摘要：我觉得将日常生活中一些简单重复的任务交给AI Agent，是学习构建AI Agent应用一个很不错的开始。本次分享我以日常生活中一个总结论文的简单任务出发进行说明，希望对大家了解AI Agent有所帮助。任务可以是多种多样的，真的帮助自己提升了效率，那就是一个
我觉得将日常生活中一些简单重复的任务交给AI Agent，是学习构建AI Agent应用一个很不错的开始。本次分享我以日常生活中一个总结论文的简单任务出发进行说明，希望对大家了解AI Agent有所帮助。任务可以是多种多样的，真的帮助自己提升了效率，那就是一个很不错的开始了！！
我的这个简单任务是这样的，有一篇文献，如下所示：
我想要对该文献进行总结，然后将md格式笔记保存。
我之前的做法是使用Cherry Studio新建一个论文总结助手，如下所示：
然后上传文献，进行总结，如下所示：
然后新建一个笔记md文件，将这些内容复制进去，这样就完成了一个简单的任务，如下所示：
虽然说已经比最开始的时候，只是将文献翻译一下，就直接开始读，然后尝试自己总结主要内容强太多了。但是还是有需要改进的地方，那就是选择文件，新建笔记文件，复制笔记内容这些简单重复的事，可以尝试一下把这些交给一个AI Agent！！
前几个月，当我刚开始尝试构建AI Agent应用的时候，经过测试，我发现在Semantic Kernel中，想要使用函数调用的话，只有OpenAI与Kimi的模型能用，而OpenAI模型的使用在国内是不太方便的，而构建一个AI Agent函数调用功能是必不可少的。经过一番探索，找到了一位大佬的方法，可以通过提示词来实现函数调用：
Semantic Kernel/C#：一种通用的Function Calling方法，文末附大模型清单
然后根据这个方法，做了一个简单的AI Agent项目进行介绍：
SimpleAIAgent：使用免费的glm-4-flash即可开始构建简单的AI Agent应用
GitHub地址：https://github.com/Ming-jiayou/SimpleAIAgent
经过几个月的发展，我发现现在在Semantic Kernel中使用国内具有函数调用能力的模型效果也还行了。现在开始构建我们自己的AI Agent应用吧！！
为了尽量保持简单，不增加无关的心智负担，便于感兴趣的朋友自己动手，新建一个C#控制台项目。
实现这个简单的Demo可以有五种不同的方式：
第一种使用基本的Semantic Kernel中的Function calling with chat completion
相关文档：Function calling with chat completion | Microsoft Learn
第二种使用Semantic Kernel Chat Completion Agent
相关文档：Exploring the Semantic Kernel Chat Completion Agent (Experimental) | Microsoft Learn
第三种使用Microsoft.Extensions.AI
相关文档：extensions/src/Libraries/Microsoft.Extensions.AI.OpenAI at main · dotnet/extensions
第四种使用Semantic Kernel Open AI Assistant Agent
相关文档：Exploring the Semantic Kernel Open AI Assistant Agent (Experimental) | Microsoft Learn
第五种使用UniversalLLMFunctionCaller
相关文档：Jenscaasen/UniversalLLMFunctionCaller: A planner that integrates into Semantic Kernel to enable function calling on all Chat based LLMs (Mistral, Bard, Claude, LLama etc)
我先使用第二种方式进行说明。
先安装这三个库：
实现这个AI Agent需要自己先写好一个总结论文的相关插件：
最初的插件：
[KernelFunction("ExtractPDFContent")][Description("读取指定路径的PDF文档内容")]
[return: Description("PDF文档内容")]
public string ExtractPDFContent(string filePath)
{
StringBuilder text = new StringBuilder;
// 读取PDF内容
using (Pdfdocument document = PdfDocument.Open(filePath))
{
foreach (var page in document.GetPages)
{
text.Append(page.Text);
}
}
return text.ToString;
}
[KernelFunction]
[Description("根据文件路径与笔记内容创建一个md格式的文件")]
public void SaveMDNotes([Description("保存笔记的路径")] string filePath, [Description("笔记的md格式内容")] string mdContent)
{
try
{
// 检查文件是否存在，如果不存在则创建
if (!File.Exists(filePath))
{
// 创建文件并写入内容
File.WriteAllText(filePath, mdContent);
}
else
{
// 如果文件已存在，覆盖写入内容
}
}
catch (Exception ex)
{
// 处理异常
Console.WriteLine($"An error occurred:{ex.Message}");
}
}
原本是想AI自己多次调用这些函数，比如先调用第一个获取pdf文献内容，然后生成一个md格式笔记，然后再调用第二个函数。但是在实际实践中，只有OpenAI的模型这样子效果还可以，其他的模型多次函数调用的效果并不好，因此最终选择内置一个Kernel的方法。
最终的插件：
