Rozšíření generování agenta (RAG)

Rozhraní Microsoft Agent Framework podporuje snadné přidávání funkcí rozšířené generace (RAG) pro načítání do agentů přidáním zprostředkovatelů kontextu AI do agenta.

Použití TextSearchProvideru

Třída TextSearchProvider je předefinovaná implementace zprostředkovatele kontextu RAG.

Dá se snadno připojit k ChatClientAgent použití AIContextProviderFactory možnosti poskytovat agentům možnosti RAG.

Objekt pro vytváření je asynchronní funkce, která přijímá kontextový objekt a token zrušení.

// Create the AI agent with the TextSearchProvider as the AI context provider.
AIAgent agent = azureOpenAIClient
    .GetChatClient(deploymentName)
    .AsAIAgent(new ChatClientAgentOptions
    {
        ChatOptions = new() { Instructions = "You are a helpful support specialist for Contoso Outdoors. Answer questions using the provided context and cite the source document when available." },
        AIContextProviderFactory = (ctx, ct) => new ValueTask<AIContextProvider>(
            new TextSearchProvider(SearchAdapter, ctx.SerializedState, ctx.JsonSerializerOptions, textSearchOptions))
    });

Vyžaduje TextSearchProvider funkci, která poskytuje výsledky hledání zadanému dotazu. Tuto funkci je možné implementovat pomocí libovolné vyhledávací technologie, např. Azure AI Search nebo webového vyhledávacího webu.

Tady je příklad napodobení vyhledávací funkce, která vrací předem definované výsledky na základě dotazu. SourceName a SourceLink jsou volitelné, ale pokud je zadaná, bude agent používat k citování zdroje informací při odpovídání na otázku uživatele.

static Task<IEnumerable<TextSearchProvider.TextSearchResult>> SearchAdapter(string query, CancellationToken cancellationToken)
{
    // The mock search inspects the user's question and returns pre-defined snippets
    // that resemble documents stored in an external knowledge source.
    List<TextSearchProvider.TextSearchResult> results = new();

    if (query.Contains("return", StringComparison.OrdinalIgnoreCase) || query.Contains("refund", StringComparison.OrdinalIgnoreCase))
    {
        results.Add(new()
        {
            SourceName = "Contoso Outdoors Return Policy",
            SourceLink = "https://contoso.com/policies/returns",
            Text = "Customers may return any item within 30 days of delivery. Items should be unused and include original packaging. Refunds are issued to the original payment method within 5 business days of inspection."
        });
    }

    return Task.FromResult<IEnumerable<TextSearchProvider.TextSearchResult>>(results);
}

Možnosti TextSearchProvider

Dá TextSearchProvider se přizpůsobit prostřednictvím TextSearchProviderOptions třídy. Tady je příklad vytvoření možností pro spuštění hledání před každým vyvoláním modelu a zachování krátkého klouzavého okna kontextu konverzace.

TextSearchProviderOptions textSearchOptions = new()
{
    // Run the search prior to every model invocation and keep a short rolling window of conversation context.
    SearchTime = TextSearchProviderOptions.TextSearchBehavior.BeforeAIInvoke,
    RecentMessageMemoryLimit = 6,
};

Třída TextSearchProvider podporuje následující možnosti prostřednictvím TextSearchProviderOptions třídy.

