskAsync("报表怎么做？");

Console.WriteLine($"\nAnswer: {answer2.Result}");

读者可以在 foreach 这里做个断点，当用户问题 “报表怎么做？” 时，搜索出来的相关文档。

然后再参考 Fastgpt 的搜索配置，可以自己写一个这样的知识库系统。

万字长文学会对接 AI 模型：Semantic Kernel 和 Kernel Memory，工良出品，超简单的教程的更多相关文章

  1. 万字长文解析Scaled YOLOv4模型(YOLO变体模型)

    一,Scaled YOLOv4 摘要 1,介绍 2,相关工作 2.1,模型缩放 3,模型缩放原则 3.1,模型缩放的常规原则 3.2,为低端设备缩放的tiny模型 3.3,为高端设备缩放的Large模 ...

  2. 性能追击：万字长文30+图揭秘8大主流服务器程序线程模型 | Node.js,Apache,Nginx,Netty,Redis,Tomcat,MySQL,Zuul

    本文为<高性能网络编程游记>的第六篇"性能追击:万字长文30+图揭秘8大主流服务器程序线程模型". 最近拍的照片比较少,不知道配什么图好,于是自己画了一个,凑合着用,让 ...

  3. 万字长文：从计算机本源深入探寻volatile和Java内存模型

    万字长文:从计算机本源深入探寻volatile和Java内存模型 前言 在本篇文章当中,主要给大家深入介绍Volatile关键字和Java内存模型.在文章当中首先先介绍volatile的作用和Java ...

  4. 万字长文，以代码的思想去详细讲解yolov3算法的实现原理和训练过程，Visdrone数据集实战训练

    以代码的思想去详细讲解yolov3算法的实现原理和训练过程,并教使用visdrone2019数据集和自己制作数据集两种方式去训练自己的pytorch搭建的yolov3模型,吐血整理万字长文,纯属干货 ...

  5. CANN5.0黑科技解密 | 别眨眼！缩小隧道，让你的AI模型“身轻如燕”！

    摘要:CANN作为释放昇腾硬件算力的关键平台,通过深耕先进的模型压缩技术,聚力打造AMCT模型压缩工具,在保证模型精度前提下,不遗余力地降低模型的存储空间和计算量. 随着深度学习的发展,推理模型巨大的 ...

  6. 学会提示-AI时代职场必修课

    作者:京东 何雨航 " 上个时代要学会提问,这个时代要学会提示." 引言 当你在写提数代码时,小张已经完成了数据分析:当你正在整理材料时,小王却在和对象逛环球影城:述职时,你发现小 ...

  7. Microsoft宣布为Power BI提供AI模型构建器，关键驱动程序分析和Azure机器学习集成

    微软的Power BI现在是一种正在大量结合人工智能(AI)的商业分析服务,它使用户无需编码经验或深厚的技术专长就能够创建报告,仪表板等.近日西雅图公司宣布推出几款新的AI功能,包括图像识别和文本分析 ...

  8. 炸金花游戏(3)--基于EV(期望收益)的简单AI模型

    前言: 炸金花这款游戏, 从技术的角度来说, 比德州差了很多. 所以他的AI模型也相对简单一些. 本文从EV(期望收益)的角度, 来尝试构建一个简单的炸金花AI. 相关文章: 德州扑克AI--Prog ...

  9. 让你的AI模型尽可能的靠近数据源

    来源:Redislabs作者:Pieter Cailliau.LucaAntiga翻译:Kevin (公众号:中间件小哥) 简介 今天我们发布了一个 RedisAI 的预览版本,预集成了[tensor ...

  10. 最强云硬盘来了，让AI模型迭代从1周缩短到1天

    摘要:华为云擎天架构+ Flash-Native存储引擎+低时延CurreNET,数据存储和处理还有啥担心的? 虽然我们已经进入大数据时代,但多数企业数据利用率只有10%,数据的价值没有得到充分释放. ...

随机推荐

  1. 将自签名创建的ca证书 添加到linux的授信证书列表的办法

    第一步: 将ca 证书 从cert 格式转换成pem格式 openssl x509 -in ca.crt -out ca.pem -outform PE 第二步: 将ca 证书导入至系统中来 cat ...

  2. 【小测试】rust中的无符号整数溢出

    作者:张富春(ahfuzhang),转载时请注明作者和引用链接,谢谢! cnblogs博客 zhihu Github 公众号:一本正经的瞎扯 1.在编译阶段就可以识别出来的溢出 fn main(){ ...

  3. js下载附件（文件时候），文件名一直不出现乱码

    if (lastUrl.name) { //我们后端很奇怪有时候是个对象属性,有时候是个string window.open(url + `?attname=${lastUrl.name}`); } ...

  4. SqlSugar联表查询

    Join用法 语法糖1.2和3 在Where OrderBy GroupBy Select用法都一样的,他们区别就在JOIN的方式不一样,其它都一样 语法糖1 优点:好理解,5个表以内的联表非常爽,支 ...

  5. Win32汇编：算数运算指令总结

    整理复习汇编语言的知识点,以前在学习<Intel汇编语言程序设计 - 第五版>时没有很认真的整理笔记,主要因为当时是以学习理解为目的没有整理的很详细,这次是我第三次阅读此书,每一次阅读都会 ...

  6. 推荐一款开源的Diffy自动化测试框架

    1. 前言 软件测试是软件开发生命周期一个十分重要的环节,测试工作开展的好坏,很大程度上决定了产品质量的好坏,但软件产品随着版本的持续迭代,功能日益增多,系统愈加复杂,而从质量保障的角度,除了要保障好 ...

  7. 理论与实战：一篇看懂Python词云

    理论与实战:一篇看懂Python词云 后宫王镇贴 前言:本文初编辑于2024年2月2日 该项目代码的仓库地址:https://github.com/A-Piece-Of-Maple/WordCloud ...

  8. 教你用JavaScript实现调皮的字母

    案例介绍 欢迎来到我的小院,我是霍大侠,恭喜你今天又要进步一点点了!我们来用JavaScript编程实战案例,制作提高打字速度的小游戏-调皮的字母.点击与屏幕上字母相对应的按键,若按键与出现的字母一致 ...

  9. 小知识：统计Oracle的日归档量

    首先这对于Oracle DBA来说是个初级问题,即使不熟悉的初级DBA也可以快速在网上搜索到现成的SQL语句. 网上搜到的查询SQL基本类似这样的逻辑: select trunc(completion ...

  10. 监听yaml配置

    接下来我们试试从yaml文件中读取配置,当然这不是动态配置分发的好方式 别急,一口吃不成大胖子 这里其实会为大家介绍不少东西: 如何引入第三方库以及配置openresty lua 文件读取 yaml ...