摘要：using Microsoft.KernelMemory;var httpClientHandler = new OpenAIHttpClientHandler("https://api.token-ai.cn/");var key = "这里填写在https
首先我们需要打开 Visual Studio 2022，然后创建一个7_KernelMemory名称控制台项目。
打开项目文件
Exe net8.0 _7_KernelMemory enable enable
添加OpenAIHttpClientHandler.cs public class OpenAIHttpClientHandler : HttpClientHandler { private readonly string _uri; public OpenAIHttpClientHandler(string uri) => _uri = uri.TrimEnd('/'); protected override async Task SendAsync(HttpRequestMessage request, CancellationToken cancellationToken) { UriBuilder uriBuilder; if (request.RequestUri?.LocalPath == "/v1/chat/completions") { uriBuilder = new UriBuilder(_uri + "/v1/chat/completions"); request.RequestUri = uriBuilder.Uri; } else if (request.RequestUri?.LocalPath == "/v1/embeddings") { uriBuilder = new UriBuilder(_uri + "/v1/embeddings"); } return await base.SendAsync(request, cancellationToken); } }using Microsoft.KernelMemory;var httpClientHandler = new OpenAIHttpClientHandler("https://api.token-ai.cn/");var key = "这里填写在https://api.token-ai.cn/创建的令牌";var embeddingModel = "text-embedding-3-small";var textModel = "gpt-3.5-turbo";var memory = new KernelMemoryBuilder .WithOpenAITextGeneration(new OpenAIConfig { APIKey = key, TextModel = textModel }, , new HttpClient(httpClientHandler)) .WithOpenAITextEmbeddingGeneration(new OpenAIConfig { APIKey = key, EmbeddingModel = embeddingModel, }, , false, new HttpClient(httpClientHandler)) .Build;Console.WriteLine("上传知识");var docId = await memory.ImportTextAsync(@"## Semantic Kernel介绍Semantic Kernel（语义内核）这个术语在不同的学术和技术领域中可能有不同的含义，但是它通常指的是与语义处理、语义理解或语义分析相关的核心算法或技术。在计算语言学、自然语言处理（NLP）、信息检索和相关领域中，Semantic Kernel可能指的是一种用于捕捉文本或单词之间语义关系的技术。在这些领域中，Kernel通常指的是一种函数，它可以将原始数据映射到一个新的特征空间中，以便于进行机器学习算法的处理。而当我们谈论Semantic Kernel时，我们通常指的是这种函数能够反映出数据中的语义信息。例如，在文本分类或情感分析等任务中，Semantic Kernel可以帮助算法理解单词或短语之间的意义和上下文关系，从而提高处理文本的能力。");Console.WriteLine($"- Document Id: {docId}");Console.WriteLine("提问：介绍一下Semantic Kernel");var answer = await memory.AskAsync("介绍一下Semantic Kernel", minRelevance: 0.76);Console.WriteLine("assistant：" + answer.Result);运行项目运行项目，然后查看输出：
上传知识- Document Id: 2b2e2ace76eb411a800be7ee813f8c2d202405220215214437023提问：介绍一下Semantic Kernelassistant：Semantic Kernel（语义内核）是一个术语，通常用于描述与语义处理、语义理解或语义分析相关的核心算法或技术。在计算语言学、自然语言处理（NLP）、信息检索等领域中，Semantic Kernel指的是一种能够捕捉文本或单词之间语义关系的技术。通常，Kernel是指一种函数，用于将原始数据映射到新的特征空间，以便机器学习算法处理。而Semantic Kernel则是指这种函数能够反映出数据中 的语义信息，帮助算法理解单词或短语之间的意义和上下文关系，从而提高文本处理的能力。举例来说，在文本分类或情感分析任务中，Semantic Kernel可以帮助算法更好地理解文本数据的语义信息，从而提升算法的准确性和效率。第一步我们需要使用构建我们的MemoryServerless实例，然后注册了WithOpenAITextGeneration和WithOpenAITextEmbeddingGeneration解释-是用于KernelMemory的对话生成模型。解释-是用于KernelMemory的文本嵌入模型。- 当我们调用ImportTextAsync方法时，KernelMemory会将文本上传到嵌入模型中，然后吧文本转换为嵌入向量，得到向量会将其存储在内存中。- 当我们调用AskAsync方法时，KernelMemory会将问题转换为嵌入向量，然后与内存中的向量进行比较，找到最相似的文本，然后返回给我们。然后Build构建实例。接着我们调用ImportTextAsync方法，将文本上传到嵌入模型中，然后返回文档ID。这个文档ID是我们上传文本的唯一标识。并且我们可以通过文档ID来检索文本。也可以在ImportTextAsync方法中增加一些标记，比如数据外链，数据引用等。
最后我们调用AskAsync方法，将问题转换为嵌入向量，然后与内存中的向量进行比较，找到最相似的文本，然后返回给我们。
这就完成了一个针对指定文本的提问与回答的过程，一个简单的Retrieval-augmented generation（RAG）。
在这个示例中，我们展示了如何使用KernelMemory来实现导入文件提问。我们首先创建了一个实例，然后注册了和，然后我们调用ImportTextAsync方法将文本上传到嵌入模型中，然后调用AskAsync方法将问题转换为嵌入向量，然后与内存中的向量进行比较，找到最相似的文本，然后返回给我们。 来源：opendotnet
免责声明：本站系转载，并不代表本网赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题，请在30日内与本站联系，我们将在第一时间删除内容!
