上一篇概述了 Semantic Kernel 的核心組成，本篇將更深入探討 Kernel 的使用，並透過一個入門範例來展示如何進行設定與操作。本範例著重於展示一個簡單的對話回合，幫助大家理解如何開始使用 Semantic Kernel 以及基本的 Kernel 配置。因此，此處不會涉及長短期記憶、Plugins、Agents等進階主題，這些內容將在後續章節中逐步介紹。

範例應用配置說明

• 使用.NET 8.0 主控台應用
• 使用Azure OpenAI建立 GPT-4o-mini 模型服務(或是 OpenAI GPT-4o-mini)

Let's Go

• 透過 Nuget 安裝 Semantic Kernel
  在 NuGet 中，你可以找到多個與 Semantic Kernel 相關的套件包，其中 Microsoft.SemanticKernel 是一個較大的整合套件包，包含了許多其他相關的套件，例如 OpenAI、Azure OpenAI、DALL-E 等等。而另一個套件 Microsoft.SemanticKernel.Core，顧名思義，只包含最核心的部分，其它功能則可以根據需求手動安裝。我們在這裡直接選擇安裝 Microsoft.SemanticKernel 套件。目前最新版本為 1.19.0。

dotnet add package Microsoft.SemanticKernel --version 1.19.0

• 建立 Kernel 物件 (OpenAI)
  Semantic Kernel 內建支援與 OpenAI 連接，因此在程式碼中，只需在建立 Kernel 物件時，配置 AddOpenAIChatCompletion 方法，並提供 apiKey 和 modelId 參數，就能輕鬆與 OpenAI 服務連接。modelId 參數可依據需求從OpenAI 官方頁面(https://platform.openai.com/docs/models)查閱，選擇適合的模型進行配置。

Kernel kernel = Kernel.CreateBuilder()
            .AddOpenAIChatCompletion(
                modelId: openai_modelId,
                apiKey: openai_apiKey)
            .Build();

• 建立 Kernel 物件 (Azure OpenAI)
  如果使用 Azure OpenAI，則在建立 Kernel 物件時，需要改用 AddAzureOpenAIChatCompletion 方法。這個方法同樣是 Semantic Kernel 內建的，包含三個必要的參數：服務端點、部署名稱以及 apiKey。這些資訊可以從 Azure OpenAI Studio 上取得。需要特別注意的是"部署名稱"並不是指模型的名稱，而是你在部署模型時所設定的名稱。

Kernel kernel = Kernel.CreateBuilder()
            .AddAzureOpenAIChatCompletion(
                endpoint: aoai_endpoint,
                deploymentName: aoai_deployment,
                apiKey: aoai_apiKey)
            .Build();

• 開始對話(無對話歷史記憶)
  要開始與LLMs交談，只需要簡單一行程式碼即可，這裡先不談對話歷史記憶的機制（後續文章再來介紹）。

Console.WriteLine(await kernel.InvokePromptAsync("世界最大的動物是什麼?"));

輸出的結果：
世界上最大的動物是藍鯨（Balaenoptera musculus）。藍鯨可以長達30米（約98英尺）或更長，體重可達200噸以上，甚至有些記錄顯示可以達到300噸。藍鯨是一種生活在海洋中的浮游生物食性動物，主要以磷蝦為食。藍鯨是地球上現存最大的動物，也是史上最大的動物之一。

運用 KernelArguments 提升 Prompt 彈性

接著讓我們再延伸一下範例，將 prompt 設計成簡單樣版格式，可以透過變數可以置換特定內容。例如：我們把"動物"變成一個可替換變數，可以讓上面應用層面更廣。

• 建立 KernelArguments
  KernelArguments 的格式為 Key-Value 的字典格式配置。

KernelArguments arguments = new() { { "topic", "植物" } };

• 使用 KernelArguments
  透過{{$變數名稱}}，我們可以在 Prompt 中設置可替換的內容，這樣的機制讓我們能動態的調整 Prompt 的輸入。在呼叫 InvokePromptAsync 時，將實際的參數值傳入，Semantic Kernel 內部會自動為我們進行完整的 Prompt 處理，並將最終的結果交給 LLMs（大型語言模型）來進行生成。這種方式可以提高 Prompt 的彈性與可重用性。

Console.WriteLine(await kernel.InvokePromptAsync("世界最大的{{$topic}}是什麼?", arguments));

輸出的結果：
世界上最大的植物通常被認為是波多黎各的「海藻森林」（Posidonia oceanica），但如果考慮到單一個體的面積，則是美國俄勒岡州的「蜜蜂樹」（Pando），這是一個白楊樹（Populus tremuloides）的克隆群，估計有超過80,000棵樹，佔地約106公頃。
如果從高度來看，則加州的「紅杉樹」（Sequoiadendron giganteum）是已知的最高樹木之一，能達到超過100米。
因此，根據不同的標準，不同的植物可能會被視為「最大的植物」。

• 使用多個 Prompt 變數
  若 Prompt 需要多個變數時，可以採用以下方式進行配置，延續範例，增加一個生成回應語系的變數。

KernelArguments arguments = new() { { "topic", "植物" }, { "lang", "英文" } };
Console.WriteLine(await kernel.InvokePromptAsync("世界最大的{{$topic}}是什麼? 請用{{$lang}}回答", arguments));
Console.WriteLine();

使用 Streaming 提升使用者體驗

我們都知道LLMs模型在生成回應需要一點時間，這個時間的長短會隨著使用者的提問複雜程度而增加，因此為了提升使用者體驗，Semantic Kernel 也支援 OpenAI 的 stream 回應方式。將原本的InvokePromptAsync改成呼叫 InvokePromptStreamingAsync，搭配迴圈進行回應的文字顯示。

— 使用 InvokePromptStreamingAsync

KernelArguments arguments = new() { { "topic", "植物" } };
await foreach (var result in kernel.InvokePromptStreamingAsync("世界最大的{{$topic}}是什麼?", arguments))
{
    Console.Write(result);
}
Console.WriteLine();

配置 LLMs 參數

以 OpenAI 的 GPT 模型為例，提供了部分可自訂的參數來進行配置，其中最常見的就是 temperature。temperature 的數值越高，模型的輸出就越具創意或「瘋狂」，反之，數值越低，模型則會更保守和「冷靜」。因此，Semantic Kernel 也提供了相應的機制來調整這些參數值。
不同的模型服務商所使用的設定檔和參數值會有所不同，以 OpenAI 為例，Semantic Kernel 提供了 OpenAIPromptExecutionSettings 物件，可以用來配置 OpenAI GPT 模型的參數。舉例來說，如果想要將最大 Tokens 設定為 200，temperature 設定為 0.3，便可以像以下這樣進行設定：

KernelArguments arguments = new(new OpenAIPromptExecutionSettings { MaxTokens = 200, Temperature = 0.3 }) { { "topic", "植物" } };
await foreach (var result in kernel.InvokePromptStreamingAsync("世界最大的{{$topic}}是什麼?", arguments))
{
    Console.Write(result);
}
Console.WriteLine();

如此一來就可以靈活的調整模型的輸出行為，根據不同需求場景進行微調。

結語

本篇內容利用簡單的範例，帶大家理解 Kernel 的用法與基本使用，如果你的使用情境相對單純，事實上只需要Kernel便可以快速整合到現有的應用，例如：摘要的應用，不涉及多回合的對話，只要使用KernelArguments 配合 Prompt，就能輕鬆做到。上一篇有提到 Semantic Kernel 也支援地端模型的連接，這部份我會在後續文章中做說明。