在人工智能迅速发展的背景下，C#与微软AI生态结合，开发者可通过SemanticKernel框架轻松实现智能应用。本文探讨如何利用开源项目示例快速上手AI+C#开发，支持本地模型，确保数据隐私和离线使用。

本文探讨了如何将SemanticKernel与ASP.NET Core结合以提供聊天服务。首先介绍了Kernel的基本用法，然后提出了在ASP.NET Core中管理Kernel生命周期的方案，包括单例和作用域的使用。接着，介绍了通过克隆Kernel实例来提升性能的方法。最后，强调了可以在ASP.NET Core的默认容器中注册服务，以实现更灵活的使用。

本文介绍了2024年LLM应用与RAG技术的结合，强调向量在文本处理中的重要性，包括文本嵌入、相似性搜索和生成增强。通过SK和Redis实现向量存储与检索，展示基本CRUD操作和向量搜索，旨在帮助读者学习SemanticKernel。

Semantic Kernel（SK）是微软的开源框架，旨在帮助开发者将大型语言模型集成到应用中。它支持多种编程语言，简化了LLM的调用与管理，提高了智能应用的构建效率，并允许灵活选择本地或国产模型。

前面的 2 篇文章已经介绍了 ollama 的基本情况。我们也已经能在本地跟 LLM 进行聊天了。但是如何使用代码跟 LLM 进行交互呢？如果是 C# 选手那自然是使用 SK (SemanticKernel) 了。在这篇博客中，我们将探讨如何使用 Microsoft 的 SemanticKernel 框架对接 Ollama 的聊天服务。我们将通过一个简单的 C# 控制台应用程序来展示如何实现这一点...

本文介绍了如何通过Codeblaze.SemanticKernel项目实现ITextEmbeddingGenerationService接口，接入本地嵌入模型。通过实现接口中的方法和属性，可以将Ollama中的嵌入模型接入到Codeblaze.SemanticKernel中。文章还提供了使用OllamaTextEmbeddingGeneration类和扩展方法WithOllamaTextEmbeddingGeneration的示例代码。最后，作者展示了使用界面测试了RAG效果和回答效果。

本文介绍了在SemanticKernel/C#中使用Ollama的对话模型与嵌入模型用于本地离线场景的方法。对话模型是gemma2:2b，嵌入模型是all-minilm:latest。使用方法见https://github.com/BLaZeKiLL/Codeblaze.SemanticKernel/tree/main/dotnet/Codeblaze.SemanticKernel.Connectors.Ollama。

检索增强生成(RAG)是什么？RAG是“Reference-based Generative model with Attention”的缩写，也可以被称为“Retrieval-Augmented Generation”，是一种结合了检索技术和生成模型的方法，主要用于自然语言处理任务，如文本生成、对话系统、机器翻译等。RAG模型通过从外部知识库中检索相关信息，并将其与输入文本结合，以生成更准确、更...

Avalonia是一个跨平台的UI框架，适用于.NET开发，支持多种平台。Semantic Kernel是一个SDK，可以整合大型语言模型和编程语言。硅基流动是一个AI基础设施平台，提供大模型云服务。文章介绍了如何使用Avalonia和Semantic Kernel构建一个基于大模型的聊天应用。

本文介绍了如何在SK中使用开源模型LLama3。首先引入Nuget包，然后下载LLama3模型并运行。通过LLamaSharpChatCompletion进行聊天，可以准确回答专业问题。效果很好，且不需要key，轻松跑。

该文章介绍了在SemanticKernel中使用监控和量化监控的方法。通过添加Nuget包和配置Prometheus、Grafana等工具，可以实现对Token数量的监控和展示。

这篇文章介绍了在SK中使用Plugins功能实现购买的案例。通过自然语言输入购买信息，代码将其转化为确定性的功能。文章还提供了具体的代码示例和核心方法的定义。

本文介绍了一个具体案例，将公众号上的中文技术文章翻译成选择的语言。使用Playwright读取html内容，利用SemanticKernel的OpenAIChatCompletionService功能进行翻译，然后用Playwright将结果发送到Qiit上。具体实现了C#代码。

本篇介绍了使用ImageToText来获取图片内的信息的方法。通过AI判断上传的图片是否正确。后端代码使用了Microsoft.SemanticKernel和OpenAI库，前端代码使用了Bootstrap和jQuery库。

SemanticKernel引入了生成图片的功能，通过TextToImage实现。前端代码实现了一个页面，可以输入提示词并获取相应的图片。可以用于生成验证码图片。

AntSK是一个开源项目，结合了.NET 8、AntBlazor和SemanticKernel，旨在构建全面可扩展的AI知识库。应用场景包括智能助手、智能客服和知识图谱构建。未来展望包括功能增强、性能优化和社区发展。

本文介绍了作者使用Avalonia框架和SemanticKernel技术构建本地AI助手的经历，强调了传统Web端AI助手的局限性。作者使用Avalonia构建了客户端界面，并集成了SemanticKernel，使AI助手能够处理自然语言输入并执行任务。作者开源了项目的源代码，希望吸引更多人参与贡献，共同推动技术发展。

本文介绍了使用SemanticKernel实现自动调度拼装多个模块实现复杂功能的方法，通过解析XML配置文件进行调度和配置，最后使用SemanticKernel的执行Plan的方法完成所有的功能。代码放在github和gitee，可以通过命令行获取。

Semantic Kernel（SK）是一个结合了大型语言模型（LLM）和流行编程语言的SDK，为应用程序开发人员和ML工程师打造。SK支持语义函数和本地函数，可以创建自定义插件，支持Java、Python和C#。SK Planner是一个自动函数调用的函数，可以根据指定的功能创建分步计划，然后执行它们。SK还支持AI插件，包括语义和本机函数。SK的应用开发工具包括VS代码扩展、Prompt flow和Prompt Playground。

本文介绍了如何将技能导入到SemanticKernel框架中，并通过管道方式调用技能。通过KernelBuilder创建IKernel对象，使用ImportSkill方法导入技能。使用管道方式调用技能，对字符串进行裁剪和转换为大写。通过SemanticKernel框架的能力，方便地组合多个技能完成更复杂的任务。下一篇将介绍如何自定义技能。