如何将Semantic Kernel与Azure OpenAI服务结合-flask-CSS教程网

如何将Semantic Kernel与Azure OpenAI服务结合

Semantic Kernel（SK）是一个开源的AI编排框架，由微软开发，用于构建和集成AI应用。Azure OpenAI服务是微软Azure平台提供的托管式OpenAI API，支持GPT系列模型（如GPT-3.5、GPT-4）。将它们结合使用，可以高效地调用AI模型进行文本生成、对话等任务。以下步骤将指导您完成结合过程，确保结构清晰、易于操作。整个过程基于Python实现（SK也支持C#，但Python更通用）。

前提条件

在开始前，请确保您已满足以下要求：

拥有有效的Azure账户，并已开通Azure OpenAI服务。
在Azure门户中创建了OpenAI资源，获取了以下信息：
- API密钥（API Key）。
- 终结点URL（Endpoint URL）。
- 部署名称（Deployment Name），例如gpt-35-turbo。
安装Python 3.8或更高版本。
安装必要的Python包：使用pip安装Semantic Kernel和依赖库。

步骤详解

以下是逐步结合Semantic Kernel与Azure OpenAI服务的流程：

安装Semantic Kernel SDK
- 打开终端或命令提示符，运行以下命令安装SK Python包：
```
pip install semantic-kernel
```
配置Azure OpenAI服务
- 登录Azure门户，导航到您的OpenAI资源。
- 复制API密钥、终结点URL和部署名称（这些信息在后续代码中需要）。
初始化Semantic Kernel并添加Azure OpenAI服务
- 在Python代码中，导入SK库，并创建Kernel实例。
- 使用AzureChat***pletion类（SK内置的connector）添加Azure OpenAI作为后端服务。
- 注意：SK调用通常是异步的，因此使用asyncio处理异步操作。
定义和调用语义函数
- 创建一个语义函数（semantic function），用于定义提示词（prompt）和任务。
- 通过Kernel调用该函数，获取Azure OpenAI模型的响应。
测试和优化
- 运行代码，验证连接是否成功。
- 根据需求调整提示词或模型参数（如温度、最大令牌数）。

完整代码示例

以下是一个简单的Python示例，演示如何结合SK与Azure OpenAI服务。代码实现了基本的对话功能：询问天气并获取模型响应。

import asyncio
import semantic_kernel as sk
from semantic_kernel.connectors.ai.open_ai import AzureChat***pletion

async def main():
    # 步骤1: 设置Azure OpenAI配置（替换为您的实际信息）
    deployment_name = "your-deployment-name"  # 例如："gpt-35-turbo"
    endpoint = "https://your-endpoint.openai.azure.***/"  # 您的终结点URL
    api_key = "your-api-key"  # 您的API密钥

    # 步骤2: 初始化Semantic Kernel
    kernel = sk.Kernel()
    
    # 步骤3: 添加Azure OpenAI服务到Kernel
    kernel.add_chat_service(
        "azure_chat_***pletion", 
        AzureChat***pletion(deployment_name, endpoint, api_key)
    )

    # 步骤4: 定义语义函数（prompt示例）
    prompt = "What's the weather like today in {city}?"
    semantic_function = kernel.create_semantic_function(prompt)

    # 步骤5: 调用函数（异步执行）
    context = kernel.create_new_context()
    context["city"] = "Beijing"  # 设置输入变量
    result = await semantic_function.invoke_async(context=context)
    
    # 输出结果
    print(f"模型响应: {result}")

# 运行异步主函数
if __name__ == "__main__":
    asyncio.run(main())

关键参数说明

deployment_name：在Azure OpenAI中创建的模型部署名称，例如gpt-35-turbo。
endpoint：Azure OpenAI服务的URL，格式为https://<your-resource-name>.openai.azure.***/。
api_key：从Azure门户获取的API密钥（安全存储，避免泄露）。
prompt：定义任务的提示词；{city}是一个变量，可通过上下文动态填充。
异步调用：SK使用异步模式，确保在Python脚本中使用asyncio.run()。

注意事项

安全性：API密钥应存储在环境变量或密钥管理服务（如Azure Key Vault）中，避免硬编码在代码里。

错误处理：添加try-except块处理网络错误或API限制，例如：

try:
    result = await semantic_function.invoke_async(context=context)
except Exception as e:
    print(f"错误发生: {e}")

性能优化：根据需求调整模型参数，例如在create_semantic_function中设置max_tokens或temperature。
扩展功能：SK支持插件（plugins）和规划器（planners），可用于构建复杂工作流。参考Semantic Kernel文档深入学习。

通过以上步骤，您可以轻松将Semantic Kernel与Azure OpenAI服务结合，快速开发AI应用。如果遇到问题，请检查Azure配置或升级SK包至最新版本。

转载请说明出处内容投诉
CSS教程网 » 如何将Semantic Kernel与Azure OpenAI服务结合

努力！奋斗已认证

分享到：