插件（Plugin）是Semantic Kernel框架的核心支柱，它充当着连接大语言模型的"智能"与传统业务逻辑的"确定性"之间的桥梁。在下一章中，我们将探讨Semantic...

与传统计算的缓存机制不同，Semantic Kernel的Memory系统模仿了人类的记忆过程，能够让AI模型记住历史交互、检索相关知识，并在后续决策中利用这些信息。Memory系统通过向量数据库集成和检索增强生成技术，为AI应用提供了强大的记忆能力，是构建真正智能应用的核心基础。常用的嵌入模型如Azure...

随着Agentic AI 的最新进展，Microsoft 正在改进其相关开发工具，整合 Semantic Kernel 和 AutoGen 的功能，提供新的开源 Microsoft Agent Framework，以简化 AI Agent和Multi-Agent工作流程的构建、编排和部署，支持 Python 和...

微软推出开源的Microsoft Agent Framework，整合了Semantic Kernel与AutoGen，旨在简化AI代理和多代理工作流程的构建与部署，支持Python和.NET，提高开发效率，提供稳定性与灵活性，帮助开发者快速创建强大的AI代理。

Microsoft Semantic Kernel 中的流程框架（Process Framework）是一种前沿的方法，旨在优化 AI 与业务流程的集成。借助流程框架，你可以实现无缝的 AI 集成，让工作流更智能、更灵活。Process Framework 将 AI（通过 Semantic...

别慌，这篇超长、结构化、技术 + 思辨 + 轻幽默的文章，帮你在架构、理念、实现与落地策略上一次分清：它俩不是“谁替代谁”，而是“领域抽象层次与工程化路径的分岔与互补”前者让你快，后者让你稳与长远。并要求它们像“服务”一样被注册、发现、互联、监控，这时仅靠 SK 的“函数 + Planner”模型就显吃力——需要一个。MAF...

Agent Framework 并不是独立存在的，它是 Semantic Kernel 的扩展层，所有能力（消息、插件、函数调用等）都依赖于 Semantic Kernel 的Kernel。：为特定任务定义不同类型的智能体（如数据抓取、API 交互、自然语言处理），应用可随需求变化快速扩展。：多个智能体协作完成复杂任务（如数据收集 → 分析 →...

在上几篇文章中，我们一步步拆解了Semantic...

在后续章节中，我们将走进 Semantic Kernel Agent Framework 的世界，探讨更多的智能体框架，并结合 Azure AI 服务与Azure AI Foundry 展开应用探索。精彩内容，敬请期待！Semantic Kernel中如何生成文本向量(Embedding)Semantic Kernel 框架中的 Kernel 对象。Semantic...

MCP（Model Context Protocol，模型上下文协议）是一个开放协议，旨在让 AI 应用能够更轻松地扩展额外能力。通过 MCP，你可以让 AI 无缝调用外部服务或插件，从而突破模型本身的限制。在 Semantic Kernel 中，你可以直接将 MCP Server 提供的插件接入到 Agent 中，极大提升应用的可扩展性和自动化能力。帮我在...

在当今由 AI 驱动的环境中，组织越来越希望在维护数据隐私和降低运营成本的同时，使用大语言模型。Microsoft Foundry Local 是一款免费的工具，允许开发者完全在设备上运行生成式 AI 模型 —— 无需 Azure 订阅，无需网络连接，且数据不会离开你的笔记本或桌面设备。将 Semantic Kernel 的编排能力与 Foundry Local...

想象一下，如果你可以像搭建乐高积木一样构建AI应用，每个Plugin就是一个精心设计的模块，既可以独立工作，又能与其他模块完美融合。Semantic Kernel的Plugin架构不仅仅是一个技术框架，它更是一种思维方式的转变。无论是调用外部API、处理文档、管理邮件，还是进行复杂的业务逻辑计算，Plugin架构都为我们提供了一种优雅、可扩展的解决方案。在Semantic...

本文探讨了Semantic Kernel中的Agents概念，强调其自主决策和多代理协作能力。Agents能够处理复杂任务，支持实时集成和多模态交互，从而提升企业应用的自动化和效率。安全性和可观测性是关键，确保系统的可控性。未来，Semantic Kernel将与.NET共同发展，推动代理模式的创新与普及。

Semantic Kernel 的向量存储提供强大的向量搜索功能，支持过滤和分页。通过 SearchAsync 方法，可以基于向量化数据进行搜索，支持多种向量类型和配置选项，如 VectorProperty、Top、Skip 和 IncludeVectors，从而提升性能和安全性。

本文探讨了Semantic Kernel的Memory机制，强调其在AI任务中的重要性。Memory分为语义Memory和短期Memory，支持上下文记忆和知识检索。通过向量存储集成，RAG模式提高了AI输出的准确性，适用于知识库聊天机器人等应用，优化了传统数据访问方式。

Semantic Kernel中的规划器负责任务分解和执行，通过AI分析用户意图生成步骤序列。主要有三种类型：Action Planner适用于简单任务，Sequential Planner处理线性步骤，Handlebars Planner支持复杂逻辑。这些工具帮助开发者构建自动化流程，提高企业系统的效率和灵活性。

本文介绍了一种基于RAG和MCP Agent的销售业务AI智能应答系统，利用Northwind数据库和C#实现。该系统允许管理层通过自然语言查询员工和客户信息，AI根据历史数据生成SQL查询并返回结果。案例代码开源，展示了AI技术在企业级系统中的应用。

本文探讨了从Microsoft Semantic Kernel迁移到Spring AI的实践，分析了技术选型对企业级AI应用成功的影响。迁移不仅涉及技术栈的切换，还提升了架构思维，增强了性能、扩展性和维护效率。项目涵盖智能对话和动态模型调用等核心场景，面临多模型管理和插件化架构的挑战。通过设计灵活的动态模型服务和智能工具系统，成功实现了迁移。

本文探讨了提示工程在Semantic Kernel中的应用，强调其对AI输出质量的影响。通过Few-Shot和Chain-of-Thought技巧，开发者可以优化提示，从而提升AI在.NET项目中的表现。文章提供了C#示例，展示了这些方法在实际项目中的实现，最终提高系统的准确性和效率。

本文探讨了如何将Neo4j图数据库与大语言模型（LLM）结合，构建问答系统。通过知识图谱存储信息，LLM生成Cypher查询，最终提供自然语言答案，从而提升问答的智能化水平。