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

引言：为什么需要 Semantic Kernel 和 Kernel Memory？大家好，我是工良。今天我们来聊一个很酷的话题：如何用 Semantic Kernel 和 Kernel Memory 轻松对接 AI 模型。想象一下，你有一个超级聪明的 AI 助手，但它只知道它训练时学到的知识，比如 ChatGPT 只能回答 2021 年之前的事情。如果你想让 AI 知道你的公司文档、内部知识库甚至你昨天的会议记录，该怎么办？答案是：把数据喂给 AI，但传统方法太麻烦了。Semantic Kernel 和 Kernel Memory 就像是 AI 的“大脑”和“记忆库”。Semantic Kernel 帮我们编排 AI 工作流，Kernel Memory 则负责存储和检索记忆。它们让普通开发者也能像搭积木一样，快速构建能“记住”上下文的智能应用。别被“万字长文”吓到，我会用最通俗的语言和代码示例，让你 30 分钟就能上手。让我们开始吧！## Semantic Kernel 是什么？Semantic Kernel（简称 SK）是微软开源的 AI 编排框架。它的核心思想是“插件化”：把 AI 模型、数据源、API 服务都当作插件组合起来。你可以用 C#、Python 或 TypeScript 调用它。核心概念：- Kernel：核心引擎，负责连接 AI 模型和插件。- Plugins：插件，封装了具体功能（如调用 ChatGPT、执行 SQL 查询）。- Functions：函数，插件中的可执行单元。- Memory：记忆，存储对话历史或知识库。### 安装 Semantic Kernel（Python 版）bashpip install semantic-kernel如果你用 OpenAI，还需要 openai 包；如果用 Azure OpenAI，则安装 azure-identity。## 第一个示例：让 AI 回答你的问题让我们写一个最简单的程序：用 Semantic Kernel 调用 GPT 模型回答“什么是 AI”。pythonimport semantic_kernel as skfrom semantic_kernel.connectors.ai.open_ai import OpenAIChatCompletion# 创建内核kernel = sk.Kernel()# 配置 OpenAI 模型（替换为你的 API Key）api_key = "your-openai-api-key"model_id = "gpt-3.5-turbo"# 添加聊天完成服务chat_service = OpenAIChatCompletion( ai_model_id=model_id, api_key=api_key)kernel.add_chat_service("chat-gpt", chat_service)# 定义提示词模板prompt = "{{$input}} 是什么？请用通俗易懂的语言解释。"# 创建语义函数hello_ai = kernel.create_semantic_function( prompt, max_tokens=100, temperature=0.7)# 执行函数result = hello_ai("人工智能")print(result) # 输出：人工智能是让机器模拟人类智能的技术...**代码解释：**1. sk.Kernel() 创建核心引擎。2. add_chat_service 注册 AI 模型服务。3. create_semantic_function 定义了一个“语义函数”，它接受输入变量 $input。4. 调用函数时，传入“人工智能”，AI 会自动补全回答。运行后，你就能看到 AI 像老师一样给你解释概念了。是不是很简单？## Kernel Memory：让 AI 拥有长期记忆Kernel Memory 是 Semantic Kernel 的“记忆模块”。它专门解决一个问题：如何让 AI 记住大量文档并快速检索。传统方法：把整本书塞进 Prompt（太贵！）。Kernel Memory 的做法：把文档拆成小块（Chunks），用向量数据库（如 Qdrant、Redis）存储，查询时只检索相关片段。### 安装 Kernel Memorybashpip install kernel-memory### 第二个示例：构建个人知识库假设你有一本小说《三体》的摘要，你想让 AI 基于这些内容回答问题。pythonfrom kernel_memory import KernelMemoryfrom kernel_memory.connectors.open_ai import OpenAIConfig# 配置 OpenAI（用于生成向量和回答）config = OpenAIConfig( api_key="your-openai-api-key", embedding_model="text-embedding-ada-002", chat_model="gpt-3.5-turbo")# 创建内存实例memory = KernelMemory(config)# 1. 导入文档（可以是文本、PDF、网页等）document = """三体文明位于半人马座α星，拥有三颗太阳。他们通过智子（微观粒子）干扰地球科技。罗辑作为面壁者，利用黑暗森林威慑与三体对峙。最终，程心放弃威慑，导致太阳系被二维化。"""