Možnost	Typ	Description	Výchozí
SearchTime	`TextSearchProviderOptions.TextSearchBehavior`	Označuje, kdy má být vyhledávání provedeno. Existují dvě možnosti, při každém vyvolání agenta nebo volání funkce na vyžádání.	`TextSearchProviderOptions.TextSearchBehavior.BeforeAIInvoke`
FunctionToolName	`string`	Název vystaveného vyhledávacího nástroje při provozu v režimu na vyžádání.	"Hledat"
FunctionToolDescription	`string`	Popis vystaveného vyhledávacího nástroje při provozu v režimu na vyžádání.	"Umožňuje hledání dalších informací, které pomáhají zodpovědět otázku uživatele."
ContextPrompt	`string`	Kontextový řádek s předponou výsledků při provozu v `BeforeAIInvoke` režimu.	"## Další kontext\npři odpovídání na uživatele zvažte následující informace ze zdrojových dokumentů:"
CitationsPrompt	`string`	Instrukce připojená po výsledcích k vyžádání citací při provozu v `BeforeAIInvoke` režimu.	"Do zdrojového dokumentu uveďte citace s názvem dokumentu a odkazem, pokud je k dispozici název dokumentu a odkaz."
ContextFormatter	`Func<IList<TextSearchProvider.TextSearchResult>, string>`	Volitelný delegát pro úplné přizpůsobení formátování seznamu výsledků při provozu v `BeforeAIInvoke` režimu. Pokud je k dispozici, `ContextPrompt` a `CitationsPrompt` jsou ignorovány.	`null`
RecentMessageMemoryLimit	`int`	Počet nedávných zpráv konverzace (uživatele i asistenta), které mají zůstat v paměti, a zahrnout při vytváření vstupu hledání hledání `BeforeAIInvoke` .	`0` (zakázáno)
RecentMessageRolesIncluded	`List<ChatRole>`	Seznam `ChatRole` typů pro filtrování posledních zpráv při rozhodování, které poslední zprávy mají být zahrnuty při vytváření vstupu hledání.	`ChatRole.User`

Použití sémantického jádra VectorStore s architekturou agenta

Agent Framework podporuje použití sémantických kolekcí VectorStore jádra k poskytování funkcí RAG agentům. Toho se dosahuje prostřednictvím funkcí mostu, které převádí sémantické funkce vyhledávání jádra na nástroje Agent Framework.

Důležité

Tato funkce vyžaduje semantic-kernel verzi 1.38 nebo vyšší.

Vytvoření vyhledávacího nástroje z VectorStore

Metoda create_search_function ze sémantické jádro VectorStore kolekce vrací KernelFunction , který lze převést na agent framework nástroj pomocí .as_agent_framework_tool(). V dokumentaci ke konektorům vektorového úložiště se dozvíte, jak nastavit různé kolekce vektorového úložiště.

from semantic_kernel.connectors.ai.open_ai import OpenAITextEmbedding
from semantic_kernel.connectors.azure_ai_search import AzureAISearchCollection
from semantic_kernel.functions import KernelParameterMetadata
from agent_framework.openai import OpenAIResponsesClient

# Define your data model
class SupportArticle:
    article_id: str
    title: str
    content: str
    category: str
    # ... other fields

# Create an Azure AI Search collection
collection = AzureAISearchCollection[str, SupportArticle](
    record_type=SupportArticle,
    embedding_generator=OpenAITextEmbedding()
)

async with collection:
    await collection.ensure_collection_exists()
    # Load your knowledge base articles into the collection
    # await collection.upsert(articles)

    # Create a search function from the collection
    search_function = collection.create_search_function(
        function_name="search_knowledge_base",
        description="Search the knowledge base for support articles and product information.",
        search_type="keyword_hybrid",
        parameters=[
            KernelParameterMetadata(
                name="query",
                description="The search query to find relevant information.",
                type="str",
                is_required=True,
                type_object=str,
            ),
            KernelParameterMetadata(
                name="top",
                description="Number of results to return.",
                type="int",
                default_value=3,
                type_object=int,
            ),
        ],
        string_mapper=lambda x: f"[{x.record.category}] {x.record.title}: {x.record.content}",
    )

    # Convert the search function to an Agent Framework tool
    search_tool = search_function.as_agent_framework_tool()

    # Create an agent with the search tool
    agent = OpenAIResponsesClient(model_id="gpt-4o").as_agent(
        instructions="You are a helpful support specialist. Use the search tool to find relevant information before answering questions. Always cite your sources.",
        tools=search_tool
    )

    # Use the agent with RAG capabilities
    response = await agent.run("How do I return a product?")
    print(response.text)

Přizpůsobení chování hledání

Funkci vyhledávání můžete přizpůsobit různými možnostmi:

