Semantic Kernel 实战系列（三） - 核心概念 Kernel 与 Plugins

在上两篇文章中，我们从Semantic Kernel的整体介绍到安装入门，已经铺好了基础。作为一个专注.NET开发的博主，我特别喜欢看到这些AI工具如何融入我们日常的项目流程中。比如，在传统的企业应用里，我们常常用依赖注入来管理服务，而Semantic Kernel的核心组件Kernel和Plugins，正好能以类似方式扩展你的代码库，让AI成为自然的一部分。

今天，这篇系列的第三篇，我们深入Kernel和Plugins这两个关键概念。我会从Kernel的构建入手，一步步展开Plugins的设计、导入、函数调用、扩展性，最后通过一个天气查询案例来串联一切。整个讨论会结合C#代码示例，让你看到如何在实际项目中应用这些概念。相信通过这篇，你能更自信地将SK集成到自己的工作中去。

1 Kernel 的作用与构建

Kernel是Semantic Kernel的中心枢纽，它负责协调AI模型、插件和各种资源的执行，就好像一个智能的调度器，能让你的应用从静态转向动态响应。在传统.NET开发中，我们常用IServiceProvider来管理服务的生命周期和依赖，而Kernel的设计灵感与之类似，它通过构建器模式来组装组件，确保一切高效运行。目前Semantic Kernel的最新版本已达到1.16.0，这个版本强化了异步支持和多模型兼容，让Kernel在高并发场景下更稳定。

构建Kernel的过程很简单，却蕴含着灵活性。拿一个典型的C#控制台应用来说，你可以这样起步：

using Microsoft.SemanticKernel;

var builder = Kernel.CreateBuilder();
builder.AddAzureOpenAIChatCompletion(
    deploymentName: "gpt-4o",
    endpoint: "https://your-endpoint.openai.azure.com/",
    apiKey: "your-api-key"
);
var kernel = builder.Build();

这里，Kernel.CreateBuilder()创建了一个构建器实例，然后通过AddAzureOpenAIChatCompletion添加聊天完成服务。这不只是添加一个模型连接器，还隐含了Kernel对资源的统一管理：它会自动处理令牌认证、请求重试和错误传播。相比传统开发中的HttpClient直接调用API，Kernel的抽象层让代码更干净，你不用担心底层网络细节，就能专注于业务逻辑。

在实际项目中，这种构建方式特别实用。比如，在一个ASP.NET Core的Web API中，你可以将Kernel注册到依赖注入容器里：

public void ConfigureServices(IServiceCollection services)
{
    var kernel = Kernel.CreateBuilder()
        .AddOpenAIChatCompletion("gpt-4o", "your-openai-key")
        .Build();
    services.AddSingleton(kernel);
}

然后，在控制器中注入Kernel使用它。这就让你的API endpoints能智能处理用户输入，而非硬编码逻辑。Kernel的作用远不止调度，它还维护上下文状态，确保多次调用间的信息连贯性，就像传统数据库会话一样，但更注重语义理解。通过这种方式，你的项目能逐步从规则驱动转向AI驱动，减少维护成本。

Kernel的构建还支持插件和服务扩展，这让我们在设计时能预留钩子，便于后期迭代。举例来说，如果你后期想切换模型，从Azure OpenAI到Hugging Face，只需替换添加方法，而不改动核心代码。这种模块化设计，在大型团队协作中价值巨大，能避免重构带来的风险。

2 Plugins 的设计与导入

Plugins是Semantic Kernel中封装可复用功能的机制，它们让AI能调用外部工具或自定义逻辑，就像传统.NET中的扩展方法或NuGet包一样。Plugins分为本土插件（Native Plugins）和语义插件（Semantic Plugins），前者是纯C#代码实现，后者基于提示模板。设计上，本土插件更适合性能敏感的任务，因为它们直接执行托管代码，而语义插件则依赖LLM生成输出，灵活但有延迟。

