RONGY

Microsoft Ügynök-keretrendszer az AI-környezetszolgáltatók ügynökhöz való hozzáadásával egyszerűen támogatja a lekéréses kiterjesztett generációs (RAG) képességek hozzáadását az ügynökökhöz.

A lekérés mellett a beszélgetési/munkamenet-mintákról a Beszélgetések > Memória áttekintésében olvashat.

A TextSearchProvider használata

Az TextSearchProvider osztály egy RAG-környezetszolgáltató beépített implementációja. Különböző működési módokat támogat, például az egyes ügynökök keresését a csevegési előzményekkel futtatva, vagy hirdetési függvényeszközöket a keresésekhez.

A beállítással ChatClientAgent könnyen csatlakoztatható egy AIContextProviders adott elemhez.

// Configure the options for the TextSearchProvider.
TextSearchProviderOptions textSearchOptions = new()
{
    SearchTime = TextSearchProviderOptions.TextSearchBehavior.BeforeAIInvoke,
};

// Create the AI agent with the TextSearchProvider.
AIAgent agent = azureOpenAIClient
    .GetChatClient(deploymentName)
    .AsAIAgent(new ChatClientAgentOptions
    {
        ChatOptions = new() { Instructions = "You are a helpful support specialist. Answer questions using the provided context and cite the source document when available." },
        AIContextProviders = [new TextSearchProvider(SearchAdapter, textSearchOptions)]
    });

Ehhez TextSearchProvider olyan függvényre van szükség, amely megadja a keresési eredményeket egy lekérdezésben. Ez bármilyen keresési technológiával implementálható, például Azure AI Keresés vagy webes keresőmotor használatával.

Jótanács

A vektortárolók keresési eredményekhez való használatával kapcsolatos további információkért tekintse meg a Vektortárolók integrációs dokumentációját.

Íme egy példa egy modellkeresési függvényre, amely a lekérdezés alapján előre definiált eredményeket ad vissza. SourceName és SourceLink nem kötelezőek, de ha meg van adva, az ügynök az információ forrására hivatkozik a felhasználó kérdésének megválaszolásakor.

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);
}

TextSearchProvider beállításai

Az TextSearchProvider osztályon keresztül TextSearchProviderOptions testre szabható. Íme egy példa arra, hogy olyan beállításokat hozhat létre, amelyekkel minden modell meghívása előtt futtathatja a keresést, és rövid ideig tarthatja a csevegési előzményeket a keresésekhez.

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

Az TextSearchProvider osztály az alábbi lehetőségeket támogatja az TextSearchProviderOptions osztályon keresztül.

Lehetőség	Típus	Description	Alapértelmezett
SearchTime	`TextSearchProviderOptions.TextSearchBehavior`	Azt jelzi, hogy mikor kell végrehajtani a keresést. Két lehetőség közül választhat, minden alkalommal, amikor az ügynök fut, vagy igény szerint függvényhívással.	`TextSearchProviderOptions.TextSearchBehavior.BeforeAIInvoke`
FunctionToolName	`string`	A közzétett keresőeszköz neve igény szerinti módban való működéskor.	"Keresés"
FunctionToolDescription	`string`	A közzétett keresőeszköz leírása igény szerinti módban való működéskor.	"Lehetővé teszi további információk keresését a felhasználói kérdés megválaszolásához."
ContextPrompt	`string`	A környezeti kérés előtagja az eredményekhez.	"## További környezet\nVegye figyelembe a forrásdokumentumok következő információinak a felhasználónak való megválaszolásakor:"
CitationsPrompt	`string`	Az idézetek kéréséhez az eredmények után hozzáfűzött utasítás.	"Ha elérhető a dokumentum neve és hivatkozása, hivatkozzon a forrásdokumentumra."
ContextFormatter	`Func<IList<TextSearchProvider.TextSearchResult>, string>`	Nem kötelező delegálni az eredménylista formázásának teljes testreszabásához. Ha meg van adva, `ContextPrompt` és `CitationsPrompt` a rendszer figyelmen kívül hagyja.	`null`
RecentMessageMemoryLimit	`int`	Azoknak a legutóbbi beszélgetési üzeneteknek a száma (mind a felhasználó, mind az asszisztens), amelyek a memóriában maradnak, és belefoglalnak a keresések keresési bemenetének `BeforeAIInvoke` összeállításakor.	`0` (letiltva)
RecentMessageRolesIncluded	`List<ChatRole>`	Azoknak a típusoknak a `ChatRole` listája, amelyekre szűrni szeretné a legutóbbi üzeneteket, amikor eldönti, hogy mely legutóbbi üzeneteket vegye figyelembe a keresési bemenet létrehozásakor.	`ChatRole.User`

Jótanács

A .NET mintákat a teljes futtatható példákért tekintse meg.

Az Ügynök-keretrendszer támogatja Szemantikus kernel VectorStore-gyűjteményeinek használatát, hogy RAG-képességeket biztosítson az ügynökök számára. Ez a bridge funkcióval érhető el, amely Szemantikus kernel keresési függvényeket ügynök-keretrendszer-eszközökké alakítja.

Keresőeszköz létrehozása a VectorStore-ból

A Szemantikus kernel VectorStore-gyűjteményből származó create_search_function metódus egy KernelFunction ad vissza, amely .as_agent_framework_tool() használatával konvertálható ügynök-keretrendszer eszközzé. A vektortároló-összekötők dokumentációjában megtudhatja , hogyan állíthat be különböző vektortároló-gyűjteményeket.

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 OpenAIChatClient

# 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 = OpenAIChatClient(model="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)

Fontos

Ehhez a funkcióhoz az 1.38-es vagy újabb verzió szükséges semantic-kernel .

Keresési viselkedés testreszabása

A keresési függvényt számos beállítással testre szabhatja:

# 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}",
)

A create_search_function paraméterekkel kapcsolatos részletes információkért tekintse meg a Szemantikus kernel dokumentációját.

Több keresési függvény használata

Több keresőeszközt is megadhat egy ügynöknek különböző tudástartományokhoz:

# 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]
)

Több keresési függvényt is létrehozhat ugyanabból a gyűjteményből különböző leírásokkal és paraméterekkel, hogy speciális keresési képességeket biztosítson:

# 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]
)

Ez a módszer lehetővé teszi az ügynök számára, hogy a felhasználó lekérdezése alapján válassza ki a legmegfelelőbb keresési stratégiát.

Támogatott VectorStore-összekötők

Ez a minta bármilyen Szemantikus kernel VectorStore-összekötővel működik, beleértve a következőket:

Azure AI Keresés (AzureAISearchCollection)
Qdrant (QdrantCollection)
Pinecone (PineconeCollection)
Redis (RedisCollection)
Weaviate (WeaviateCollection)
In-Memory (InMemoryVectorStoreCollection)
És ez még nem minden

Minden összekötő ugyanazt create_search_function a módszert biztosítja, amely az Agent Framework eszközeihez áthidalható, így kiválaszthatja az igényeinek leginkább megfelelő vektoradatbázist. A teljes listát itt tekintheti meg.

Graph RAG

Ha a GraphRAG-t gráfbejárással bővített kereséssel, Cypher-lekérdezésekkel használja, tekintse meg a Neo4j GraphRAG-szolgáltatót.

Következő lépések

Deklaratív ügynökök

Visszajelzés

Hasznosnak találta ezt az oldalt?

Last updated on 2026-04-09