Semantic Kernel：微软大模型开发框架—

大模型相关目录

大模型，包括部署微调prompt/Agent应用开发、知识库增强、数据库增强、知识图谱增强、自然语言处理、多模态等大模型应用开发内容
从0起步，扬帆起航。

基于Dify的QA数据集构建（附代码）
Qwen-2-7B和GLM-4-9B：大模型届的比亚迪秦L
文擎毕昇和Dify：大模型开发平台模式对比
Qwen-VL图文多模态大模型微调指南
从零开始的Ollama指南：部署私域大模型
基于Dify的智能分类方案：大模型结合KNN算法（附代码）
OpenCompass：大模型测评工具
一文读懂多模态大模型基础架构
大模型管理平台：one-api使用指南
大模型RAG、ROG、RCG概念科普
RAGOnMedicalKG：大模型结合知识图谱的RAG实现
DSPy：变革式大模型应用开发
最简明的Few-shot Prompt指南
Semantic Kernel：微软大模型开发框架——LangChain 替代

文章目录

大模型相关目录
Semantic Kernel介绍
与Langchain对比
部署使用

Semantic Kernel介绍

Semantic Kernel：一个集成大型语言模型（LLM）的 SDK，如 OpenAI、Azure OpenAI、以及使用 C#、Python 和 Java 等传统编程语言的 Hugging Face。语义内核实现了这一点通过允许您定义可以链接在一起的插件只需几行代码。

然而，语义内核的特别之处在于它能够自动编排带有 AI 的插件。使用语义内核规划器，您可以可以要求 LLM 生成实现用户唯一目标的计划。之后语义内核将为用户执行计划。

Semantic Kernel 的主要特点：

• 灵活的插件架构: 允许开发者定义可以链接在一起的插件，仅需几行代码即可实现复杂的功能。

• AI 驱动的插件编排: 可以使用 Semantic Kernel 规划器让 LLM 生成一个计划来实现用户的独特目标，然后 Semantic Kernel 将为用户执行该计划。

• 多语言支持: 支持 C#、Python 和 Java 编程语言，方便不同技术背景的开发者使用。

在这里插入图片描述

与Langchain对比

LangChain 作为一款备受欢迎的 AI 应用开发框架，凭借其丰富的预制组件和易用性，吸引了众多开发者的目光。然而，微软开源的 Semantic Kernel 框架以其独特的优势和强大的功能，为开发者带来了全新的选择，或将成为 LangChain 的有力竞争者。
在这里插入图片描述

部署使用

项目开源地址：

python">https://github.com/microsoft/semantic-kernel

python教程：

python">https://github.com/microsoft/semantic-kernel/blob/main/python/samples/getting_started/03-prompt-function-inline.ipynb

在这里插入图片描述
安装最新软件包：

python">python -m pip install --upgrade semantic-kernel

如果要使用一些可选依赖项（默认安装 OpenAI），可以使用以下命令进行安装：

python">python -m pip install --upgrade semantic-kernel[hugging_face]

或全部：

python">python -m pip install --upgrade semantic-kernel[all]

使用示例：

python">import asyncio

from semantic_kernel importKernel
from semantic_kernel.functions import kernel_function
from semantic_kernel.connectors.ai.open_ai importAzureChatCompletion
from semantic_kernel.connectors.ai.function_call_behavior importFunctionCallBehavior
from semantic_kernel.connectors.ai.chat_completion_client_base importChatCompletionClientBase
from semantic_kernel.contents.chat_history importChatHistory
from semantic_kernel.functions.kernel_arguments importKernelArguments

from semantic_kernel.connectors.ai.open_ai.prompt_execution_settings.azure_chat_prompt_execution_settings import(
AzureChatPromptExecutionSettings,
)

asyncdefmain():
# Initialize the kernel
    kernel =Kernel()

# Add Azure OpenAI chat completion
    kernel.add_service(AzureChatCompletion(
        deployment_name="your_models_deployment_name",
        api_key="your_api_key",
        base_url="your_base_url",
))

# Set the logging level for  semantic_kernel.kernel to DEBUG.
    logging.basicConfig(
format="[%(asctime)s - %(name)s:%(lineno)d - %(levelname)s] %(message)s",
        datefmt="%Y-%m-%d %H:%M:%S",
)
    logging.getLogger("kernel").setLevel(logging.DEBUG)

# Add a plugin (the LightsPlugin class is defined below)
    kernel.add_plugin(
LightsPlugin(),
        plugin_name="Lights",
)

    chat_completion :AzureChatCompletion= kernel.get_service(type=ChatCompletionClientBase)

# Enable planning
    execution_settings =AzureChatPromptExecutionSettings(tool_choice="auto")
    execution_settings.function_call_behavior =FunctionCallBehavior.EnableFunctions(auto_invoke=True, filters={})

# Create a history of the conversation
    history =ChatHistory()

# Initiate a back-and-forth chat
    userInput =None
whileTrue:
# Collect user input
        userInput =input("User > ")

# Terminate the loop if the user says "exit"
if userInput =="exit":
break

# Add user input to the history
        history.add_user_message(userInput)

# Get the response from the AI
        result =(await chat_completion.get_chat_message_contents(
            chat_history=history,
            settings=execution_settings,
            kernel=kernel,
            arguments=KernelArguments(),
))[0]

# Print the results
print("Assistant > "+str(result))

# Add the message from the agent to the chat history
        history.add_message(result)

# Run the main function
if __name__ =="__main__":
    asyncio.run(main())