2.4. semantic kernel集成AI服务

Semantic Kernel 的一个主要功能是能够向Kernel添加不同的 AI 服务。这使您可以轻松切换不同的 AI 服务，以比较它们的性能，并利用最适合您需求的模型。在本节中，我们将提供示例代码，展示如何向内核添加不同的 AI 服务。

在 Semantic Kernel 内部，针对最常见的 AI 任务提供了相应的接口。下表列出了每个 SDK 支持的 AI 服务。

服务

Python

Java

Chat completion

✅

Text generation

✅

Embedding generation (Exp.)

✅

Text-to-image (Exp.)

✅

❌

Image-to-text (Exp.)

✅

❌

Text-to-audio (Exp.)

✅

❌

Audio-to-text (Exp.)

✅

❌

Realtime (Exp.)

❌

✅

❌

Chat Completion

通过聊天补全（Chat Completion），您可以模拟与AI代理的往返对话。这不仅适用于创建聊天机器人，还可以用于构建自主代理，以执行业务流程、生成代码等。作为 OpenAI、Google、Mistral、Facebook 等公司提供的主要模型类型，聊天补全是您在 Semantic Kernel 项目中最常添加的 AI 服务。

在选择**聊天补全（Chat Completion）**模型时，您需要考虑以下因素：

模型支持哪些形态（例如：文本、图像、音频等）？是否支持函数调用（Function Calling）？生成和接收 token 的速度如何？每个 token 的成本是多少？重要提示在上述所有问题中，最关键的是模型是否支持函数调用。如果不支持，您将无法使用该模型来调用现有代码。

目前，OpenAI、Google、Mistral 和 Amazon 的大部分最新模型均支持函数调用，但小型语言模型的支持仍然有限。

设置本地环境变量

某些 AI 服务可以本地部署，并可能需要一些设置。以下是支持本地部署的服务的相关指南。

可以在本地设置的AI服务

某些 AI 服务可以本地部署，并可能需要一些设置。以下是支持本地部署的服务的相关指南。

Service

是否支持本地

Azure OpenAI

不支持

OpenAI

不支持

Mistral

不支持

Google

不支持

Hugging Face

不支持

Azure AI Inference

不支持

Ollama

✅ 支持使用docker本地设置

Ollama 本地设置

要使用 Docker 在本地运行 Ollama，请使用以下命令启动一个使用 CPU 的容器：

docker run -d -v "c:\temp\ollama:/root/.ollama" -p 11434:11434 --name ollama ollama/ollama

要使用 GPU 加速运行，请使用以下命令：

docker run -d --gpus=all -v "c:\temp\ollama:/root/.ollama" -p 11434:11434 --name ollama ollama/ollama

