Semantic Kernel(语义内核)整合ChatGLM

Semantic Kernel介绍

语义内核是一种轻型开源开发工具包，可用于轻松生成 AI 代理并将最新的 AI 模型集成到 C#、Python 或 Java 代码库中。 它充当一个高效的中间件，可实现企业级解决方案的快速交付。

更多内容：https://learn.microsoft.com/zh-cn/semantic-kernel/overview/

ChatGLM介绍

中文名：智谱清言，是大语言模型，类似的还有豆包、通义千问等等。让它自己介绍下吧。

我是 ChatGLM，一个由智谱 AI 公司精心打造的人工智能助手。我的核心是一个基于深度学习的语言模型，经过大量数据和算法的训练，我能够理解和生成自然语言，从而与用户进行流畅的对话。我的设计初衷是为了提供信息查询、知识解答、文本生成和日常交流等服务。

选择它的原因是，智谱有免费的模型：glm-4-flash。方便大家可以尝试。

开始

注册并获取模型apikeys

网站链接：https://www.bigmodel.cn/

邀请链接：注册即可获得额外GLM-4-Air 2000万Tokens好友专属福利

小伙伴们可以通过网站链接，进行注册，也可以通过邀请链接，互惠互利。不影响后续教程。

注册完成以后，前往APIkeys 设置

添加完API keys后，可以在下面的列表中进行复制。

示例

使用微软官方提供的快速入门指南示例。使用python的小伙伴，看到这里可以离开自行研究了。以下我使用C#来演示。

打开Visual Studio，新建一个控制台项目。通过Nuget安装包：Microsoft.SemanticKernel

打开Program.cs，代码修改如下：

// Import packages
using System.ComponentModel;
using System.Text.Json.Serialization;
using Microsoft.SemanticKernel;
using Microsoft.SemanticKernel.ChatCompletion;
using Microsoft.SemanticKernel.Connectors.OpenAI;

internal class Program
{
    private static async Task Main(string[] args)
    {
        var httpclient = new HttpClient(new GlmHttpHandler());
        
        // 使用 OpenAI 聊天完成创建内核
        var builder = Kernel.CreateBuilder().AddOpenAIChatCompletion("glm-4-flash", <使用上面智谱的api keys>, httpClient: httpclient);
        
        // Build the kernel
        Kernel kernel = builder.Build();
        var chatCompletionService = kernel.GetRequiredService<IChatCompletionService>();

        // 添加插件（LightsPlugin 类定义如下）
        kernel.Plugins.AddFromType<LightsPlugin>("Lights");
        
        OpenAIPromptExecutionSettings openAIPromptExecutionSettings = new()
        {
            FunctionChoiceBehavior = FunctionChoiceBehavior.Auto()
        };

        // 创建聊天上下文
        var history = new ChatHistory();

        string? userInput;
        do
        {
            // 用户消息
            Console.Write("User > ");
            userInput = Console.ReadLine();

            // 添加用户消息到聊天上下文
            history.AddUserMessage(userInput);

            // 获取AI响应
            var result = await chatCompletionService.GetChatMessageContentAsync(
                history,
                executionSettings: openAIPromptExecutionSettings,
                kernel: kernel);

            // 打印结果
            Console.WriteLine("Assistant > " + result);

            // 将来自AI的响应消息添加到聊天上下文
            history.AddMessage(result.Role, result.Content ?? string.Empty);
        }
        while (userInput is not null);
    }
}

public class GlmHttpHandler : HttpClientHandler
{
    protected override Task<HttpResponseMessage> SendAsync(HttpRequestMessage request, CancellationToken cancellationToken)
    {
        request.RequestUri = new Uri("https://open.bigmodel.cn/api/paas/v4/chat/completions");
        return base.SendAsync(request, cancellationToken);
    }
}

public class LightsPlugin
{
    // Mock data for the lights
    private readonly List<LightModel> lights = new()
    {
        new LightModel { Id = 1, Name = "Table Lamp", IsOn = false },
        new LightModel { Id = 2, Name = "Porch light", IsOn = false },
        new LightModel { Id = 3, Name = "Chandelier", IsOn = true }
    };

    [KernelFunction("get_lights")]
    [Description("Gets a list of lights and their current state")]
    [return: Description("An array of lights")]
    public async Task<List<LightModel>> GetLightsAsync()
    {
        return lights;
    }

    [KernelFunction("change_state")]
    [Description("Changes the state of the light")]
    [return: Description("The updated state of the light; will return null if the light does not exist")]
    public async Task<LightModel?> ChangeStateAsync(int id, bool isOn)
    {
        var light = lights.FirstOrDefault(light => light.Id == id);
        if (light == null)
        {
            return null;
        }

        // Update the light with the new state
        light.IsOn = isOn;
        return light;
    }
}

public class LightModel
{
    [JsonPropertyName("id")]
    public int Id { get; set; }
    [JsonPropertyName("name")]
    public string Name { get; set; }
    [JsonPropertyName("is_on")]
    public bool? IsOn { get; set; }
}

测试结果：

User > 我有灯吗
Assistant > 根据查询结果，您有3盏灯，分别是台灯、门廊灯和吊灯。其中，台灯和门廊灯目前处于关闭状态，而吊灯处于开启状态。
User > 打开台灯
Assistant > 已成功打开台灯。
User > 查看灯的状态
Assistant > 当前灯的状态如下：台灯开启，门廊灯关闭，吊灯开启。
User > 关闭路灯
Assistant > 已成功关闭门廊灯。
User > 关闭车灯
Assistant > 您没有提到具体的车灯类型，请问您想要关闭哪种车灯？例如，前大灯、尾灯还是雾灯？
User > 前大灯
Assistant > 请问您现在是否已经关闭了前大灯？
User > 你帮我看看
Assistant > 根据查询结果，目前没有找到与车灯相关的设备信息。请问您是否确认要关闭车灯？
User > 确认
Assistant > 很抱歉，我们无法控制车灯的开关。如果您需要关闭车灯，请手动操作。

当你询问与灯相关的问题时，大模型会去调用灯的相关函数来补充回答，小伙伴们可以发挥想象，玩一玩。