internal sealedclassPaperAssistantPlugin{
public PaperAssistantPlugin
{
IKernelBuilder builder = Kernel.CreateBuilder;
#pragma warning disable SKEXP0010 // 类型仅用于评估，在将来的更新中可能会被更改或删除。取消此诊断以继续。
builder.AddOpenAIChatCompletion(
modelId: "deepseek-ai/DeepSeek-V2.5",
apiKey: "sk-xxx",
endpoint: new Uri("https://api.siliconflow.cn")
);
#pragma warning restore SKEXP0010 // 类型仅用于评估，在将来的更新中可能会被更改或删除。取消此诊断以继续。
InterKernel = builder.Build;
}
internal Kernel InterKernel { get; set; }
[KernelFunction("ExtractPDFContent")]
[Description("读取指定路径的PDF文档内容")]
[return: Description("PDF文档内容")]
public string ExtractPDFContent(string filePath)
{
StringBuilder text = new StringBuilder;
// 读取PDF内容
using (PdfDocument document = PdfDocument.Open(filePath))
{
foreach (var page in document.GetPages)
{
text.Append(page.Text);
}
}
return text.ToString;
}
[KernelFunction]
[Description("根据文件路径与笔记内容创建一个md格式的文件")]
public void SaveMDNotes([Description("保存笔记的路径")] string filePath, [Description("笔记的md格式内容")] string mdContent)
{
try
{
// 检查文件是否存在，如果不存在则创建
if (!File.Exists(filePath))
{
// 创建文件并写入内容
File.WriteAllText(filePath, mdContent);
}
else
{
// 如果文件已存在，覆盖写入内容
}
}
catch (Exception ex)
{
// 处理异常
Console.WriteLine($"An error occurred:{ex.Message}");
}
}
[KernelFunction]
[Description("总结论文内容生成一个md格式的笔记，并将笔记保存到指定路径")]
public async void GeneratePaperSummary(string filePath1,string filePath2)
{
// 读取PDF内容
using (PdfDocument document = PdfDocument.Open(filePath1))
{
{
}
}
// 生成md格式的笔记
string skPrompt = """
论文内容：
{{$input}}
请总结论文的摘要、前言、文献综述、主要论点、研究方法、结果和结论。
论文标题为《[论文标题]》，作者为[作者姓名]，发表于[发表年份]。请确保总结包含以下内容：
论文摘要
论文前言
论文文献综诉
主要研究问题和背景
使用的研究方法和技术
主要结果和发现
论文的结论和未来研究方向
""";
var result = await InterKernel.InvokePromptAsync(skPrompt, new { ["input"] = text.ToString });
try
{
// 检查文件是否存在，如果不存在则创建
if (!File.Exists(filePath2))
{
// 创建文件并写入内容
File.WriteAllText(filePath2, result.ToString);
Console.WriteLine($"生成笔记成功，笔记路径：{filePath2}");
}
else
{
// 如果文件已存在，覆盖写入内容
}
}
catch (Exception ex)
{
// 处理异常
{ex.Message}");
}
}
}
}
内置的一个Kernel用于生成md格式的论文笔记。
internal classProgram{
public static async Task Main
{
Console.WriteLine("Initialize plugins...");
PaperAssistantPlugin paperAssistantPugin = new PaperAssistantPlugin;
Console.WriteLine("Creating kernel...");
IKernelBuilder builder = Kernel.CreateBuilder;
//builder.AddOpenAIChatCompletion(
// "gpt-4o-mini-2024-07-18",
// "xxx"
// );
#pragma warning disable SKEXP0010 // 类型仅用于评估，在将来的更新中可能会被更改或删除。取消此诊断以继续。
builder.AddOpenAIChatCompletion(
modelId: "Qwen/Qwen2.5-32B-Instruct",
apiKey: "xxx",
endpoint: new Uri("https://api.siliconflow.cn")
);
// builder.AddOpenAIChatCompletion(
// modelId: "glm-4-flash",
// apiKey: "xxx",
// endpoint: new Uri("https://open.bigmodel.cn/api/paas/v4")
//);