导入Plugins的过程直观，先定义一个类，然后用Kernel导入。拿本土插件为例，假设你有一个简单的数学计算类：

using Microsoft.SemanticKernel;

public class MathPlugin
{
    [KernelFunction("SquareRoot")]
    [Description("计算一个数的平方根")]
    public double SquareRoot(double number)
    {
        return Math.Sqrt(number);
    }
}

然后，在Kernel中导入：

var kernel = Kernel.CreateBuilder().Build(); // 假设已构建
kernel.ImportPluginFromObject(new MathPlugin(), "Math");

这里，ImportPluginFromObject扫描类中的KernelFunction属性，将方法转换为插件函数。属性如Description提供元数据，让LLM在规划时理解函数用途。这与传统反射机制类似，但SK优化了它，确保类型安全和参数校验。

对于OpenAPI插件，SK支持从Swagger定义导入，这特别适合集成现有REST服务。比方说，你有一个天气API的OpenAPI规范文件：

kernel.ImportPluginFromOpenApi("Weather", new Uri("https://api.weather.com/swagger.json"));

这会自动生成插件函数，AI就能调用API端点。相比手动写Http请求，Plugins的导入让集成更声明式，你只需关注接口契约。

在设计Plugins时，考虑参数类型很重要。SK支持基本类型和复杂对象，但建议用JSON序列化复杂输入，以防模型误解。实际落地中，这意味着你能将遗留系统的C#方法快速转为AI工具，比如一个库存检查函数，直接导入后，AI就能在对话中调用它，优化用户体验。

语义插件的导入则用提示文件，比如一个YAML或JSON模板：

name: FunFact
description: 生成有趣的事实
template: |
  生成关于{{$topic}}的有趣事实。

用kernel.ImportPluginFromPromptDirectory("path/to/plugins");导入目录。这种方式让非开发者也能贡献插件，扩展了团队协作。

Plugins的设计强调可观测性，你可以加日志钩子监控调用，这在调试复杂工作流时特别有用。总体上，Plugins让SK从简单聊天转向工具增强AI，类似于传统MVC中中间件的角色，但更智能。

3 函数调用与链式操作

一旦Plugins导入，函数调用就成为核心玩法。SK通过InvokeAsync方法执行函数，支持参数传递和链式操作。基本调用像这样：

var arguments = new KernelArguments { ["number"] = 16.0 };
var result = await kernel.InvokeAsync("Math", "SquareRoot", arguments);
Console.WriteLine(result); // 输出4.0

这里，KernelArguments是键值对字典，确保类型匹配。原理上，SK用反射调用方法，并处理异步返回，这与Task.Run类似，但加了AI上下文。

链式操作更强大，你可以串联多个函数：

var chain = kernel.CreateFunctionFromPrompty("先计算平方根，再加5。");
var chainResult = await chain.InvokeAsync(kernel, new KernelArguments { ["number"] = 25.0 });

这隐含了规划逻辑，SK会分解提示成步骤调用。错误处理内置：如果参数缺失，抛ArgumentException；网络错误则重试。你可以自定义错误钩子：

kernel.FunctionInvoking += (sender, e) => { /* 日志 */ };
kernel.FunctionInvocationFailed += (sender, e) => { /* 处理 */ };

这让链式操作可靠，在生产环境中价值明显。比如，在一个订单处理系统中，链式调用库存检查、支付验证和邮件通知，AI自动 orchestration，减少手动编码。

参数传递支持复杂类型，通过JSON序列化：

public class Person { public string Name { get; set; } }
[KernelFunction("Greet")]
public string Greet(Person person) => $"Hello, {person.Name}!";

调用时arguments["person"] = JsonSerializer.Serialize(new Person { Name = "Alice" });。这扩展了传统方法调用的边界，让AI处理结构化数据。

链式操作的实际应用在于自动化工作流，比如报告生成：先调用数据插件拉取SQL结果，再用语义插件总结。错误处理确保鲁棒性，如果一个环节失败，回滚或切换备选路径。这种机制在微服务架构中特别契合，能桥接AI与现有系统。

