彻底颠覆！谁说AI Agent是Python的天下？.NET实战：自定义上下文记忆，我们也能玩！

关注

原创最新推荐文章于 2026-08-09 11:58:42 发布 785 阅读 AI 写同款· GEO 优化 ›

从小白到专家：DeepSeek 模型硬件配置完全指南 DeepSeek是由深度求索（DeepSeek）推出的一系列大语言模型，涵盖从轻量级到超大规模的不同版本。高效性：优化了推理和训练效率，适合多种应用场景。灵活性：支持从单机到分布式集群的部署方式。多场景适配：适用于文本生成、代码补全、对话系统等任务。为了充分发挥DeepSeek模型的性能，合理的硬件配置至关重要。以下是针对不同规模模型的具体硬件需求。阅读详情

AIContextProvider：Agent 记忆机制的核心原理

一句话简介

AIContextProvider 是 MAF 的抽象基类，用于在 Agent 调用 AI 模型前后注入自定义逻辑，实现用户信息记忆、知识库检索等企业级功能。

🎯 核心价值

✅ InvokingAsync：调用模型前注入上下文（用户信息、知识库检索结果）
✅ InvokedAsync：调用模型后提取信息，更新内部状态
✅ Serialize：序列化记忆状态，支持持久化和跨 Thread 共享

📝 核心接口

public abstract class AIContextProvider{    // 1️⃣ 调用前：注入上下文信息    public virtual ValueTask<AIContext> InvokingAsync(        InvokingContext context,         CancellationToken ct = default);        // 2️⃣ 调用后：提取信息，更新状态    public virtual ValueTask InvokedAsync(        InvokedContext context,         CancellationToken ct = default);        // 3️⃣ 序列化：保存记忆状态    public virtual JsonElement Serialize(        JsonSerializerOptions? options = null);}

💻 执行流程

📊 三个核心方法详解

方法	执行时机	主要用途	返回值
InvokingAsync	调用模型前	注入 Instructions、Messages	`AIContext`
InvokedAsync	调用模型后	提取信息、更新状态	`ValueTask`
Serialize	Thread 序列化时	保存记忆状态	`JsonElement`

典型应用场景

场景	InvokingAsync	InvokedAsync
用户信息记忆	注入已知姓名、年龄	从对话中提取新信息
知识库检索(RAG)	注入检索到的文档	记录检索命中情况
个性化配置	根据用户偏好调整 Instructions	学习用户偏好
统计分析	注入用户行为统计	更新统计数据

💻 实现示例

用户信息记忆

public sealedclassUserInfoMemory : AIContextProvider{    privatereadonly IChatClient _chatClient;  // ❌ 不序列化    public UserInfo UserInfo { get; set; }      // ✅ 序列化        // 构造函数1：首次创建    public UserInfoMemory(IChatClient chatClient, UserInfo? userInfo = null)    {        _chatClient = chatClient;        UserInfo = userInfo ?? new UserInfo();    }        // 构造函数2：反序列化恢复    public UserInfoMemory(IChatClient chatClient, JsonElement serializedState, ...)    {        _chatClient = chatClient;        UserInfo = serializedState.Deserialize<UserInfo>()!;    }        // 调用前：注入用户信息    public override ValueTask<AIContext> InvokingAsync(...)    {        var instructions = UserInfo.UserName isnull            ? "Ask the user for their name."            : $"The user's name is {UserInfo.UserName}.";                returnnew ValueTask<AIContext>(new AIContext { Instructions = instructions });    }        // 序列化：只保存数据状态    public override JsonElement Serialize(...)    {        return JsonSerializer.SerializeToElement(UserInfo);    }}

🏢 最佳实践

✅ DO - 推荐做法

// ✅ 分离数据状态和服务依赖private readonly IChatClient _chatClient;  // 不序列化public UserInfo UserInfo { get; set; }      // 序列化// ✅ 实现两个构造函数public MyProvider(IChatClient client) { }               // 首次创建public MyProvider(IChatClient client, JsonElement) { }  // 反序列化// ✅ 使用 ??= 运算符仅更新未知信息UserInfo.UserName ??= extractedInfo.UserName;// ✅ 异常处理不影响主流程try { /* 提取信息 */ }catch { Console.WriteLine("提取失败"); }

❌ DON’T - 避免的错误

// ❌ 序列化服务依赖return JsonSerializer.SerializeToElement(new { ChatClient = _chatClient });// ❌ 在 InvokingAsync 中执行耗时操作await _db.GetAsync(...);  // 每次调用都执行！// ❌ 直接修改 Agent.Instructionsagent.Instructions += "...";  // 应该通过 AIContext.Instructions 注入

🎯 总结

✅ 三个核心方法：InvokingAsync（注入上下文）、InvokedAsync（提取信息）、Serialize（持久化）
✅ 两个构造函数：首次创建 + 反序列化恢复
✅ 分离原则：数据状态（序列化）vs 服务依赖（不序列化）
✅ 应用场景：用户信息记忆、RAG、个性化配置、统计分析

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述