瞭解核心

核心是語意核心中最重要的元件。最簡單的是核心是相依性插入容器，可管理執行 AI 應用程式所需的所有服務和外掛程式。如果您將所有服務和外掛程式提供給核心，AI 會視需要順暢地使用這些服務與外掛程式。

核心在正中央

因為核心具有執行原生程式代碼和 AI 服務所需的所有服務和外掛程式，所以語意核心 SDK 內幾乎每個元件都會使用它來為您的代理程式提供動力。這表示如果您在 Semantic Kernel 中執行任何提示或程式碼，則核心一律可供擷取必要的服務和外掛程式。

在 Semantic Kernel 中，核心是所有事物的中心

這極其強大，因為這意味著您作為開發人員，擁有一個集中位置來設定，並且最重要的是監控您的 AI 代理程式。例如，當您從核心叫用提示時。當您這樣做時，核心會...

選取最佳的 AI 服務以執行提示。
使用範本來建立提示。
將提示傳送至 AI 服務。
接收並剖析回應。
最後，將 LLM 的回應傳回至您的應用程式。

在整個程式中，您可以建立每個步驟所觸發的事件和中間件。這表示您可以執行記錄、提供狀態更新給使用者，以及最重要的負責任 AI 等動作。皆出自一處。

使用服務和外掛程式建置核心

在建置核心之前，您應該先瞭解存在的兩種元件類型：

元件	描述
服務	這些是由 AI 服務（例如聊天完成）和其他服務（例如記錄和 HTTP 用戶端）所組成，這些服務是執行應用程式所需的。這是以 .NET 中的服務提供者模式為模型，因此我們可以跨所有語言支援相依性插入。
外掛程式	這些是 AI 服務和提示範本用來執行工作的元件。例如，AI 服務可以使用外掛程式從資料庫擷取數據，或呼叫外部 API 來執行動作。

若要開始建立核心，請在檔案頂端匯入必要的套件：

using Microsoft.Extensions.DependencyInjection;
using Microsoft.Extensions.Logging;
using Microsoft.SemanticKernel;
using Microsoft.SemanticKernel.Plugins.Core;

接下來，您可以新增服務和外掛程式。以下是如何新增 Azure OpenAI 聊天完成、記錄器和時間外掛程式的範例。

// Create a kernel with a logger and Azure OpenAI chat completion service
var builder = Kernel.CreateBuilder();
builder.AddAzureOpenAIChatCompletion(modelId, endpoint, apiKey);
builder.Services.AddLogging(c => c.AddDebug().SetMinimumLevel(LogLevel.Trace));
builder.Plugins.AddFromType<TimePlugin>();
Kernel kernel = builder.Build();

匯入必要的套件：

from semantic_kernel import Kernel
from semantic_kernel.connectors.ai.open_ai import AzureChatCompletion
from semantic_kernel.core_plugins.time_plugin import TimePlugin

接下來，您可以建立核心。

# Initialize the kernel
kernel = Kernel()

最後，您可以新增必要的服務和外掛程式。以下是如何新增 Azure OpenAI 聊天完成、記錄器和時間外掛程式的範例。

# Add the Azure OpenAI chat completion service
kernel.add_service(AzureChatCompletion(model_id, endpoint, api_key))

# Add a plugin
kernel.add_plugin(
    TimePlugin(),
    plugin_name="TimePlugin",
)

從核心建立 MCP 伺服器

我們現在支援從您在語意核心實例中註冊的函式建立 MCP 伺服器。

若要這樣做，您可以像往常一樣建立核心，然後從中建立 MCP 伺服器。

from semantic_kernel import Kernel
from semantic_kernel.connectors.ai.open_ai import OpenAIChatCompletion
from semantic_kernel.functions import kernel_function
from semantic_kernel.prompt_template import InputVariable, PromptTemplateConfig

kernel = Kernel()

@kernel_function()
def echo_function(message: str, extra: str = "") -> str:
    """Echo a message as a function"""
    return f"Function echo: {message} {extra}"

kernel.add_service(OpenAIChatCompletion(service_id="default"))
kernel.add_function("echo", echo_function, "echo_function")
kernel.add_function(
    plugin_name="prompt",
    function_name="prompt",
    prompt_template_config=PromptTemplateConfig(
        name="prompt",
        description="This is a prompt",
        template="Please repeat this: {{$message}} and this: {{$extra}}",
        input_variables=[
            InputVariable(
                name="message",
                description="This is the message.",
                is_required=True,
                json_schema='{ "type": "string", "description": "This is the message."}',
            ),
            InputVariable(
                name="extra",
                description="This is extra.",
                default="default",
                is_required=False,
                json_schema='{ "type": "string", "description": "This is the message."}',
            ),
        ],
    ),
)
server = kernel.as_mcp_server(server_name="sk")