启动容器后，在 Docker 容器内打开终端：

如果使用 Docker Desktop，请从操作中选择“在终端中打开”。

然后，下载所需的模型，例如 phi3 模型：

ollama pull phi3

安装 AI 服务所需的包

在向您的 Semantic Kernel 添加Chat Completion之前，您需要安装必要的包。以下是每个 AI 服务提供商所需的包。

AI Service

Required Package

Azure OpenAI

Microsoft.SemanticKernel.Connectors.AzureOpenAI

OpenAI

Microsoft.SemanticKernel.Connectors.OpenAI

Mistral

Microsoft.SemanticKernel.Connectors.MistralAI

Google

Microsoft.SemanticKernel.Connectors.Google

Hugging Face

Microsoft.SemanticKernel.Connectors.HuggingFace

Azure AI Inference

Microsoft.SemanticKernel.Connectors.AzureAIInference

Ollama

Microsoft.SemanticKernel.Connectors.Ollama

Anthropic

Microsoft.SemanticKernel.Connectors.Anthropic

要安装 Azure OpenAI 所需的包，请使用以下命令：

dotnet add package Microsoft.SemanticKernel.Connectors.AzureOpenAI

要安装 OpenAI 所需的包，请使用以下命令：

dotnet add package Microsoft.SemanticKernel.Connectors.OpenAI

要安装 Mistral 所需的包，请使用以下命令：

dotnet add package Microsoft.SemanticKernel.Connectors.MistralAI

要安装 Google 所需的包，请使用以下命令：

dotnet add package Microsoft.SemanticKernel.Connectors.Google

要安装 Hugging Face 所需的包，请使用以下命令：

dotnet add package Microsoft.SemanticKernel.Connectors.HuggingFace

要安装 Azure AI Inference 所需的包，请使用以下命令：

dotnet add package Microsoft.SemanticKernel.Connectors.AzureAIInference

要安装 Ollama 所需的包，请使用以下命令：

dotnet add package Microsoft.SemanticKernel.Connectors.Ollama

要安装 Anthropic 所需的包，请使用以下命令：

dotnet add package Microsoft.SemanticKernel.Connectors.Anthropic

创建Chat Completion服务

现在，您已经安装了必要的包，可以创建聊天补全（Chat Completion）服务。以下是使用 Semantic Kernel 创建聊天补全服务的几种方法。

直接添加到 Kernel

要添加聊天补全（Chat Completion）服务，可以使用以下代码将其添加到 Kernel 的内部服务提供程序。

Azure OpenAI 服务

using Microsoft.SemanticKernel;

IKernelBuilder kernelBuilder = Kernel.CreateBuilder();
kernelBuilder.AddAzureOpenAIChatCompletion(
    deploymentName: "NAME_OF_YOUR_DEPLOYMENT",
    apiKey: "YOUR_API_KEY",
    endpoint: "YOUR_AZURE_ENDPOINT",
    modelId: "gpt-4", 
    serviceId: "YOUR_SERVICE_ID", 
    httpClient: new HttpClient()
);
Kernel kernel = kernelBuilder.Build();

OpenAI 服务

using Microsoft.SemanticKernel;

IKernelBuilder kernelBuilder = Kernel.CreateBuilder();
kernelBuilder.AddOpenAIChatCompletion(
    modelId: "gpt-4",
    apiKey: "YOUR_API_KEY",
    orgId: "YOUR_ORG_ID", // Optional
    serviceId: "YOUR_SERVICE_ID", // Optional; for targeting specific services within Semantic Kernel
    httpClient: new HttpClient() // Optional; if not provided, the HttpClient from the kernel will be used
);
Kernel kernel = kernelBuilder.Build();

Mistral 服务

using Microsoft.SemanticKernel;

#pragma warning disable SKEXP0070
IKernelBuilder kernelBuilder = Kernel.CreateBuilder();
kernelBuilder.AddMistralChatCompletion(
    modelId: "NAME_OF_MODEL",
    apiKey: "API_KEY",
    endpoint: new Uri("YOUR_ENDPOINT"), // Optional
    serviceId: "SERVICE_ID", // Optional; for targeting specific services within Semantic Kernel
    httpClient: new HttpClient() // Optional; for customizing HTTP client
);
Kernel kernel = kernelBuilder.Build();

Google服务

using Microsoft.SemanticKernel;
using Microsoft.SemanticKernel.Connectors.Google;

#pragma warning disable SKEXP0070
IKernelBuilder kernelBuilder = Kernel.CreateBuilder();
kernelBuilder.AddGoogleAIGeminiChatCompletion(
    modelId: "NAME_OF_MODEL",
    apiKey: "API_KEY",
    apiVersion: GoogleAIVersion.V1, // Optional
    serviceId: "SERVICE_ID", // Optional; for targeting specific services within Semantic Kernel
    httpClient: new HttpClient() // Optional; for customizing HTTP client
);
Kernel kernel = kernelBuilder.Build();

HuggingFace服务

using Microsoft.SemanticKernel;

#pragma warning disable SKEXP0070
IKernelBuilder kernelBuilder = Kernel.CreateBuilder();
kernelBuilder.AddHuggingFaceChatCompletion(
    model: "NAME_OF_MODEL",
    apiKey: "API_KEY",
    endpoint: new Uri("YOUR_ENDPOINT"), // Optional
    serviceId: "SERVICE_ID", // Optional; for targeting specific services within Semantic Kernel
    httpClient: new HttpClient() // Optional; for customizing HTTP client
);
Kernel kernel = kernelBuilder.Build();

AzureAIInference服务

using Microsoft.SemanticKernel;

