{ "schema": 1, "type": "completion", "description": "根据用户问题写一首简短而有趣的诗.", "completion": { "max_tokens": 200, "temperature": 0.5, "top_p": 0.0, "presence_penalty": 0.0, "frequency_penalty": 0.0 }, "input": { "parameters": [ { "name": "input", "description": "诗的主题", "defaultValue": "" } ] } }创建插件目录和文件后，在代码中以提示模板的方式加载：
// 加载插件，表示该插件是提示模板 builder.Plugins.AddFromPromptDirectory("./plugins/WriterPlugin"); var kernel = builder.Build(); Console.WriteLine("输入诗的主题："); var input = Console.ReadLine(); // WriterPlugin 插件名称，与插件目录一致，插件目录下可以有多个子模板目录。 FunctionResult result = await kernel.InvokeAsync("WriterPlugin", "ShortPoem", new() { { "input", input } }); Console.WriteLine(result.GetValue<string>());输入问题以及 AI 回复：
输入诗的主题： 春天 春天，春天，你是生命的诗篇， 万物复苏，爱的季节。 郁郁葱葱的小草中， 是你轻响的诗人的脚步音。 春天，春天，你是花芯的深渊， 桃红柳绿，或妩媚或清纯。 在温暖的微风中， 是你舞动的裙摆。 春天，春天，你是蓝空的情儿， 百鸟鸣叫，放歌天际无边。 在你湛蓝的天幕下， 是你独角戏的绚烂瞬间。 春天，春天，你是河流的眼睛， 如阿瞒甘霖，滋养大地生灵。 你的涓涓细流， 是你悠悠的歌声。 春天，春天，你是生命的诗篇， 用温暖的手指，照亮这灰色的世间。 你的绽放，微笑与欢欣， 就是我心中永恒的春天。插件文件的编写可参考官方文档：https://learn.microsoft.com/en-us/semantic-kernel/prompts/saving-prompts-as-files?tabs=Csharp
根据 AI 自动调用插件函数
使用 Semantic Kernel 加载插件类后，Semantic Kernel 可以自动根据 AI 对话调用这些插件类中的函数。
比如有一个插件类型，用于修改或获取灯的状态。
代码如下：
public class LightPlugin { public bool IsOn { get; set; } = false; [KernelFunction] [Description("获取灯的状态.")] public string GetState() => IsOn ? "亮" : "暗"; [KernelFunction] [Description("修改灯的状态.'")] public string ChangeState(bool newState) { this.IsOn = newState; var state = GetState(); Console.WriteLine($"[灯的状态是： {state}]"); return state; } }每个函数都使用了[Description]特性设置了注释信息，这些注释信息非常重要，AI 靠这些注释理解函数的功能作用。
然后加载插件类，并在聊天中被 Semantic Kernel 调用：
// 加载插件类 builder.Plugins.AddFromType<LightPlugin>(); var kernel = builder.Build(); var history = new ChatHistory(); // 聊天服务 var chatCompletionService = kernel.GetRequiredService<IChatCompletionService>(); while (true) { Console.Write("User > "); var userInput = Console.ReadLine(); // 添加到聊天记录中 history.AddUserMessage(userInput); // 开启函数调用 OpenAIPromptExecutionSettings openAIPromptExecutionSettings = new() { ToolCallBehavior = ToolCallBehavior.AutoInvokeKernelFunctions }; // 获取函数 var result = await chatCompletionService.GetChatMessageContentAsync( history, executionSettings: openAIPromptExecutionSettings, kernel: kernel); Console.WriteLine("Assistant > " + result); // 添加到聊天记录中 history.AddMessage(result.Role, result.Content ?? string.Empty); }可以先断点调试 LightPlugin 中的函数，然后在控制台输入问题让 AI 调用本地函数：
User > 灯的状态 Assistant > 当前灯的状态是暗的。 User > 开灯 [灯的状态是： 亮] Assistant > 灯已经开启，现在是亮的状态。 User > 关灯 [灯的状态是： 暗]读者可以在官方文档了解更多：https://learn.microsoft.com/en-us/semantic-kernel/agents/plugins/using-the-kernelfunction-decorator?tabs=Csharp
由于几乎没有文档资料说明原理，因此建议读者去研究源码，这里就不再赘述了。
聊天中明确调用函数
我们可以在提示模板中明确调用一个函数。
定义一个插件类型 ConversationSummaryPlugin，其功能十分简单，将历史记录直接返回，input 参数表示历史记录。
public class ConversationSummaryPlugin { [KernelFunction, Description("给你一份很长的谈话记录，总结一下谈话内容.")] public async Task<string> SummarizeConversationAsync( [Description("长对话记录\r\n.")] string input, Kernel kernel) { await Task.CompletedTask; return input; } }为了在聊天记录中使用该插件函数，我们需要在提示模板中使用{{ConversationSummaryPlugin.SummarizeConversation $history}}，其中$history是自定义的变量名称，名称可以随意，只要是个字符串即可。
