目前国内还是很缺AI人才的，希望更多人能真正加入到AI行业，共同促进行业进步。想要系统学习AI知识的朋友可以看看我的教程http://blog.csdn.net/jiangjunshow，教程通俗易懂，风趣幽默，从深度学习基础原理到各领域实战应用都有讲解。

🚀 开篇唠两句

各位C#老铁，上一篇我们画好了2026年C# AI的路线图，今天直接开干——环境一键搭建！

C# AI环境搭建主打一个简单、干净、一步到位。这篇用大白话+复制粘贴级命令，带你把.NET 8 + Semantic Kernel + ML.NET + ONNX Runtime 全套AI开发环境搭好，10分钟搞定，直接开写AI代码！

---

一、先搞懂：我们要搭啥？（2026最新版）

一句话：一套能跑LLM、传统ML、本地模型的C# AI全能环境。
核心三件套（必装）：

• .NET 8 SDK：地基，所有C# AI开发的基础
• Semantic Kernel (SK)：大模型调度神器，管LLM、RAG、Agent
• ML.NET：C#原生机器学习库，做分类、回归、异常检测
• ONNX Runtime：本地模型运行时，跑Llama、ResNet等预训练模型
• Ollama（可选）：本地大模型管理器，一键跑Llama 3.2、Phi-4

---

二、第一步：安装.NET 8 SDK（地基先打好）

1. 下载安装（2026最新版）

• 官网下载：https://dotnet.microsoft.com/zh-cn/download/dotnet/8.0
• 选择对应系统（Windows/macOS/Linux），一路下一步即可
• 验证安装：打开终端/CMD，输入

dotnet --version

出现 8.0.x 版本号，说明安装成功！

2. 可选：安装Visual Studio 2022（推荐）

• 下载：https://visualstudio.microsoft.com/zh-hans/vs/
• 安装时勾选 .NET桌面开发、ASP.NET和Web开发、数据存储和处理
• 好处：自带ML.NET Model Builder可视化工具，调试AI代码更方便

---

三、第二步：搭建Semantic Kernel环境（LLM开发核心）

1. 创建SK项目（控制台版，最简单）

打开终端，依次输入：

# 创建控制台项目
dotnet new console -n CSharpAI_Demo
cd CSharpAI_Demo

# 安装Semantic Kernel最新版（2026稳定版）
dotnet add package Microsoft.SemanticKernel --version 1.15.0

2. 安装OpenAI .NET SDK（调用云端大模型）

dotnet add package Azure.AI.OpenAI --version 1.0.0-beta.14

3. 安装向量库SDK（RAG必备）

# Chroma（轻量本地向量库）
dotnet add package Microsoft.SemanticKernel.Connectors.Chroma --version 1.15.0

# Pinecone（云端向量库，可选）
dotnet add package Microsoft.SemanticKernel.Connectors.Pinecone --version 1.15.0

4. 快速测试：10行代码调用GPT-4o

打开 Program.cs，替换为以下代码（记得替换API Key）：

using Microsoft.SemanticKernel;
using Microsoft.SemanticKernel.ChatCompletion;

// 1. 构建Kernel
var builder = Kernel.CreateBuilder();
builder.AddAzureOpenAIChatCompletion(
    "gpt-4o",          // 部署名
    "https://xxx.openai.azure.com/", // 终结点
    "你的API Key"      // 替换为你的Azure OpenAI Key
);
var kernel = builder.Build();

// 2. 获取聊天服务
var chat = kernel.GetRequiredService<IChatCompletionService>();
var history = new ChatHistory();
history.AddUserMessage("用C#写一个Hello AI程序，2026最新版");

// 3. 调用AI并输出结果
var response = await chat.GetChatMessageContentAsync(history);
Console.WriteLine("AI回复：" + response.Content);

运行：

dotnet run

看到AI回复，说明SK环境搭建成功！

---

四、第三步：搭建ML.NET环境（传统ML开发）

1. 安装ML.NET NuGet包

# 回到项目目录
cd CSharpAI_Demo

# 安装ML.NET核心包
dotnet add package Microsoft.ML --version 3.0.1

# 安装ML.NET自动训练工具（可选，可视化）
dotnet add package Microsoft.ML.AutoML --version 0.21.0

2. 可选：安装ML.NET Model Builder（Visual Studio专用）

• 打开Visual Studio → 扩展 → 管理扩展 → 搜索 ML.NET Model Builder → 安装
• 重启VS后，右键项目 → 添加 → 机器学习，即可可视化训练模型

3. 快速测试：ML.NET Hello World（鸢尾花分类）

创建 IrisData.cs：

public class IrisData
{
    [LoadColumn(0)] public float SepalLength;
    [LoadColumn(1)] public float SepalWidth;
    [LoadColumn(2)] public float PetalLength;
    [LoadColumn(3)] public float PetalWidth;
    [LoadColumn(4)] public string Label;
}

public class IrisPrediction
{
    [ColumnName("PredictedLabel")] public string PredictedSpecies;
}

修改 Program.cs：

using Microsoft.ML;

// 1. 创建ML上下文
var mlContext = new MLContext();

// 2. 加载数据（下载鸢尾花数据集：https://archive.ics.uci.edu/ml/datasets/iris）
var data = mlContext.Data.LoadFromTextFile<IrisData>("iris.data", separator:',');

// 3. 划分训练集和测试集
var trainTest = mlContext.Data.TrainTestSplit(data, testFraction: 0.2);

