Name chat, Description 给出一段对话记录总结这部分对话., Template SummarizeConversationDefinition, TemplateFormat semantic-kernel, InputVariables new ListInputVariable { new InputVariable{Name request, Description 用户的问题, IsRequired true } }, ExecutionSettings new Dictionarystring, PromptExecutionSettings { { default, new OpenAIPromptExecutionSettings() { MaxTokens 1000, Temperature 0 } }, { gpt-3.5-turbo, new OpenAIPromptExecutionSettings() { ModelId gpt-3.5-turbo-0613, MaxTokens 4000, Temperature 0.2 } }, { gpt-4, new OpenAIPromptExecutionSettings() { ModelId gpt-4-1106-preview, MaxTokens 8000, Temperature 0.3 } } }提示模板语法目前我们已经有两个地方使用到提示模板的语法即变量和函数调用因为前面已经介绍过相关的用法因此这里再简单提及一下。变量变量的使用很简单在提示工程中使用{{$变量名称}}标识即可如{{$name}}。然后在对话中有多种方法插入值如使用 KernelArguments 存储变量值new KernelArguments { { name, 工良 } });函数调用在 实现总结 一节提到过在提示模板中可以明确调用一个函数比如定义一个函数如下// 没有 Kernel kernel [KernelFunction, Description(给你一份很长的谈话记录总结一下谈话内容.)] public async Taskstring SummarizeConversationAsync( [Description(长对话记录\r\n.)] string input) { await Task.CompletedTask; return input; } // 有 Kernel kernel [KernelFunction, Description(给你一份很长的谈话记录总结一下谈话内容.)] public async Taskstring SummarizeConversationAsync( [Description(长对话记录\r\n.)] string input, Kernel kernel) { await Task.CompletedTask; return input; } [KernelFunction] [Description(Sends an email to a recipient.)] public async Task SendEmailAsync( Kernel kernel, string recipientEmails, string subject, string body ) { // Add logic to send an email using the recipientEmails, subject, and body // For now, well just print out a success message to the console Console.WriteLine(Email sent!); }函数一定需要使用[KernelFunction]标识[Description]描述函数的作用。函数可以一个或多个参数每个参数最好都使用[Description]描述作用。函数参数中可以带一个Kernel kernel可以放到开头或末尾 也可以不带主要作用是注入Kernel对象。在 prompt 中使用函数时需要传递函数参数总结如下{{AAA.SummarizeConversationAsync $input}}.其它一些特殊字符的转义方法等详见官方文档https://learn.microsoft.com/en-us/semantic-kernel/prompts/prompt-template-syntax文本生成前面劈里啪啦写了一堆东西都是说聊天对话的本节来聊一下文本生成的应用。文本生成和聊天对话模型主要有以下模型Model typeModelText generationtext-ada-001Text generationtext-babbage-001Text generationtext-curie-001Text generationtext-davinci-001Text generationtext-davinci-002Text generationtext-davinci-003Chat Completiongpt-3.5-turboChat Completiongpt-4当然文本生成不一定只能用这么几个模型使用 gpt-4 设定好背景提示也可以达到相应效果。文本生成可以有以下场景使用文本生成的示例如下让 AI 总结文本按照这个示例我们先在 Env.cs 中编写扩展函数配置使用.AddAzureOpenAITextGeneration()文本生成而不是聊天对话。public static IKernelBuilder WithAzureOpenAIText(this IKernelBuilder builder) { var configuration GetConfiguration(); // 需要换一个模型比如 gpt-35-turbo-instruct var AzureOpenAIDeploymentName ca; var AzureOpenAIModelId gpt-35-turbo-instruct; var AzureOpenAIEndpoint configuration[AzureOpenAI:Endpoint]!; var AzureOpenAIApiKey configuration[AzureOpenAI:ApiKey]!; builder.Services.AddLogging(c { c.AddDebug() .SetMinimumLevel(LogLevel.Trace) .AddSimpleConsole(options { options.IncludeScopes true; options.SingleLine true; options.TimestampFormat yyyy-MM-dd HH:mm:ss ; }); }); // 使用 Chat 即大语言模型聊天 builder.Services.AddAzureOpenAITextGeneration( AzureOpenAIDeploymentName, AzureOpenAIEndpoint, AzureOpenAIApiKey, modelId: AzureOpenAIModelId ); return builder; }然后编写提问代码用户可以多行输入文本最后使用000结束输入将文本提交给 AI 进行总结。进行总结时为了避免 AI 废话太多因此这里使用ExecutionSettings配置相关参数。代码示例如下builder builder.WithAzureOpenAIText(); var kernel builder.Build(); Console.WriteLine(输入文本); var request ; while (true) { var input Console.ReadLine(); if (input 000) { break; } request Environment.NewLine; request input; } var func kernel.CreateFunctionFromPrompt(new PromptTemplateConfig { Name chat, Description 给出一段对话记录总结这部分对话., // 用户的文本 Template request, TemplateFormat semantic-kernel, ExecutionSettings new Dictionarystring, PromptExecutionSettings { { default, new OpenAIPromptExecutionSettings() { MaxTokens 100, Temperature (float)0.3, TopP (float)1, FrequencyPenalty (float)0, PresencePenalty (float)0 } } } }); var result await func.InvokeAsync(kernel); Console.WriteLine($ 总结如下 {string.Join(\n, result)} );