#pragma warning disable SKEXP0070
IKernelBuilder kernelBuilder = Kernel.CreateBuilder();
kernelBuilder.AddAzureAIInferenceChatCompletion(
    modelId: "NAME_OF_MODEL",
    apiKey: "API_KEY",
    endpoint: new Uri("YOUR_ENDPOINT"), // Optional
    serviceId: "SERVICE_ID", // Optional; for targeting specific services within Semantic Kernel
    httpClient: new HttpClient() // Optional; for customizing HTTP client
);
Kernel kernel = kernelBuilder.Build();

ollama服务

using Microsoft.SemanticKernel;

#pragma warning disable SKEXP0070
IKernelBuilder kernelBuilder = Kernel.CreateBuilder();
kernelBuilder.AddOllamaChatCompletion(
    modelId: "NAME_OF_MODEL",           // E.g. "phi3" if phi3 was downloaded as described above.
    endpoint: new Uri("YOUR_ENDPOINT"), // E.g. "http://localhost:11434" if Ollama has been started in docker as described above.
    serviceId: "SERVICE_ID"             // Optional; for targeting specific services within Semantic Kernel
);
Kernel kernel = kernelBuilder.Build();

Bedrock服务

using Microsoft.SemanticKernel;

#pragma warning disable SKEXP0070
IKernelBuilder kernelBuilder = Kernel.CreateBuilder();
kernelBuilder.AddBedrockChatCompletionService(
    modelId: "NAME_OF_MODEL",
    bedrockRuntime: amazonBedrockRuntime, // Optional; An instance of IAmazonBedrockRuntime, used to communicate with Azure Bedrock.
    serviceId: "SERVICE_ID"               // Optional; for targeting specific services within Semantic Kernel
);
Kernel kernel = kernelBuilder.Build();

使用依赖注入

如果您使用依赖注入（Dependency Injection），通常会希望将 AI 服务直接添加到服务提供程序（Service Provider）。这样做的好处是可以创建单例（Singleton） AI 服务，并在临时（Transient） Kernel 中重复使用它们。

Azure OpenAI 服务

using Microsoft.SemanticKernel;

var builder = Host.CreateApplicationBuilder(args);

builder.Services.AddAzureOpenAIChatCompletion(
    deploymentName: "NAME_OF_YOUR_DEPLOYMENT",
    apiKey: "YOUR_API_KEY",
    endpoint: "YOUR_AZURE_ENDPOINT",
    modelId: "gpt-4", // Optional name of the underlying model if the deployment name doesn't match the model name
    serviceId: "YOUR_SERVICE_ID" // Optional; for targeting specific services within Semantic Kernel
);

builder.Services.AddTransient((serviceProvider)=> {
    return new Kernel(serviceProvider);
});

OpenAI 服务

using Microsoft.SemanticKernel;

var builder = Host.CreateApplicationBuilder(args);

builder.Services.AddOpenAIChatCompletion(
    modelId: "gpt-4",
    apiKey: "YOUR_API_KEY",
    orgId: "YOUR_ORG_ID", // Optional; for OpenAI deployment
    serviceId: "YOUR_SERVICE_ID" // Optional; for targeting specific services within Semantic Kernel
);

builder.Services.AddTransient((serviceProvider)=> {
    return new Kernel(serviceProvider);
});

Mistral 服务

using Microsoft.SemanticKernel;

var builder = Host.CreateApplicationBuilder(args);

#pragma warning disable SKEXP0070
builder.Services.AddMistralChatCompletion(
    modelId: "NAME_OF_MODEL",
    apiKey: "API_KEY",
    endpoint: new Uri("YOUR_ENDPOINT"), // Optional
    serviceId: "SERVICE_ID" // Optional; for targeting specific services within Semantic Kernel
);

builder.Services.AddTransient((serviceProvider)=> {
    return new Kernel(serviceProvider);
});

Google服务

using Microsoft.SemanticKernel;
using Microsoft.SemanticKernel.Connectors.Google;

var builder = Host.CreateApplicationBuilder(args);