var chat = kernel.CreateFunctionFromPrompt( @"{{ConversationSummaryPlugin.SummarizeConversation $history}} User: {{$request}} Assistant: " );完整代码如下：
// 加载总结插件 builder.Plugins.AddFromType<ConversationSummaryPlugin>(); var kernel = builder.Build(); var chat = kernel.CreateFunctionFromPrompt( @"{{ConversationSummaryPlugin.SummarizeConversation $history}} User: {{$request}} Assistant: " ); var history = new ChatHistory(); while (true) { Console.Write("User > "); var request = Console.ReadLine(); // 添加到聊天记录中 history.AddUserMessage(request); // 流式对话 var chatResult = kernel.InvokeStreamingAsync<StreamingChatMessageContent>( chat, new KernelArguments { { "request", request }, { "history", string.Join("\n", history.Select(x => x.Role + ": " + x.Content)) } }); string message = ""; await foreach (var chunk in chatResult) { if (chunk.Role.HasValue) { Console.Write(chunk.Role + " > "); } message += chunk; Console.Write(chunk); } Console.WriteLine(); history.AddAssistantMessage(message); }由于模板的开头是{{ConversationSummaryPlugin.SummarizeConversation $history}}，因此，每次聊天之前，都会先调用该函数。
比如输入吃饭睡觉打豆豆的时候，首先执行 ConversationSummaryPlugin.SummarizeConversation 函数，然后将返回结果存储到模板中。
最后生成的提示词对比如下：
@"{{ConversationSummaryPlugin.SummarizeConversation $history}} User: {{$request}} Assistant: "user: 吃饭睡觉打豆豆 User: 吃饭睡觉打豆豆 Assistant:可以看到，调用函数返回结果后，提示词字符串前面自动使用 User 角色。
实现总结
Semantic Kernel 中有很多文本处理工具，比如TextChunker类型，可以帮助我们提取文本中的行、段。设定场景如下，用户提问一大段文本，然后我们使用 AI 总结这段文本。
Semantic Kernel 有一些工具，但是不多，而且是针对英文开发的。
设定一个场景，用户可以每行输入一句话，当用户使用000结束输入后，每句话都推送给 AI 总结（不是全部放在一起总结）。
这个示例的代码比较长，建议读者在 vs 中调试代码，慢慢阅读。
// 总结内容的最大 token const int MaxTokens = 1024; // 提示模板 const string SummarizeConversationDefinition = @"开始内容总结: {{$request}} 最后对内容进行总结。 在“内容到总结”中总结对话，找出讨论的要点和得出的任何结论。 不要加入其他常识。 摘要是纯文本形式，在完整的句子中，没有标记或标记。 开始总结: "; // 配置 PromptExecutionSettings promptExecutionSettings = new() { ExtensionData = new Dictionary<string, object>() { { "Temperature", 0.1 }, { "TopP", 0.5 }, { "MaxTokens", MaxTokens } } }; // 这里不使用 kernel.CreateFunctionFromPrompt 了 // KernelFunctionFactory 可以帮助我们通过代码的方式配置提示词 var func = KernelFunctionFactory.CreateFromPrompt( SummarizeConversationDefinition, // 提示词 description: "给出一段对话记录，总结这部分对话.", // 描述 executionSettings: promptExecutionSettings); // 配置 #pragma warning disable SKEXP0055 // 类型仅用于评估，在将来的更新中可能会被更改或删除。取消此诊断以继续。 var request = ""; while (true) { Console.Write("User > "); var input = Console.ReadLine(); if (input == "000") { break; } request += Environment.NewLine; request += input; } // SK 提供的文本拆分器，将文本分成一行行的 List<string> lines = TextChunker.SplitPlainTextLines(request, MaxTokens); // 将文本拆成段落 List<string> paragraphs = TextChunker.SplitPlainTextParagraphs(lines, MaxTokens); string[] results = new string[paragraphs.Count]; for (int i = 0; i < results.Length; i++) { // 一段段地总结 results[i] = (await func.InvokeAsync(kernel, new() { ["request"] = paragraphs[i] }).ConfigureAwait(false)) .GetValue<string>() ?? string.Empty; } Console.WriteLine($""" 总结如下： {string.Join("\n", results)} """);输入一堆内容后，新的一行使用000结束提问，让 AI 总结用户的话。