4 插件扩展性

Plugins的真正魅力在于扩展性，你能集成第三方服务，如MongoDB数据库，让AI直接操作数据。这超越了传统ORM的范畴，因为Plugins允许LLM动态生成查询。

拿MongoDB集成为例，先安装NuGet包Microsoft.SemanticKernel.Plugins.Document，然后定义插件：

using Microsoft.SemanticKernel.Plugins.Document;
using MongoDB.Driver;

publicclassMongoPlugin
{
    privatereadonly IMongoCollection<BsonDocument> _collection;

    public MongoPlugin(string connectionString, string dbName, string collectionName)
    {
        var client = new MongoClient(connectionString);
        _collection = client.GetDatabase(dbName).GetCollection<BsonDocument>(collectionName);
    }

    [KernelFunction("QueryData")]
    public async Task<string> QueryData(string filterJson)
    {
        var filter = BsonDocument.Parse(filterJson);
        var results = await _collection.Find(filter).ToListAsync();
        return JsonSerializer.Serialize(results);
    }
}

导入后，AI就能用自然语言查询数据库，比如提示“从用户集合中找年龄大于30的”。SK会生成filterJson参数调用函数。

扩展到其他服务，如Redis缓存或Azure Blob存储，原理一致：封装第三方SDK为插件函数，确保线程安全和异步支持。这在云原生应用中落地顺畅，你能构建一个AI代理，实时同步数据源，而非定时任务。

安全性是扩展的关键，SK支持输入过滤器防止注入攻击：

kernel.PromptRendering += (sender, e) => { e.RenderedPrompt = Sanitize(e.RenderedPrompt); };

这让插件扩展可靠，适合企业级部署。实际中，这种集成能改造遗留系统，比如一个老旧的CRM，用插件桥接AI，提升搜索智能。

扩展还包括多插件协作，你可以用规划器（下篇详解）自动选择插件，优化执行路径。这鼓励开发者设计更解耦的架构，插件如微服务，Kernel如网关。

5 案例分析：构建一个天气查询插件

现在，来个完整案例：构建天气查询插件，结合API调用。这在实际App中很常见，比如移动端天气小部件。

先定义插件类，集成OpenWeatherMap API：

using System.Net.Http;
using Microsoft.SemanticKernel;

publicclassWeatherPlugin
{
    privatereadonly HttpClient _httpClient = new HttpClient();

    [KernelFunction("GetCurrentWeather")]
    [Description("获取指定城市的当前天气")]
    public async Task<string> GetCurrentWeather(string city)
    {
        var apiKey = "your-openweathermap-key";
        var url = $"https://api.openweathermap.org/data/2.5/weather?q={city}&appid={apiKey}&units=metric";
        var response = await _httpClient.GetStringAsync(url);
        return response; // 返回JSON
    }
}

导入到Kernel：

kernel.ImportPluginFromObject(new WeatherPlugin(), "Weather");

然后，用提示调用：

var prompt = "告诉我北京的当前天气。";
var settings = new OpenAIPromptExecutionSettings { ToolCallBehavior = ToolCallBehavior.AutoInvokeKernelFunctions };
var result = await kernel.InvokePromptAsync(prompt, new(settings));
Console.WriteLine(result);

SK会解析提示，调用GetCurrentWeather("北京")，返回天气数据。你可以进一步处理JSON，格式化输出。

这个案例的扩展：在Blazor App中，注入Kernel，用户输入城市，AI查询并显示。这结合了传统UI开发与AI，实际价值在于快速迭代功能，而非从头写API客户端。如果API失败，加错误处理：函数内try-catch，返回友好消息。加另一个插件解析JSON，生成自然语言描述。

通过这个案例，你看到Plugins如何落地：从简单查询到复杂集成，逐步增强应用。天气插件还能扩展到预测或警报，适用于IoT项目。

总结这篇，Kernel和Plugins是SK的基石，让AI与传统开发无缝融合。下一篇我们聊提示工程，敬请期待！