連續二十五天，我們用 Semantic Kernel (SK) 這位頂級廚師烹飪出了一道道令人驚豔的 AI 佳餚。然而，在正式將這些菜餚端給客人之前，我們還差最關鍵的一步：食品安全檢查！

在 AI 的世界裡，這不只是避免 AI 說錯話，更是要確保 AI 執行動作時是安全、負責任，並且符合我們企業規範的。如果我們讓 AI 擁有呼叫 API (Plugins) 的能力，它就擁有改變真實世界的能力（例如：建立訂單、發送郵件、轉帳）。一旦失控，後果不堪設想。

這時候，**Semantic Kernel 的 Filters（篩選器）**就像是我們廚房的「安全檢查閘門」，讓你在 AI 的執行流程中，任何關鍵步驟都能介入、檢查、甚至修改或阻止。

🛡️ Filters：AI 廚房的三大安全檢查點

Filters 提供了三個主要的檢查點，讓我們能實現 Human-in-the-loop (人在迴路中) 的安全機制。

匯出到試算表

其中，FunctionInvocationFilter 是我們執行敏感操作時最常使用的利器。今天，我們就來實戰這個 Filter，實現一個企業級的常見需求：在執行改變數據的動作前，要求開發者或使用者確認 (Human-in-the-loop)。

實戰：敏感操作前的「確認鈕」

想像我們有一個名為 OrderPlugin 的工具，其中包含一個函式 CreateOrder，用來在企業系統中建立一筆正式訂單。這是個高敏感度的操作。我們需要 SK 在呼叫這個函式前，暫停並要求人工確認。

我們將實作一個 ApprovalFilter 類別，並將它註冊到 Kernel 中。

using Microsoft.Extensions.Configuration;
using Microsoft.Extensions.DependencyInjection;
using Microsoft.SemanticKernel;
using Microsoft.SemanticKernel.Connectors.OpenAI;
using System.Text.Json;
using static Microsoft.Extensions.AI.FunctionInvokingChatClient;

var config = new ConfigurationBuilder()
    .AddUserSecrets<Program>()
    .Build();

var kernelBuilder = Kernel.CreateBuilder()
    .AddOpenAIChatCompletion(
        modelId: "gpt-5",
        apiKey: config["OpenAI:ApiKey"]!);

// 註冊我們的 OrderPlugin
kernelBuilder.Plugins.AddFromObject(new OrderPlugin());

// 註冊我們的 ApprovalFilter 到 Kernel
kernelBuilder.Services.AddSingleton<ApprovalFilter>();
Kernel kernel = kernelBuilder.Build();
Console.WriteLine("✅ 已註冊 OrderPlugin 及 ApprovalFilter。");

// 讓 AI 決定呼叫函式
var prompt = "請為客戶 ID 888 訂購 10 份『豪華套餐』。";

var settings = new OpenAIPromptExecutionSettings
{
    ToolCallBehavior = ToolCallBehavior.AutoInvokeKernelFunctions
};

Console.WriteLine($"\n🧑 客戶請求：{prompt}");

// 執行請求
var result = await kernel.InvokePromptAsync(prompt, new(settings));

// 輸出結果
Console.WriteLine("\n🤖 AI 最終回覆:");
Console.WriteLine(result.GetValue<string>());

// 建立一個模擬的敏感 Plugin：訂單系統
public class OrderPlugin
{
    [KernelFunction("CreateOrder")]
    [System.ComponentModel.Description("在系統中建立一筆新的客戶訂單。")]
    public string CreateOrder(string customerId, string product, int quantity)
    {
        Console.ForegroundColor = ConsoleColor.Red;
        Console.WriteLine($"\n[系統通知] 正在為客戶 {customerId} 建立訂單：{quantity} 個 {product}...");
        Console.ResetColor();
        // 實際業務邏輯 (例如呼叫 CRM 或 ERP API)kmljn
        return $"訂單已成功建立。訂單編號：ORD-{DateTime.Now.Ticks % 10000}";
    }
}

// 實作我們的安全檢查閘門：FunctionInvocationFilter
public class ApprovalFilter : IFunctionInvocationFilter
{
    public async Task OnFunctionInvocationAsync(FunctionInvocationContext context, Func<FunctionInvocationContext, Task> next)
    {
        // 檢查：只有當函式名稱是 'CreateOrder' 時才需要介入
        if (context.Function.Name.Equals("CreateOrder", StringComparison.OrdinalIgnoreCase))
        {
            Console.WriteLine("\n🚨🚨 [FunctionInvocationFilter 啟動] 🚨🚨");
            Console.WriteLine($"AI 建議呼叫的函式: {context.Function.Name}");
            Console.WriteLine($"參數: {JsonSerializer.Serialize(context.Arguments)}");

            // 實現 Human-in-the-loop
            Console.Write("這是敏感操作！您是否確定要執行？(y/n): ");
            var response = Console.ReadLine();

            if (response?.ToLower() != "y")
            {
                Console.WriteLine("🛑 操作已取消。");
                return; // 直接返回，不會執行實際的 CreateOrder 函式
            }
        }

        // 如果不是敏感函式，或使用者已確認，則繼續執行下一個步驟 (執行函式)
        await next(context);
    }
}

運作原理與洞察

當我們執行上述程式碼時，即使 AI 判斷它需要呼叫 CreateOrder 函式，程式也不會直接執行。

1. AI 判斷： LLM 決定呼叫 OrderPlugin.CreateOrder(customerId: 888, product: "豪華套餐", quantity: 10)。
2. Filter 介入： AutoFunctionInvocationFilter 會先讓 SK 準備執行，但緊接著 FunctionInvocationFilter (也就是我們的 ApprovalFilter) 會被觸發。
3. 人工確認： ApprovalFilter 檢查到是敏感操作，暫停流程並在 Console 要求使用者輸入 y 或 n。
4. 結果：
   • 如果輸入 y，Filter 呼叫 next(context)，實際的 CreateOrder 函式會被執行。
   • 如果輸入 n，Filter 不呼叫 next(context)，而是直接在 context.Result 中設置一個「操作取消」的結果，這個結果將被回傳給 LLM，讓 LLM 知道操作失敗。

透過這個機制，我們成功地在 AI 的智慧和現實世界的執行之間，建立了一個不可或缺的安全與責任邊界，確保每一筆敏感操作都在人工的監督之下。