#pragma warning disable SKEXP0070
builder.Services.AddGoogleAIGeminiChatCompletion(
    modelId: "NAME_OF_MODEL",
    apiKey: "API_KEY",
    apiVersion: GoogleAIVersion.V1, // Optional
    serviceId: "SERVICE_ID" // Optional; for targeting specific services within Semantic Kernel
);

builder.Services.AddTransient((serviceProvider)=> {
    return new Kernel(serviceProvider);
});

HuggingFace服务

using Microsoft.SemanticKernel;

var builder = Host.CreateApplicationBuilder(args);

#pragma warning disable SKEXP0070
builder.Services.AddHuggingFaceChatCompletion(
    model: "NAME_OF_MODEL",
    apiKey: "API_KEY",
    endpoint: new Uri("YOUR_ENDPOINT"), // Optional
    serviceId: "SERVICE_ID" // Optional; for targeting specific services within Semantic Kernel
);

builder.Services.AddTransient((serviceProvider)=> {
    return new Kernel(serviceProvider);
});

AzureAIInference服务

using Microsoft.SemanticKernel;

var builder = Host.CreateApplicationBuilder(args);

#pragma warning disable SKEXP0070
builder.Services.AddAzureAIInferenceChatCompletion(
    modelId: "NAME_OF_MODEL",
    apiKey: "API_KEY",
    endpoint: new Uri("YOUR_ENDPOINT"), // Optional
    serviceId: "SERVICE_ID" // Optional; for targeting specific services within Semantic Kernel
);

builder.Services.AddTransient((serviceProvider)=> {
    return new Kernel(serviceProvider);
});

ollama服务

using Microsoft.SemanticKernel;

var builder = Host.CreateApplicationBuilder(args);

#pragma warning disable SKEXP0070
builder.Services.AddOllamaChatCompletion(
    modelId: "NAME_OF_MODEL",           // E.g. "phi3" if phi3 was downloaded as described above.
    endpoint: new Uri("YOUR_ENDPOINT"), // E.g. "http://localhost:11434" if Ollama has been started in docker as described above.
    serviceId: "SERVICE_ID"             // Optional; for targeting specific services within Semantic Kernel
);

builder.Services.AddTransient((serviceProvider)=> {
    return new Kernel(serviceProvider);
});

Bedrock服务

using Microsoft.SemanticKernel;

var builder = Host.CreateApplicationBuilder(args);

#pragma warning disable SKEXP0070
builder.Services.AddBedrockChatCompletionService(
    modelId: "NAME_OF_MODEL",
    bedrockRuntime: amazonBedrockRuntime, // Optional; An instance of IAmazonBedrockRuntime, used to communicate with Azure Bedrock.
    serviceId: "SERVICE_ID"               // Optional; for targeting specific services within Semantic Kernel
);

builder.Services.AddTransient((serviceProvider)=> {
    return new Kernel(serviceProvider);
});

单独创建实例（Creating Standalone Instances）

最后，您可以直接创建服务的实例，以便：稍后添加到 Kernel，或者直接在代码中使用，而无需将其注入到 Kernel 或服务提供程序中。

Azure OpenAI 服务

using Microsoft.SemanticKernel.Connectors.AzureOpenAI;

AzureOpenAIChatCompletionService chatCompletionService = new (
    deploymentName: "NAME_OF_YOUR_DEPLOYMENT",
    apiKey: "YOUR_API_KEY",
    endpoint: "YOUR_AZURE_ENDPOINT",
    modelId: "gpt-4", // Optional name of the underlying model if the deployment name doesn't match the model name
    httpClient: new HttpClient() // Optional; if not provided, the HttpClient from the kernel will be used
);

OpenAI 服务

using Microsoft.SemanticKernel.Connectors.OpenAI;

OpenAIChatCompletionService chatCompletionService = new (
    modelId: "gpt-4",
    apiKey: "YOUR_API_KEY",
    organization: "YOUR_ORG_ID", // Optional
    httpClient: new HttpClient() // Optional; if not provided, the HttpClient from the kernel will be used
);

Mistral 服务

using Microsoft.SemanticKernel.Connectors.MistralAI;

