再尝 Semantic Kernel

作者：为自己带盐

2025-02-21
河北
本文字数：2717 字
阅读完需：约 9 分钟

背景

书接上回《浅尝semantic kernel》；

上次只试了试 SK 框架的插件特性，这次试了下编排的特性，也就是把多个本地任务按顺序按逻辑执行，没想到效果也是出奇的好！

关键步骤

架构层面的代码本篇不在赘述，这里只做一些使用 planning 的效果展示。

还是以上篇提到的审查材料这个工作为目标。

编排任务

我这里，编排的任务逻辑如下图

这个逻辑，其实就是人作为审查人员的工作流程，审查时，先一个个找到每一份申报材料，然后再打开他们的材料，看看填写是否有误，有误的呢，就退回去，没有的，就初审通过。

流程虽然简单，但是相对繁琐，而且，审查的过程容易出错，那这个工作能不能交给 AI 来执行。

我利用 SK 框架来测试了一番，发现效果还不错。

创建插件

查询

上述任务流的第一个步骤是查询，先找到关键信息，我们需要准备这样一个方法。


        [KernelFunction("get_apply_by_number")]        [Description("通过赛队编号获取赛队信息")]        [return: Description("如果编号存在，返回编号所属赛队详情，反之返回空")]        public ApplyModel? GetApplyInfoByNumber(string number)        {            Assistant.Logger.Debug("找人插件正确执行");            ///具体业务代码不赘述        }

复制代码

需要多说一句的是，这一步里返回的值里包含了一个附件，也就是用户提交的文档材料，下一个步骤需要用到它，实际上每个人的场景都不一样，我这里只是刚好遇到了这种上一步的输出，是下一步的输入的情况。

识别

获取到文档材料之后，要先对材料进行识别

[KernelFunction("get_document_info")][Description("识别文档内容并返回识别后的信息")][return: Description("当文件路径并存在或者识别失败时，返回空，反之则返回识别后的信息")]public async Task<OcrResponseDto?> GetDocumentInfo(string pdfpath){    Assistant.Logger.Warning("文档识别插件正确执行");   ///识别文档的业务代码}

复制代码

识别完成后，转入第下一步

比对信息

这一步，完全是交给大模型来完成的，我们只需要在提示词中告知它怎么做这个工作就好了！

后面提示词部分会具体展示

发送通知

我这里是创建了一个发送邮件的插件，将审核的结果，邮件通知到指定的用户

[KernelFunction("send_notice_by_email")][Description("发送通知到指定邮箱")][return: Description("如果发送任务执行成功直接返回true，反之返回false")]public async Task<bool> SendNoticeByEmail(string email, string content){    Assistant.Logger.Warning("通知插件正确执行");   ///邮件发送的业务代码}

复制代码

编排工作流

有了 SK 框架的帮助，我们可以方便的完成插件的创建，再结合大模型提供的推理能力，只需要通过合适的提示词，就可以把我们创建的多个工作流串联起来，完成复杂的工作，代码如下👇

[HttpPost,ValidateAntiForgeryToken]public async Task<IActionResult> CheckingChat(ChatForChecking chatModel){    if (string.IsNullOrWhiteSpace(chatModel.prompt))        return Json(_resp.error("无输入"));    _kernel.Plugins.AddFromType<GetReportInfo>(nameof(GetReportInfo), _serviceProvider);    _kernel.Plugins.AddFromType<Notice>(nameof(Notice), _serviceProvider);    // 获取聊天完成服务    var chatCompletionService = _kernel.GetRequiredService<IChatCompletionService>();
    // 启用自动函数调用    OpenAIPromptExecutionSettings openAIPromptExecutionSettings = new()    {        FunctionChoiceBehavior = FunctionChoiceBehavior.Auto()    };
    ChatHistory history = [];    history.AddSystemMessage($"你是一个材料审查员，需要用到2个参数，一个从数据库读取的，完整的，结构化的申报信息参数，包括赛队编号，赛项，成员，学校，指导教师，邮箱等，另一个是通过文档识别接口识别出来的材料信息，里面逐行输出了提取的材料信息和置信度，" +        $"这个材料是用户提交的附件信息，里面包含了全部或者部分第一个参数里的信息。" +        $"你的工作如下：" +        $"1.从对话信息中提取赛队编号信息，并调用本地插件进行检索，注意，赛队编号格式是2个连续大写字母加8为数字，如：AA24091234，其中第一位大写字母只能是A，B，C，D，前两位数字代表年份，如24代表2024年，23代表2023年；如格式错误则直接返回异常输入，后续工作不必再继续执行；" +        $"2.如果步骤1返回了结果，那么整个结果将作为第一个输入参数，而其中有一个FileName属性，表示了文档材料的保存路径，使用该属性值再次调用合适的本地插件，识别文档信息，作为第二个输入参数；" +        $"3.如果步骤2执行正常，将2个参数进行比对，如果你认为第二个参数归属于第一个参数的概率很高，也就是该材料提交的信息是正确的，那么通过第一个参数中的Email属性，调用合适的本地插件发送通知邮件，告知他材料审核通过；反之,那就输出“我无法确认该材料真实性，请联系人工审查员处理”" +        $"注意，每个指令只执行1次，1次不成功就终止，不要重试；"       );    if (chatModel.messages!=null && chatModel.messages.Length != 0)    {        foreach(var item in chatModel.messages)        {            AuthorRole role = AuthorRole.User;            if (item.role.Equals("assistant",StringComparison.OrdinalIgnoreCase))                role = AuthorRole.Assistant;            else if (item.role.Equals("tool", StringComparison.OrdinalIgnoreCase))                role = AuthorRole.Tool;            history.AddMessage(role, item.message);        }    }    history.AddUserMessage(chatModel.prompt);    var chatResult = await chatCompletionService.GetChatMessageContentAsync(        history,         executionSettings: openAIPromptExecutionSettings,        _kernel);
    Console.Write($"\nAssistant : {chatResult}\n");
    return Json(chatResult);}