很多情况都有这样的需求，使用自有系统数据训练大模型，然后在系统实际业务场景中使用AI大模型处理一些业务，那么SK正是你想要的。

一、Semantic Kernel

官方定义

Semantic Kernel (SK) is a lightweight SDK enabling integration of AI Large Language Models (LLMs) with conventional programming languages.
The SK extensible programming model combines natural language semantic functions, traditional code native functions, and embeddings-based memory unlocking new potential and adding value to applications with AI. https://github.com/microsoft/semantic-kernel

有道翻译：Semantic Kernel （语义内核，简称SK）是一个轻量级 SDK，支持将 AI 大型语言模型 (LLM) 与传统编程语言集成。SK 可扩展编程模型结合了自然语言语义函数、传统代码原生函数和基于嵌入的内存，释放了新的潜力并为 AI 应用程序增加了价值。

SK能做什么？

1、SK是微软研发的一个开源的，面向大模型的开发框架（SDK）
2、它支持你用不同开发语言，支持C#、Python、Java，基于 OpenAI API、Azure OpenAI API、Huggingface 开发大模型应用。
3、SK提供自定义插件、编排计划、信息存储至数据库（如SQLite、MongoDB、Redis、Postgres等）。

总之，SK可以将AI与你的业务紧密结合起来，在你的系统中加入大模型实现自定义功能。

二、基本使用

1、普通对话

新建.Net8WebApi项目，并且引入Nuget包

Microsoft.SemanticKernel
OllamaSharp

OllamaSharp是Ollama提供的一个.NET库，使得.NET开发者能够通过C#与Ollama API进行交互，轻松地将AI功能与业务系统进行整合。https://github.com/awaescher/OllamaSharp

新建一个Ollama的聊天模型类，继承自SK的IChatCompletionService

IChatCompletionService 是 SemanticKernel 库中的一个接口，它定义了一组方法用于与聊天模型交互，完成生成对话响应的任务。这个接口是 SemanticKernel 为了支持不同聊天服务提供商而设计的抽象层，允许用户灵活地切换后端模型，而不必修改应用的核心逻辑。在 SemanticKernel 中，你可以通过依赖注入（Dependency Injection, DI）获取实现了 IChatCompletionService 接口的具体服务实例，例如连接到 OpenAI 的 OpenAIChatCompletionService。这使得开发者能够轻易地在不同的聊天模型服务之间进行切换，比如从OpenAI切换到阿里云的DashScope服务，只要实现了相应的适配器并注册到DI容器中即可。
具体来说，IChatCompletionService 可能会包含如下方法：

public class OllamaChatCompletionService : IChatCompletionService//ITextGenerationService、ITextEmbeddingGenerationService
{public IReadOnlyDictionary<string, object?> Attributes => throw new NotImplementedException();public async Task<IReadOnlyList<ChatMessageContent>> GetChatMessageContentsAsync(ChatHistory chatHistory, PromptExecutionSettings? executionSettings = null, Kernel? kernel = null, CancellationToken cancellationToken = default){var ollama = new OllamaApiClient("http://192.168.5.234:11434", "gemma:7b");//gemma:7b、llama3var chat = new Chat(ollama, _ => { });var lastMessage = chatHistory.LastOrDefault();string question = lastMessage.Content;var history = (await chat.Send(question, CancellationToken.None)).ToArray();var last = history.Last();var chatResponse = last.Content;return new List<ChatMessageContent> { new ChatMessageContent(AuthorRole.Assistant, chatResponse) };}public IAsyncEnumerable<StreamingChatMessageContent> GetStreamingChatMessageContentsAsync(ChatHistory chatHistory, PromptExecutionSettings? executionSettings = null, Kernel? kernel = null, CancellationToken cancellationToken = default){throw new NotImplementedException();}
}

以上代码中的IP地址为Ollama的地址。

然后在Controller中调用大模型

[HttpGet]
public async Task<string> Ollama(string prompt)
{var builder = Kernel.CreateBuilder();builder.Services.AddKeyedSingleton<IChatCompletionService>("ollamaChat", new OllamaChatCompletionService());var kernel = builder.Build();var response = await kernel.InvokePromptAsync(prompt);return response.GetValue<string>();
}