#pragma warning disable SKEXP0070
MistralAIChatCompletionService chatCompletionService = new (
    modelId: "NAME_OF_MODEL",
    apiKey: "API_KEY",
    endpoint: new Uri("YOUR_ENDPOINT"), // Optional
    httpClient: new HttpClient() // Optional; for customizing HTTP client
);

Google服务

using Microsoft.SemanticKernel.Connectors.Google;

#pragma warning disable SKEXP0070
GoogleAIGeminiChatCompletionService chatCompletionService = new (
    modelId: "NAME_OF_MODEL",
    apiKey: "API_KEY",
    apiVersion: GoogleAIVersion.V1, // Optional
    httpClient: new HttpClient() // Optional; for customizing HTTP client
);

HuggingFace服务

using Microsoft.SemanticKernel.Connectors.HuggingFace;

#pragma warning disable SKEXP0070
HuggingFaceChatCompletionService chatCompletionService = new (
    model: "NAME_OF_MODEL",
    apiKey: "API_KEY",
    endpoint: new Uri("YOUR_ENDPOINT") // Optional
);

AzureAIInference服务

using Microsoft.SemanticKernel.Connectors.AzureAIInference;

#pragma warning disable SKEXP0070
AzureAIInferenceChatCompletionService chatCompletionService = new (
    modelId: "YOUR_MODEL_ID",
    apiKey: "YOUR_API_KEY",
    endpoint: new Uri("YOUR_ENDPOINT"), // Used to point to your service
    httpClient: new HttpClient() // Optional; if not provided, the HttpClient from the kernel will be used
);

ollama服务

using Microsoft.SemanticKernel.ChatCompletion;
using OllamaSharp;

#pragma warning disable SKEXP0070
using var ollamaClient = new OllamaApiClient(
    uriString: "YOUR_ENDPOINT"    // E.g. "http://localhost:11434" if Ollama has been started in docker as described above.
    defaultModel: "NAME_OF_MODEL" // E.g. "phi3" if phi3 was downloaded as described above.
);

IChatCompletionService chatCompletionService = ollamaClient.AsChatCompletionService();

Bedrock服务

using Microsoft.SemanticKernel.Connectors.Amazon;

#pragma warning disable SKEXP0070
BedrockChatCompletionService chatCompletionService = new BedrockChatCompletionService(
    modelId: "NAME_OF_MODEL",
    bedrockRuntime: amazonBedrockRuntime // Optional; An instance of IAmazonBedrockRuntime, used to communicate with Azure Bedrock.
);

获取ChatCompletion服务

一旦您将聊天补全（Chat Completion）服务添加到 Kernel，就可以使用GetRequiredService方法来检索它。以下是从 Kernel 中检索聊天补全服务的示例代码。

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

使用Chat Completion服务

现在您已经拥有聊天补全（Chat Completion）服务，可以使用它来从 AI 代理生成响应。主要有两种使用方式：

非流式（Non-streaming）：等待服务生成完整的响应后，再返回给用户。
流式（Streaming）：响应会被逐步生成，并在创建的同时返回给用户。

以下是使用聊天补全服务生成响应的两种方式。

非流式ChatCompletion

要使用非流式（Non-streaming）聊天补全，您可以使用以下代码从 AI 代理生成响应。

ChatHistory history = [];
history.AddUserMessage("Hello, how are you?");

var response = await chatCompletionService.GetChatMessageContentAsync(
    history,
    kernel: kernel
);

流式ChatCompletion

要使用流式（Streaming）聊天补全，您可以使用以下代码从 AI 代理生成响应。

ChatHistory history = [];
history.AddUserMessage("Hello, how are you?");
var response = chatCompletionService.GetStreamingChatMessageContentsAsync(
    chatHistory: history,
    kernel: kernel
);

await foreach (var chunk in response)
{
    Console.Write(chunk);
}

聊天历史

创建一个ChatList对象

聊天历史对象本质上是一个列表，因此可以轻松创建并向其中添加消息。

using Microsoft.SemanticKernel.ChatCompletion;
// 创建一个聊天历史对象
ChatHistory chatHistory = [];
// 添加系统消息
chatHistory.AddSystemMessage("你是一个乐于助人的助手。");
// 添加用户消息
chatHistory.AddUserMessage("有什么可以点的？");
// 添加助手消息（AI 回复）
chatHistory.AddAssistantMessage("我们有披萨、意大利面和沙拉可供点餐。你想点什么？");
// 添加用户消息
chatHistory.AddUserMessage("我想要第一个选项，谢谢。");

