Semantic Kernel的實踐：Semantic Kernel - 認識 plugins - iT 邦幫忙::一起幫忙解決難題，拯救 IT 人的一天

2023 iThome 鐵人賽

DAY 16

AI & Data

OpenAI 從提示工程（Prompt Engineering)到語義核心(Semantic Kernel)的實踐系列第 16 篇

Semantic Kernel的實踐：Semantic Kernel - 認識 plugins

15th鐵人賽 llm chatgpt openai ai

Ian

2023-10-01 21:06:01

1320 瀏覽

分享至

前言

plugins是Semantic Kernel的核心組成之一，主要功用是封裝能力組成，交由Kernel來運行，提升LLM應用的層面，本篇來認識 plugins。

範例採用C#程式語言，並以主控台應用程式做為示範，使用的是.net 7.0。
此外GPT模型使用的是Azure OpenAI GPT-4，事實也可以依需求改用OpenAI服務，而模型也可以改用GPT-3.5。

認識 plugins

前面我們已經提到透過plugins可以讓LLM模型本身做不到的事，變成可行，看起來就像模型本身的能力，進而提升LLM應用的範疇，例如，我們都知道ChatGPT的訓練集只到2021年，也就是它的大腦資料並未更新，所以如果我們問它2023年的事情，那麼生成的內容，基本上就是胡扯出來的內容，因此如果能結合Bing/google Search，將可以讓ChatGPT能夠從網路搜尋新知識，而這裡的Bing/google Search就是plugin。

(來源: https://learn.microsoft.com/en-us/semantic-kernel/media/cross-platform-plugins.png )

簡單來說就像目前OpenAI ChatGPT開放給訂閱戶的Plugins功能一樣，那麼如果我們的LLM應用也想要做，又該怎麼做呢？

在Semantic Kernel裡就是plugins機制（過去稱為Skills），Semantic Kernel內建了一些開箱即用的plugins，當然開發者也可以自行撰寫Native Function的plugin。而在設計plugins時，通常是一系列能力的組成，例如可以建立一個叫做＂寫手＂的plugin，而這個＂寫手＂可以具有

文字風格改寫的能力
摘要總結的能力
翻譯文字的能力
內容改寫的能力。

plugins其實是結合了prompt engineering與程式碼。

Kernel在調用plugins時，有二種方式

手動調用，由程式邏輯安排調用
這個方式就是傳統程式設計方式，在程式內依邏輯決定叫什麼plugin，所以是開發者可以控制的。
經由Planner自動安排調用
這個方式是以AI為角度出發，認為Kernel本身可以自動理解程序，決定調用合適的plugin，所以是不可控的。

在設計plugins時，為了滿足＂Planner自動安排調用＂的能力，所以需要用語義的方式詳細描述這個plugins的行為，包含輸入／輸出，如此一來才能讓Planner能夠從語義上理解這個plugins的行為，進而在合適的情境調用該plugins。

Planner 規劃器，會在後續系列文做說明。

( 來源:https://learn.microsoft.com/en-us/semantic-kernel/media/writer-plugin-example.png )

plugin在設計上分成二大類，分別是Semantic functions與Native functions

Semantic functions

主要的組成是 prompt engineering，以及LLM模型的參數配置，可以想像成是與LLM模型做互動對話。所以在開發上prompt engineering會決定這個語義函數的能力。例如：

語義函數如何設計，在下一篇文章再來細部說明

{
     "schema": 1,
     "type": "completion",
     "description": "你是一位臉書小編，依下列主題撰寫語氣可愛風格的貼文，貼文內容不超過500個字，#zh-tw",
     "completion": {
          "max_tokens": 1500,
          "temperature": 0.6,
          "top_p": 0.0,
          "presence_penalty": 0.0,
          "frequency_penalty": 0.0
     },
     "input": {
          "parameters": [
               {
                    "name": "subject",
                    "description": "貼文的主題",
                    "defaultValue": ""
               }
          ]
     }
}

Native functions

主要的組成是程式碼C# 或 Python，可供Kernel調用，簡單的說就是開發者一般日常熟悉的function撰寫。因為在LLM模型的能力是有限的，例如：LLM模型並沒有讀取檔案的能力、沒有寫資料到資料庫的能力、也沒有調用API的能力，於是實務上在開發LLM應用，會有許多機會需要提供這類的Plugins

試想看看，如果要LLM模型回答今天的日期是什麼，LLM模型本身是無法回答的，所以必須有個Function可取得電腦時間，而這個Function的程式碼內容，就會是個C#的DateTime.Now。

[SKFunction, Description("Get DateTime from local")]
public DateTime GetDateTimeAsync()
{
    return DateTime.now;
}

結語

本篇內容主要帶大家認識Semantic的plugins，而這也是在開發LLM應用一定會面對的核心區域，有了對plugins的基本認識後，接下來將會對如何建立Semantic functions與Native functions做細部的教學。

嗨，我是Ian，我喜歡分享與討論，今年跟2位朋友合著了一本ChatGPT主題書，如果你是一位開發者，這本書或許會有些幫助，https://www.tenlong.com.tw/products/9786263335189
這次的鐵人賽文章也會同時發佈於個人blog，歡迎關注我的blog : https://medium.com/@ianchen_27500