Semantic Kernel & Kernel Memory 入门系列 ❤️‍

一、从基础概念说起：什么是 Semantic Kernel？在人工智能快速发展的今天，开发者需要一种高效的方式来集成大语言模型（LLM）到应用中。Semantic Kernel 是微软推出的一个轻量级 SDK，它像一座桥梁，连接了你的代码与 AI 模型。它的核心思想是：让 AI 成为你代码中的“协作者”，而不是一个黑盒。### 核心要素：-Kernel：核心对象，负责管理 AI 服务、内存和插件。-Plugins：插件，可以是原生代码或语义函数，用于扩展 AI 能力。-Memory：记忆系统，用于存储和检索上下文信息。### 安装环境首先，确保你已经安装了 Python 3.8+，然后运行：bashpip install semantic-kernel## 二、第一个示例：创建一个简单的对话 Kernel让我们从最基础的开始——初始化一个 Kernel 并让它回答简单问题。python# 导入 Semantic Kernel 库import semantic_kernel as skfrom semantic_kernel.connectors.ai.open_ai import AzureChatCompletion, OpenAIChatCompletion# 1. 创建 Kernel 实例kernel = sk.Kernel()# 2. 配置 AI 服务（以 OpenAI 为例）# 请将下面的 API_KEY 替换为你的实际密钥api_key = "your-api-key-here"service_id = "gpt-3.5-turbo"kernel.add_chat_service( service_id, OpenAIChatCompletion(service_id, api_key))# 3. 定义语义函数（让 AI 执行任务）prompt = "请用一句话解释什么是 Semantic Kernel？"response = await kernel.run_function( prompt, service_id=service_id)# 4. 输出结果print(f"AI 回答：{response.result}")运行结果示例：AI 回答：Semantic Kernel 是一个轻量级框架，帮助开发者将大语言模型集成到应用中，实现智能编排。这个例子展示了最基本的流程：初始化 → 配置服务 → 调用函数。注意，这里我们使用了await关键字，因为 AI 调用是异步的。## 三、进阶概念：Kernel Memory 的力量Kernel Memory 是 Semantic Kernel 的“记忆系统”。它允许你的应用记住过去的对话、文档知识或用户偏好，从而实现更智能的交互。想象一下，如果你让 AI 记住你上次聊天的内容，它就能给出更连贯的回答。### Memory 的核心组件：-Memory Store：存储记忆的数据库（如向量数据库）。-Memory Plugin：将记忆集成到 Kernel 中的插件。-Embedding：将文本转化为向量，用于相似度搜索。## 四、第二个示例：带有记忆的问答系统这个示例将展示如何让 Kernel 记住一段文本，并在后续对话中引用它。pythonimport semantic_kernel as skfrom semantic_kernel.connectors.ai.open_ai import OpenAIChatCompletionfrom semantic_kernel.memory import SemanticTextMemory, VolatileMemoryStorefrom semantic_kernel.connectors.memory.volatile import VolatileMemoryStore# 1. 初始化 Kernel 和记忆系统kernel = sk.Kernel()api_key = "your-api-key-here"service_id = "gpt-3.5-turbo"kernel.add_chat_service(service_id, OpenAIChatCompletion(service_id, api_key))# 2. 创建记忆存储（使用内存中的易失性存储，适合测试）memory_store = VolatileMemoryStore()memory = SemanticTextMemory(storage=memory_store, embeddings_kwargs={"service_id": service_id})kernel.import_memory(memory)# 3. 向记忆中添加知识knowledge_text = "Alice 最喜欢的编程语言是 Python，她每天写代码 3 小时。"await memory.save_information_async( collection="user_profiles", text=knowledge_text, id="alice_info")# 4. 创建带记忆的语义函数prompt = "根据记忆，Alice 有什么特点？"context_variables = sk.ContextVariables()context_variables["memory_query"] = "Alice 的编程习惯"response = await kernel.run_function( prompt, service_id=service_id, input_context=context_variables)# 5. 输出结果print(f"AI 回答：{response.result}")# 输出示例：Alice 最喜欢的编程语言是 Python，她每天写代码 3 小时。关键点解释：-VolatileMemoryStore是内存中的存储，重启后会丢失。生产环境建议使用AzureCognitiveSearchMemoryStore等持久化方案。-save_information_async将知识以向量形式存储，后续可以通过相似度搜索检索。- 记忆查询是隐式的——Kernel 会自动将memory_query转化为向量搜索，找到最相关的记忆片段。## 五、高级用法：自定义插件与记忆融合当你的应用需要处理复杂业务逻辑时，可以创建自定义插件。例如，一个“客户支持机器人”插件可以同时访问记忆和 API。python# 自定义插件示例（简化版）from semantic_kernel.skill_definition import sk_functionclass CustomerSupportPlugin: @sk_function( description="根据用户问题，从记忆中检索相关知识并生成回答" ) async def answer_question(self, context: sk.SKContext) -> str: # 从上下文中获取记忆 memory = context.memory query = context["user_question"] # 在记忆库中搜索 results = await memory.search_async( collection="knowledge_base", query=query, limit=3 ) # 将检索到的知识拼接到提示中 context["knowledge"] = "\n".join([r.text for r in results]) prompt = f"基于以下知识回答问题：\n{context['knowledge']}\n\n问题：{query}" # 调用 AI 生成回答 return await kernel.run_function(prompt, service_id="gpt-3.5-turbo")# 注册插件kernel.import_skill(CustomerSupportPlugin(), skill_name="support")## 六、总结：从入门到实战的旅程通过本系列，我们完成了从零基础到中级应用的跨越：1.基础概念：理解了 Kernel 作为 AI 编排核心，以及插件和记忆如何扩展功能。2.第一个示例：学会了如何用 5 行代码让 AI 回答问题。3.记忆系统：掌握了SemanticTextMemory的用法，让应用具备上下文感知能力。4.进阶实战：看到了如何将记忆与自定义插件结合，构建智能业务系统。Semantic Kernel 的魅力在于它的模块化设计——你可以像搭积木一样组合不同组件。下一步，建议你尝试：- 使用AzureCognitiveSearch实现持久化记忆。- 结合Planner实现多步任务自动规划。- 将记忆与Chain of Thought技术结合，提升推理质量。记住，AI 不是魔法，而是工具。Semantic Kernel 给了你一套精良的工具箱，剩下的就看你的创造力了！🚀