丰富聊天消息内容

using Microsoft.SemanticKernel.ChatCompletion;
// 添加系统消息
chatHistory.Add(
    new() {
        Role = AuthorRole.System,
        Content = "你是一个乐于助人的助手"
    }
);
// 添加带图片的用户消息
chatHistory.Add(
    new() {
        Role = AuthorRole.User,
        AuthorName = "Laimonis Dumins",
        Items = [
            new TextContent { Text = "这个菜单上有什么可选的？" },
            new ImageContent { Uri = new Uri("https://example.com/menu.jpg") }
        ]
    }
);
// 添加助手消息
chatHistory.Add(
    new() {
        Role = AuthorRole.Assistant,
        AuthorName = "餐厅助手",
        Content = "我们有披萨、意大利面和沙拉可供点餐。您想点什么？"
    }
);

// 添加来自另一位用户的额外消息
chatHistory.Add(
    new() {
        Role = AuthorRole.User,
        AuthorName = "Ema Vargova",
        Content = "我想要第一个选项，谢谢。"
    }
);

检查聊天历史对象

当你把聊天历史对象传递给支持自动函数调用的聊天服务时，它会自动添加函数调用和返回结果，你不需要手动去加这些信息。这样做的好处是，你可以随时查看聊天记录，直接看到 AI 调用了哪些函数，以及返回了什么结果。不过，你还是需要手动添加最终的聊天消息，让对话完整。下面是一个示例，展示如何检查聊天记录，看看 AI 都做了哪些函数调用和返回了什么数据。

聊天历史优化

管理聊天历史对于保持上下文感知的对话至关重要，同时还能确保高效的性能。随着对话的进行，聊天历史对象会不断增长，可能超出模型的上下文窗限制，从而影响回复质量并降低处理速度。通过结构化的方法来优化聊天历史，可以确保保留最相关的信息，同时避免不必要的开销。

为什么要优化聊天历史？

性能优化（Performance Optimization）聊天记录过大会增加处理时间，影响AI生成回复的速度。适当缩减历史记录可以保持交互流畅、响应快速。
上下文窗口管理（Context Window Management）语言模型的上下文窗口是固定的，一旦聊天记录超过这个限制，旧消息会被丢弃。合理管理历史记录，可以确保最重要的上下文信息不会丢失。
内存效率（Memory Efficiency）在资源受限的环境（如移动应用、嵌入式系统）中，过长的聊天历史可能导致内存占用过大，影响系统性能。适当减少聊天记录可以避免性能下降。
隐私与安全（Privacy and Security）保留过多的聊天记录可能会增加敏感信息暴露的风险。结构化的优化策略可以减少不必要的数据存储，同时保留关键对话信息，提高隐私保护和数据安全性。

减少聊天历史的策略

为了在保留关键信息的同时，让聊天历史保持可管理的状态，可以使用以下几种方法：

截断（Truncation）当聊天历史超过预设的限制时，删除最早的消息，确保只保留最近的对话记录。适用于不需要长期上下文的对话，如客服聊天、即时问答等。
摘要（Summarization）将较旧的消息压缩成摘要，保留关键内容，同时减少存储的消息数量。适用于长时间的连续对话，比如咨询、技术支持等场景。
基于 Token 的优化（Token-Based）计算聊天记录的 Token 数量，确保总 Token 量不超过模型的上下文窗口限制。当超出 Token 限制时，删除或总结旧消息，确保 AI 仍然能理解当前上下文。适用于LLM 生成式 AI 交互，如 OpenAI、Azure AI 等。

namespace Microsoft.SemanticKernel.ChatCompletion;

[Experimental("SKEXP0001")]
public interface IChatHistoryReducer
{
    Task<IEnumerable<ChatMessageContent>?> ReduceAsync(IReadOnlyList<ChatMessageContent> chatHistory, CancellationToken cancellationToken = default);
}

