这是一门面向.NET开发者的AI课程，涵盖Semantic Kernel和Kernel Memory等核心内容。课程通过Polyglot Notebook进行互动学习，已更新至50课时，旨在帮助开发者快速转型，掌握实用技能和前沿技术。

在AI技术领域，大语言模型（LLM）在问答系统（QA）构建中应用广泛。为了解决文本切片方法可能导致核心内容被切割的问题，本文介绍了如何利用KernelMemory（KM）进行QA问答切片。通过自定义处理器和调用本地API接口，可以生成更精准的切片。测试结果表明，利用KernelMemory进行QA问答切片是一种有前景的方法，可以提高问答系统的效果。

本文介绍了使用Semantic Kernel和Kernel Memory框架进行AI开发的入门教程，包括配置环境、模型划分和应用场景，部署one-api、配置项目环境和使用插件函数，以及使用提示模板文件和配置提示词。

Microsoft.KernelMemory是一个开源的服务和插件，用于高效索引数据集。它可以作为Semantic Kernel、Microsoft Copilot和ChatGPT的插件，与AI平台应用程序集成。支持向量存储、内容存储和异步摄取队列等后端。可以通过服务模式、无服务器模式和库模式使用。可以使用NuGet包安装并配置后端、连接器和插件。可以导入和删除文档，并使用自然语言进行查询。详细步骤和示例可参考GitHub文档。

Microsoft.KernelMemory是一个开源的服务和插件，专门用于通过自定义的连续数据混合管道对数据集进行高效的索引。 利用先进的嵌入和LLM，系统可以使用自然语言对索引的数据进行查询，同时提供引用和链接到原始来源。 Microsoft.KernelMemory可以作为Semantic K