不过经过调试发现，TextChunker 对这段文本的处理似乎不佳，因为文本这么多行只识别为一行、一段。
可能跟 TextChunker 分隔符有关，SK 主要是面向英语的。
本小节的演示效果不佳，不过主要目的是，让用户了解KernelFunctionFactory.CreateFromPrompt可以更加方便创建提示模板、使用 PromptExecutionSettings 配置温度、使用 TextChunker 切割文本。
配置 PromptExecutionSettings 时，出现了三个参数，其中 MaxTokens 表示机器人回复最大的 tokens 数量，这样可以避免机器人废话太多。
其它两个参数的作用是：
Temperature：值范围在 0-2 之间，简单来说，temperature的参数值越小，模型就会返回越确定的一个结果。值越大，AI 的想象力越强，越可能偏离现实。一般诗歌、科幻这些可以设置大一些，让 AI 实现天马行空的回复。
TopP：与 Temperature 不同的另一种方法，称为核抽样，其中模型考虑了具有 TopP 概率质量的令牌的结果。因此，0.1 意味着只考虑构成前10% 概率质量的令牌的结果。
一般建议是改变其中一个参数就行，不用两个都调整。
更多相关的参数配置，请查看 https://learn.microsoft.com/en-us/azure/ai-services/openai/reference
配置提示词
前面提到了一个新的创建函数的用法：
var func = KernelFunctionFactory.CreateFromPrompt( SummarizeConversationDefinition, // 提示词 description: "给出一段对话记录，总结这部分对话.", // 描述 executionSettings: promptExecutionSettings); // 配置创建提示模板时，可以使用 PromptTemplateConfig 类型 调整控制提示符行为的参数。
// 总结内容的最大 token const int MaxTokens = 1024; // 提示模板 const string SummarizeConversationDefinition = "..."; var func = kernel.CreateFunctionFromPrompt(new PromptTemplateConfig { // Name 不支持中文和特殊字符 Name = "chat", Description = "给出一段对话记录，总结这部分对话.", Template = SummarizeConversationDefinition, TemplateFormat = "semantic-kernel", InputVariables = new List<InputVariable> { new InputVariable{Name = "request", Description = "用户的问题", IsRequired = true } }, ExecutionSettings = new Dictionary<string, PromptExecutionSettings> { { "default", new OpenAIPromptExecutionSettings() { MaxTokens = MaxTokens, Temperature = 0 } }, } });ExecutionSettings 部分的配置，可以针对使用的模型起效，这里的配置不会全部同时起效，会根据实际使用的模型起效。
ExecutionSettings = new Dictionary<string, PromptExecutionSettings> { { "default", new OpenAIPromptExecutionSettings() { MaxTokens = 1000, Temperature = 0 } }, { "gpt-3.5-turbo", new OpenAIPromptExecutionSettings() { ModelId = "gpt-3.5-turbo-0613", MaxTokens = 4000, Temperature = 0.2 } }, { "gpt-4", new OpenAIPromptExecutionSettings() { ModelId = "gpt-4-1106-preview", MaxTokens = 8000, Temperature = 0.3 } } }聊到这里，重新说一下前面使用文件配置提示模板文件的，两者是相似的。
我们也可以使用文件的形式存储与代码一致的配置，其目录文件结构如下：
└─── chat | └─── config.json └─── skprompt.txt模板文件由 config.json 和 skprompt.txt 组成，skprompt.txt 中配置提示词，跟 PromptTemplateConfig 的 Template 字段配置一致。
config.json 中涉及的内容比较多，你可以对照下面的 json 跟 实现总结 一节的代码，两者几乎是一模一样的。
{ "schema": 1, "type": "completion", "description": "给出一段对话记录，总结这部分对话", "execution_settings": { "default": { "max_tokens": 1000, "temperature": 0 }, "gpt-3.5-turbo": { "model_id": "gpt-3.5-turbo-0613", "max_tokens": 4000, "temperature": 0.1 }, "gpt-4": { "model_id": "gpt-4-1106-preview", "max_tokens": 8000, "temperature": 0.3 } }, "input_variables": [ { "name": "request", "description": "用户的问题.", "required": true }, { "name": "history", "description": "用户的问题.", "required": true } ] }