# Create a search function with filtering and custom formatting
search_function = collection.create_search_function(
    function_name="search_support_articles",
    description="Search for support articles in specific categories.",
    search_type="keyword_hybrid",
    # Apply filters to restrict search scope
    filter=lambda x: x.is_published == True,
    parameters=[
        KernelParameterMetadata(
            name="query",
            description="What to search for in the knowledge base.",
            type="str",
            is_required=True,
            type_object=str,
        ),
        KernelParameterMetadata(
            name="category",
            description="Filter by category: returns, shipping, products, or billing.",
            type="str",
            type_object=str,
        ),
        KernelParameterMetadata(
            name="top",
            description="Maximum number of results to return.",
            type="int",
            default_value=5,
            type_object=int,
        ),
    ],
    # Customize how results are formatted for the agent
    string_mapper=lambda x: f"Article: {x.record.title}\nCategory: {x.record.category}\nContent: {x.record.content}\nSource: {x.record.article_id}",
)

Úplné podrobnosti o dostupných parametrech create_search_functionnajdete v dokumentaci k sémantickému jádru.

Použití více vyhledávacích funkcí

Agenta můžete poskytnout více vyhledávacích nástrojů pro různé znalostní domény:

# Create search functions for different knowledge bases
product_search = product_collection.create_search_function(
    function_name="search_products",
    description="Search for product information and specifications.",
    search_type="semantic_hybrid",
    string_mapper=lambda x: f"{x.record.name}: {x.record.description}",
).as_agent_framework_tool()

policy_search = policy_collection.create_search_function(
    function_name="search_policies",
    description="Search for company policies and procedures.",
    search_type="keyword_hybrid",
    string_mapper=lambda x: f"Policy: {x.record.title}\n{x.record.content}",
).as_agent_framework_tool()

# Create an agent with multiple search tools
agent = chat_client.as_agent(
    instructions="You are a support agent. Use the appropriate search tool to find information before answering. Cite your sources.",
    tools=[product_search, policy_search]
)

Můžete také vytvořit více vyhledávacích funkcí ze stejné kolekce s různými popisy a parametry, které poskytují specializované možnosti vyhledávání:

# Create multiple search functions from the same collection
# Generic search for broad queries
general_search = support_collection.create_search_function(
    function_name="search_all_articles",
    description="Search all support articles for general information.",
    search_type="semantic_hybrid",
    parameters=[
        KernelParameterMetadata(
            name="query",
            description="The search query.",
            type="str",
            is_required=True,
            type_object=str,
        ),
    ],
    string_mapper=lambda x: f"{x.record.title}: {x.record.content}",
).as_agent_framework_tool()

# Detailed lookup for specific article IDs
detail_lookup = support_collection.create_search_function(
    function_name="get_article_details",
    description="Get detailed information for a specific article by its ID.",
    search_type="keyword",
    top=1,
    parameters=[
        KernelParameterMetadata(
            name="article_id",
            description="The specific article ID to retrieve.",
            type="str",
            is_required=True,
            type_object=str,
        ),
    ],
    string_mapper=lambda x: f"Title: {x.record.title}\nFull Content: {x.record.content}\nLast Updated: {x.record.updated_date}",
).as_agent_framework_tool()

# Create an agent with both search functions
agent = chat_client.as_agent(
    instructions="You are a support agent. Use search_all_articles for general queries and get_article_details when you need full details about a specific article.",
    tools=[general_search, detail_lookup]
)

Tento přístup umožňuje agentovi zvolit nejvhodnější strategii vyhledávání na základě dotazu uživatele.

Podporované konektory VectorStore

Tento model funguje s libovolným konektorem VectorStore se sémantickým jádrem, včetně:

Azure AI Search (AzureAISearchCollection)
Qdrant (QdrantCollection)
Borovice (PineconeCollection)
Redis (RedisCollection)
Weaviate (WeaviateCollection)
In-Memory (InMemoryVectorStoreCollection)
A další

Každý konektor poskytuje stejnou create_search_function metodu, která se dá přemístit na nástroje Agent Framework, což vám umožní zvolit vektorové databáze, které nejlépe vyhovují vašim potřebám. Podívejte se sem na úplný seznam.

Další kroky

Middleware agenta

Váš názor

Byla tato stránka užitečná?

Last updated on 2026-01-22