// modelId: "yi-large-fc",
// apiKey: "xxx",
// endpoint: new Uri("https://api.lingyiwanwu.com/v1")
//);
#pragma warning restore SKEXP0010 // 类型仅用于评估，在将来的更新中可能会被更改或删除。取消此诊断以继续。
builder.Plugins.AddFromObject(paperAssistantPugin);
Kernel kernel = builder.Build;
Console.WriteLine("Defining agent...");
#pragma warning disable SKEXP0110 // 类型仅用于评估，在将来的更新中可能会被更改或删除。取消此诊断以继续。
ChatCompletionAgent agent =
new
{
Name = "PaperAssistantAgent",
Instructions =
"""
你是一个用于读取pdf文献内容，并总结内容，生成一个md笔记的智能代理。
用户提供论文路径与创建笔记的路径
注意文件路径的格式应如下所示：
"D:\文献\表格识别相关\文献\xx.pdf"
"D:\文献\表格识别相关\笔记\xx.md"
请总结论文的摘要、前言、文献综述、主要论点、研究方法、结果和结论。
论文标题为《[论文标题]》，作者为[作者姓名]，发表于[发表年份]。请确保总结包含以下内容：
论文摘要
论文前言
论文文献综诉
主要研究问题和背景
使用的研究方法和技术
主要结果和发现
论文的结论和未来研究方向
""",
Kernel = kernel,
Arguments =
new KernelArguments(new OpenAIPromptExecutionSettings { FunctionChoiceBehavior = FunctionChoiceBehavior.Auto,MaxTokens =16000})
};
#pragma warning restore SKEXP0110 // 类型仅用于评估，在将来的更新中可能会被更改或删除。取消此诊断以继续。
Console.WriteLine("Ready!");
ChatHistory history = ;
bool isComplete =false;
do
{
Console.WriteLine;
Console.Write("> ");
string input = Console.ReadLine;
if (string.IsOrWhiteSpace(input))
{
continue;
}
if (input.Trim.Equals("EXIT", StringComparison.OrdinalIgnoreCase))
{
isComplete =true;
break;
}
if (input.Trim.Equals("Clear", StringComparison.OrdinalIgnoreCase))
{
history.Clear;
Console.WriteLine("已清除聊天记录");
continue;
}
history.Add(new ChatMessageContent(AuthorRole.User, input));
Console.WriteLine;
awaitforeach (ChatMessageContent response in agent.InvokeAsync(history))
{
// Display response.
Console.WriteLine($"{response.Content}");
}
} while (!isComplete);
}
}
}
在主函数中定义的这个Kernel主要用于与用户交互与选择调用哪个函数。
开始查看效果：
会发现在自动调用插件中的这个函数了。
由于我使用的是异步方式，AI会先给出回答，实际上笔记还没有真的生成，当出现生成笔记成功，笔记路径：xxx的时候，笔记才真的生成成功，如下所示：
就成功实现我们自己的简单的AI Agent应用了。
可能很多人并不熟悉C#也不太懂得编程，但是对自己构建AI Agent应用还是很感兴趣的。接下来我将手把手地介绍该如何使用，希望完全的小白也能学会使用。
项目GitHub地址：https://github.com/Ming-jiayou/PaperAssistant
C#程序员git clone项目之后，将.env.example改为.env然后填入自己想要使用的模型与密钥以及Endpoint即可。
这里重点介绍一下非程序朋友的使用。
我已经发布了一个版本放到GitHub上了，如果上GitHub有问题，也可以联系我。但还是推荐从GitHub上下载，比较安全一点，随便打开别人给的文件不太好。
下载好了之后，解压如下所示：
将.env.example改为.env然后填入自己想要使用的模型与密钥以及Endpoint即可。
以下是手把手的尝试几个不同的平台。
SiliconCloud
现在注册有送2000万token的活动，最nice的一点是送的token没有时间期限。想试试的朋友可以点击链接：https://cloud.siliconflow.cn/i/Ia3zOSCU，注册使用。
直接点击exe文件，即可使用：
image-20250102144800507出现完成之后，并没有真的完成：
需要继续等待，等到出现“生成笔记成功，笔记路径：xxx”的时候才真正生成完成：
智谱AI
glm-4-flash是免费使用的，配置如下所示：
效果：
可以发现总结的内容比Qwen/Qwen2.5-72B-Instruct-128K要少很多。
DeepSeek
配置如下所示：
效果：
第一次没成功，就再来一次。
总结的很好，可惜是英文的，再试一次：
总结的也很不错，但是不好的一点是似乎陷入了死循环：
过一会又把生成的覆盖掉了，变成英文的了，如下所示：
一下就花掉了10万token，我这个应用看来不适合使用DeepSeek。
零一万物
配置如下：
需要改成yi-large-fc才行。
效果：
如果有朋友硅基流动赠送的额度都用完了，但是也想体验一下，可以联系我获取体验的api key，用的量多了随时关闭，不太可靠。
来源：opendotnet