server上述建立的對象來自mcp套件，您可以藉由新增資源或其他功能來進一步擴充它。然後，您可以將它帶上線，例如與 Stdio 搭配使用：

import anyio
from mcp.server.stdio import stdio_server

async def handle_stdin(stdin: Any | None = None, stdout: Any | None = None) -> None:
    async with stdio_server() as (read_stream, write_stream):
        await server.run(read_stream, write_stream, server.create_initialization_options())

anyio.run(handle_stdin)

或是使用 SSE：

import uvicorn
from mcp.server.sse import SseServerTransport
from starlette.applications import Starlette
from starlette.routing import Mount, Route

sse = SseServerTransport("/messages/")

async def handle_sse(request):
    async with sse.connect_sse(request.scope, request.receive, request._send) as (read_stream, write_stream):
        await server.run(read_stream, write_stream, server.create_initialization_options())

starlette_app = Starlette(
    debug=True,
    routes=[
        Route("/sse", endpoint=handle_sse),
        Mount("/messages/", app=sse.handle_post_message),
    ],
)

uvicorn.run(starlette_app, host="0.0.0.0", port=8000)

將提示範本作為 MCP 提示展現出來

您也可以運用不同的語意核心提示範本，將其作為 MCP 提示來公開使用，如此示例：

from semantic_kernel.prompt_template import InputVariable, KernelPromptTemplate, PromptTemplateConfig

prompt = KernelPromptTemplate(
    prompt_template_config=PromptTemplateConfig(
        name="release_notes_prompt",
        description="This creates the prompts for a full set of release notes based on the PR messages given.",
        template=template,
        input_variables=[
            InputVariable(
                name="messages",
                description="These are the PR messages, they are a single string with new lines.",
                is_required=True,
                json_schema='{"type": "string"}',
            )
        ],
    )
)

server = kernel.as_mcp_server(server_name="sk_release_notes", prompts=[prompt])

建置核心

核心可以使用來建置 Kernel.builder()。在此，您可以新增必要的 AI 服務和外掛程式。

Kernel kernel = Kernel.builder()
    .withAIService(ChatCompletionService.class, chatCompletionService)
    .withPlugin(lightPlugin)
    .build();

使用相依性插入

在 C# 中，您可以使用相依性插入來建立核心。這可藉由建立 ServiceCollection 並新增服務和插件來完成。以下是如何使用相依性插入建立核心的範例。

提示

建議您建立核心做為暫時性服務，以便在每次使用之後處置它，因為外掛程式集合是可變的。核心非常輕量型（因為它只是服務和外掛程式的容器），因此為每個用途建立新的核心並不是效能考慮。

using Microsoft.SemanticKernel;

var builder = Host.CreateApplicationBuilder(args);

// Add the OpenAI chat completion service as a singleton
builder.Services.AddOpenAIChatCompletion(
    modelId: "gpt-4",
    apiKey: "YOUR_API_KEY",
    orgId: "YOUR_ORG_ID", // Optional; for OpenAI deployment
    serviceId: "YOUR_SERVICE_ID" // Optional; for targeting specific services within Semantic Kernel
);

// Create singletons of your plugins
builder.Services.AddSingleton(() => new LightsPlugin());
builder.Services.AddSingleton(() => new SpeakerPlugin());

// Create the plugin collection (using the KernelPluginFactory to create plugins from objects)
builder.Services.AddSingleton<KernelPluginCollection>((serviceProvider) => 
    [
        KernelPluginFactory.CreateFromObject(serviceProvider.GetRequiredService<LightsPlugin>()),
        KernelPluginFactory.CreateFromObject(serviceProvider.GetRequiredService<SpeakerPlugin>())
    ]
);

// Finally, create the Kernel service with the service provider and plugin collection
builder.Services.AddTransient((serviceProvider)=> {
    KernelPluginCollection pluginCollection = serviceProvider.GetRequiredService<KernelPluginCollection>();

    return new Kernel(serviceProvider, pluginCollection);
});

提示

如需如何在 C# 中使用相依性插入的更多範例，請參閱概念範例。

下一步

既然您已瞭解核心，您可以瞭解可新增至該核心的所有不同 AI 服務。

瞭解 AI 服務

Last updated on 2025-04-16

共用方式為