// 4. 构建训练管道
var pipeline = mlContext.Transforms.Conversion.MapValueToKey("Label")
    .Append(mlContext.Transforms.Concatenate("Features", "SepalLength", "SepalWidth", "PetalLength", "PetalWidth"))
    .Append(mlContext.MulticlassClassification.Trainers.SdcaMaximumEntropy("Label", "Features"))
    .Append(mlContext.Transforms.Conversion.MapKeyToValue("PredictedLabel"));

// 5. 训练模型
var model = pipeline.Fit(trainTest.TrainSet);

// 6. 评估模型
var predictions = model.Transform(trainTest.TestSet);
var metrics = mlContext.MulticlassClassification.Evaluate(predictions);
Console.WriteLine($"准确率：{metrics.MacroAccuracy:P2}");

// 7. 预测新数据
var predictor = mlContext.Model.CreatePredictionEngine<IrisData, IrisPrediction>(model);
var newFlower = new IrisData { SepalLength = 5.1f, SepalWidth = 3.5f, PetalLength = 1.4f, PetalWidth = 0.2f };
var prediction = predictor.Predict(newFlower);
Console.WriteLine($"预测品种：{prediction.PredictedSpecies}");

运行：

dotnet run

看到准确率和预测结果，说明ML.NET环境搭建成功！

---

五、第四步：搭建ONNX Runtime环境（本地模型部署）

1. 安装ONNX Runtime NuGet包

cd CSharpAI_Demo
dotnet add package Microsoft.ML.OnnxRuntime --version 1.17.0
dotnet add package Microsoft.ML.OnnxRuntime.Managed --version 1.17.0

2. 快速测试：运行ResNet50图像分类

• 下载ResNet50 ONNX模型：https://github.com/onnx/models/raw/main/vision/classification/resnet/model/resnet50-v2-7.onnx
• 下载测试图片：https://upload.wikimedia.org/wikipedia/commons/thumb/7/7d/Microsoft_.NET_logo.svg/200px-Microsoft_.NET_logo.svg.png
• 将模型和图片放入项目根目录

创建 OnnxImageClassifier.cs：

using Microsoft.ML.OnnxRuntime;
using Microsoft.ML.OnnxRuntime.Tensors;
using SixLabors.ImageSharp;
using SixLabors.ImageSharp.PixelFormats;
using SixLabors.ImageSharp.Processing;

public class OnnxImageClassifier
{
    private readonly InferenceSession _session;
    private readonly string[] _labels = File.ReadAllLines("imagenet_classes.txt");

    public OnnxImageClassifier(string modelPath)
    {
        _session = new InferenceSession(modelPath);
    }

    public string ClassifyImage(string imagePath)
    {
        // 1. 加载并预处理图片
        using var image = Image.Load<Rgb24>(imagePath);
        image.Mutate(x => x.Resize(224, 224));
        var tensor = new DenseTensor<float>(new[] { 1, 3, 224, 224 });

        for (int y = 0; y < 224; y++)
        {
            for (int x = 0; x < 224; x++)
            {
                var pixel = image[x, y];
                tensor[0, 0, y, x] = (pixel.R / 255f - 0.485f) / 0.229f;
                tensor[0, 1, y, x] = (pixel.G / 255f - 0.456f) / 0.224f;
                tensor[0, 2, y, x] = (pixel.B / 255f - 0.406f) / 0.225f;
            }
        }

        // 2. 运行推理
        var inputs = new List<NamedOnnxValue> { NamedOnnxValue.CreateFromTensor("input", tensor) };
        using var results = _session.Run(inputs);
        var output = results.First().AsTensor<float>();

        // 3. 获取预测结果
        var maxIndex = output.ToArray().AsSpan().IndexOf(output.ToArray().Max());
        return _labels[maxIndex];
    }
}

修改 Program.cs：

var classifier = new OnnxImageClassifier("resnet50-v2-7.onnx");
var result = classifier.ClassifyImage("dotnet_logo.png");
Console.WriteLine($"图片分类结果：{result}");

安装ImageSharp：

dotnet add package SixLabors.ImageSharp --version 2.1.3

运行：

dotnet run

看到分类结果，说明ONNX Runtime环境搭建成功！

---

六、第五步：可选安装Ollama（本地大模型神器）

1. 下载安装Ollama

• 官网：https://ollama.com/
• 一键安装，支持Windows/macOS/Linux

2. 运行本地大模型（Llama 3.2）

ollama run llama3.2

3. C#调用Ollama（用SK）

dotnet add package Microsoft.SemanticKernel.Connectors.Ollama --version 1.15.0

修改SK测试代码：

builder.AddOllamaChatCompletion("llama3.2", new Uri("http://localhost:11434"));

运行，即可调用本地Llama 3.2，无需云端API！

---

七、2026年C# AI环境避坑指南（少走弯路）

1. 版本统一：所有NuGet包尽量用最新稳定版，避免版本冲突
2. 路径问题：模型、数据文件放在项目根目录，或用绝对路径
3. 权限问题：Windows下用管理员身份运行终端，避免安装失败
4. 网络问题：国内安装NuGet包慢，可配置镜像（https://nuget.cdn.azure.cn/v3/index.json）
5. 本地模型：Ollama默认存C盘，可修改环境变量 OLLAMA_MODELS 到其他盘

---

🎯 结尾总结

2026年C# AI环境搭建，真的很简单！

• .NET 8：地基，10分钟装好
• Semantic Kernel：LLM调度，1行命令安装
• ML.NET：传统ML，原生支持，无需Python
• ONNX Runtime：本地模型，一键运行
• Ollama：本地大模型，隐私友好，免费好用

跟着这篇文章，复制粘贴命令，10分钟搞定全套环境，直接进入AI开发实战！

---

💬 互动一下

你用的是Windows/macOS/Linux？
环境搭建过程中遇到啥问题了？
评论区留言，我帮你解决！

---