2、使用插件实现文本翻译功能

新建插件目录

翻译英文的配置：
config.json

{"schema": 1,"type": "completion","description": "把一个语言翻译成英文",//"completion": {//  "max_tokens": 200,//限制生成文本的最大长度为200个token（token是自然语言处理中词语的基本单位，如单词或标点符号）。这意味着模型生成的回应不会超过这个长度。//  "temperature": 0.5,// 控制生成文本的随机性。值越低（接近0），生成的结果越保守、更可预测；值越高，则生成的文本越多样、随机。0.5是一个平衡值，既有一定的创造性又相对可控。//  "top_p": 0.0,// 这个参数与temperature一起使用控制采样过程，当top_p非零时，会按照概率分布选取最可能的tokens，直到累积概率达到top_p。设为0.0表示不使用该采样方法，而可能依赖于其他如温度的设置来决定生成策略。//  "presence_penalty": 0.0,// 对于已出现在生成文本中的词，增加其后续出现的惩罚分数。值大于0可以鼓励模型避免重复，保持文本多样性。这里设置为0意味着没有此惩罚。//  "frequency_penalty": 0.0,//类似于presence_penalty，但针对整个文本中词的频率。也是为了防止文本重复，值大于0时减少高频词的出现概率。此处同样设为0，不施加此惩罚。//},"input": {"parameters": [{"name": "input","description": "内容变成了英文","defaultValue": ""}]}
}

skprompt.txt

将以下内容翻译成英文，仅返回翻译结果:
{{$input}}

调用插件

[HttpGet]
public async Task<IActionResult> Translate(string input, string language)
{var builder = Kernel.CreateBuilder();builder.Services.AddKeyedSingleton<IChatCompletionService>("ollamaChat", new OllamaChatCompletionService());var kernel = builder.Build();var pluginsDirectory = Path.Combine(AppContext.BaseDirectory, "plugins", "Translate");var translatePlugin = kernel.ImportPluginFromPromptDirectory(pluginsDirectory);var response = await kernel.InvokeAsync(translatePlugin[language], new() { ["input"] = input });return Ok(response.GetValue<string>());
}

运行结果

三、IChatCompletionService、ITextGenerationService、ITextEmbeddingGenerationService

AI生成部分

IChatCompletionService、ITextGenerationService、ITextEmbeddingGenerationService分别用于实现聊天补全服务、文本生成服务和文本嵌入生成服务。Semantic Kernel是一个.NET库，旨在帮助开发者构建理解自然语言并能够进行智能对话的应用程序。

IChatCompletionService

• 定义与作用：IChatCompletionService接口在Semantic
  Kernel中负责处理聊天补全的服务。这意味着它可以帮助程序根据历史对话内容生成新的聊天消息，从而维持流畅的对话体验。
• 实现方法：要实现这个接口，需要提供两个关键方法：GetChatMessageContentsAsync和GetStreamingChatMessageContentsAsync。这两个方法分别用于异步获取聊天消息内容和流式聊天消息内容。
• 扩展性：通过实现IChatCompletionService接口，开发者可以集成不同的AI模型服务，如OpenAI、Azure
  OpenAI或阿里云的DashScope等，以提供更丰富的聊天功能。
• 应用案例：例如，在实现一个支持DashScope的聊天服务时，开发者需要将Semantic
  Kernel的ChatHistory对象转换为DashScope可以理解的格式，并将DashScope返回的结果转换回Semantic
  Kernel期望的格式。
• 技术挑战：实现此接口的挑战在于正确处理不同AI服务之间的数据格式转换，以及确保高效的异步通信和错误处理。

ITextGenerationService

• 定义与作用：ITextGenerationService接口负责文本生成的任务。它可以生成给定提示下的文本内容，通常用于自动完成用户输入的句子或生成新的文本内容。
• 实现方法：此接口的主要方法是GetTextContentAsync，它接收文本生成的相关设置和参数，然后返回生成的文本内容。
• 区别：与IChatCompletionService相比，ITextGenerationService更侧重于单次文本生成而不是维持对话上下文。
• 应用场景：可用于自动回复邮件、生成文章草稿或在客服系统中提供标准回答等场景。
  技术细节：在实现该接口时，需要注意模型的选择、参数配置以及如何处理生成文本的质量和多样性。

ITextEmbeddingGenerationService

• 定义与作用：ITextEmbeddingGenerationService接口在Semantic
  Kernel中负责生成文本嵌入。文本嵌入是将文本内容转化为数值形式（通常是向量），以便机器学习模型能够处理。
• 实现方法：尽管具体的接口方法未在搜索结果中明确列出，但通常包括生成嵌入的方法，接受文本作为输入并返回其嵌入表示。
• 应用场景：文本嵌入广泛应用于自然语言处理任务中，如文本分类、聚类、相似度分析等。
• 技术挑战：实现此接口的挑战在于选择合适的嵌入模型和算法，以及优化嵌入的性能和准确性