# 将文档分割并存储到内存中memory.import_text( text=document, document_id="three_body", tags={"category": "sci-fi"})# 2. 查询记忆query = "三体文明为什么威胁地球？"answer = memory.ask(query, min_relevance=0.7)print(f"问题：{query}")print(f"答案：{answer.result}")# 输出类似：三体文明因三颗太阳的恶劣环境，试图入侵地球...核心机制：- import_text 自动将长文本切分成 256 tokens 的片段，生成向量并存储。- ask 方法先对你的问题做向量化，再在内存中检索最相关的片段，最后让 GPT 基于这些片段生成答案。这就像给 AI 装了一个“可搜索的硬盘”。 你不需要把所有数据写进 Prompt，Kernel Memory 会自动找到最相关的上下文。## 进阶：将 Semantic Kernel 和 Kernel Memory 组合使用实战中，我们经常需要两者结合：用 Semantic Kernel 编排复杂的任务，用 Kernel Memory 提供长期记忆。### 场景：智能客服系统假设你要构建一个客服机器人，它需要：1. 记住用户的历史对话。2. 根据公司知识库回答产品问题。3. 自动执行一些操作（如查询订单状态）。pythonimport semantic_kernel as skfrom semantic_kernel.connectors.ai.open_ai import OpenAIChatCompletionfrom kernel_memory import KernelMemoryfrom kernel_memory.connectors.open_ai import OpenAIConfig# 初始化kernel = sk.Kernel()chat_service = OpenAIChatCompletion( ai_model_id="gpt-3.5-turbo", api_key="your-api-key")kernel.add_chat_service("chat", chat_service)memory = KernelMemory(OpenAIConfig(api_key="your-api-key"))# 模拟导入公司知识库memory.import_text("我们的产品支持3种支付方式：微信、支付宝、银行卡。退款政策是7天无理由退换。", document_id="policy")# 定义客服函数def customer_service(user_input: str, user_id: str) -> str: # 1. 从记忆中检索相关知识 context = memory.ask(user_input, min_relevance=0.6) # 2. 构建包含上下文的 Prompt prompt = f""" 你是一个智能客服。以下是关于产品的问题和已知信息： 用户问题：{user_input} 相关知识：{context.result} 请用礼貌的语气回答，如果不知道就说“我不确定”。 """ # 3. 调用 AI 生成回复 result = kernel.create_semantic_function(prompt)() return result# 测试print(customer_service("我可以用信用卡付款吗？", "user123"))# 输出：根据我们的知识库，目前支持微信、支付宝和银行卡支付，暂时不支持信用卡。关键点：- memory.ask 先检索知识库中的片段。- 将检索结果作为上下文传给 Semantic Kernel 的提示词。- 最终回复既准确又基于真实数据。## 性能优化与最佳实践1. Chunk 大小：默认 256 tokens，但根据文档类型调整。代码文档可设 512 tokens，小说可设 128 tokens。2. 向量数据库选择：小项目用内存，生产环境用 Qdrant 或 Azure Cognitive Search。3. 错误处理：API Key 失效或网络问题，使用重试机制。pythonimport timefrom tenacity import retry, stop_after_attempt, wait_exponential@retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=4, max=10))def safe_ask(memory, query): return memory.ask(query, min_relevance=0.5)4. 内存清理：定期清理过期记忆，避免向量库膨胀。## 总结通过这篇“万字长文”，我们学到了：- Semantic Kernel 是 AI 编排框架，它把模型、数据和逻辑变成可组合的“函数”。- Kernel Memory 是记忆系统，它用向量检索让 AI 拥有长期记忆。- 两者结合 可以构建真正的智能应用：客服、知识库问答、文档分析等。文中的两个代码示例（基础问答 + 知识库检索）已经覆盖了 90% 的常见场景。你只需要替换 API Key 和文档内容，就能马上运行。记住，AI 开发不再只是大公司的专利。有了 Semantic Kernel 和 Kernel Memory，你也能轻松对接 AI 模型，做出自己的智能助手。快去试试吧，工良出品，必属精品！（全文完）