该接口允许自定义实现聊天历史优化。此外，Semantic Kernel 提供了内置的聊天历史优化器（Reducers），包括：

ChatHistoryTruncationReducer（聊天历史截断优化器）作用：将聊天历史截断到指定大小，并直接丢弃被移除的消息。触发条件：当聊天历史的长度超过设定的限制时，自动执行截断操作。
ChatHistorySummarizationReducer（聊天历史摘要优化器）作用：在截断聊天历史的同时，对被移除的消息进行摘要总结，然后将该摘要作为一条消息添加回聊天历史。优点：不会完全丢失上下文，而是用更简短的方式保留重要信息。

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

// 创建 OpenAI 聊天补全服务
var chatService = new OpenAIChatCompletionService(
    modelId: "<model-id>",  // 模型 ID
    apiKey: "<api-key>");    // API 密钥

// 创建聊天历史截断优化器，仅保留系统消息和最近两条用户消息
var reducer = new ChatHistoryTruncationReducer(targetCount: 2); 

// 初始化聊天历史，并设定系统消息
var chatHistory = new ChatHistory("你是一位图书管理员，精通关于城市的书籍");

string[] userMessages = [
    "推荐一些关于西雅图的书籍", 
    "推荐一些关于都柏林的书籍", 
    "推荐一些关于阿姆斯特丹的书籍", 
    "推荐一些关于巴黎的书籍", 
    "推荐一些关于伦敦的书籍"
];

int totalTokenCount = 0;

foreach (var userMessage in userMessages)
{
    // 添加用户消息
    chatHistory.AddUserMessage(userMessage);

    Console.WriteLine($"\n>>> 用户:\n{userMessage}");

    // 执行聊天历史优化，减少历史记录
    var reducedMessages = await reducer.ReduceAsync(chatHistory);

    if (reducedMessages is not null)
    {
        chatHistory = new ChatHistory(reducedMessages);
    }

    // 发送优化后的聊天历史给 AI 并获取回复
    var response = await chatService.GetChatMessageContentAsync(chatHistory);

    // 将 AI 的回复添加到聊天历史
    chatHistory.AddAssistantMessage(response.Content!);

    Console.WriteLine($"\n>>> 助手:\n{response.Content!}");

    // 计算总 Token 使用量
    if (response.InnerContent is OpenAI.Chat.ChatCompletion chatCompletion)
    {
        totalTokenCount += chatCompletion.Usage?.TotalTokenCount ?? 0;
    }
}

Console.WriteLine($"总 Token 计数: {totalTokenCount}");

在聊天补全中使用图片

许多 AI 服务支持同时使用图像、文本等多种输入，这使得开发者可以融合不同的输入方式。这样可以实现诸如传递一张图片，并向 AI 模型提问等应用场景。

Semantic Kernel 的聊天补全连接器支持同时向聊天补全 AI 模型传递图像和文本。但需要注意，并非所有 AI 模型或 AI 服务都支持此功能。在按照聊天补全文章中的步骤构建聊天补全服务后，你可以使用以下方式提供图像和文本。

// Load an image from disk.
byte[] bytes = File.ReadAllBytes("path/to/image.jpg");
// Create a chat history with a system message instructing
// the LLM on its required role.
var chatHistory = new ChatHistory("Your job is describing images.");
// Add a user message with both the image and a question
// about the image.
chatHistory.AddUserMessage(
[
    new TextContent("What’s in this image?"),
    new ImageContent(bytes, "image/jpeg"),
]);
// Invoke the chat completion model.
var reply = await chatCompletionService.GetChatMessageContentAsync(chatHistory);
Console.WriteLine(reply.Content);

总结

这篇内容详细展示了如何在 Semantic Kernel 中集成多种 AI 服务并创建 Chat Completion 功能，包括安装必要的包、添加服务到 Kernel、使用依赖注入、以及管理聊天历史和优化性能等重要技巧。通过灵活运用上述方法，可以更好地利用 Semantic Kernel 的强大特性，为各类应用提供更全面、高效的智能对话支持。下一节我们讨论SK中的Function Calling

Previous2.3. semantic kernel核心组件 Next2.5. semantic kernel中FunctionCalling

Last updated 5 months ago