（4）semantic-kernel对话提示高级教程
在平常使用Semantic Kernel的时候，我们通常会利用Prompt为我们处理业务数据或者帮我们处理一些数据模型，也可以通过Prompt来实现一些高级的功能，下面我们通过一个案例来了解Semantic Kernel的对话提示功能和一些高级的用法。
（图片来源网络，侵删）
利用Prompt帮我整理用户信息
很多场景下我们对于利用AI做应用处理的时候都会使用用户的信息，但是用户的信息是非常多的，我们需要对用户的信息进行整理，下面我们通过一个案例来了解如何利用Prompt帮我们整理用户的信息。
创建一个控制台的项目
- 打开Visual Studio 2022，然后创建一个名称为4_Chat_Prompts的控制台项目
- 然后复制以下代码到4_Chat_Prompts项目文件中
Exe net8.0 _4_Chat_Prompts enable enable创建一个Kernel
- 然后复制上一个教程的OpenAIHttpClientHandler.cs到4_Chat_Prompts项目文件中。
- 打开Program.cs
- 然后复制以下代码到Program.cs文件中
using System.Text.Json; using ConsoleApp1; using Microsoft.SemanticKernel; var kernel = Kernel.CreateBuilder() .AddOpenAIChatCompletion( modelId: "gpt-3.5-turbo", apiKey: "这里填写在https://api.token-ai.cn/创建的令牌", httpClient: new HttpClient(new OpenAIHttpClientHandler("https://api.token-ai.cn/"))) .Build(); string info = @" 张飞 | 项目 | 信息 | | ---- | ---- | | 名字 | 张飞 | | 字号 | 益德 | | 出生日期 | 未知 | | 出生地 | 涿郡 | | 职业 | 汉末群雄、蜀汉五虎上将之一 | | 主要成就 | 蜀汉五虎上将之一，曾任益州牧，有勇猛之名 | | 逝世日期 | 221年 | | 主要关系 | 刘备的结义兄弟，关羽的结义兄弟 | 刘备 | 项目 | 信息 | | ---- | ---- | | 名字 | 刘备 | | 字号 | 玄德 | | 出生日期 | 161年 | | 出生地 | 涿郡 | | 职业 | 汉朝皇帝，蜀汉政权创立者 | | 主要成就 | 三国时期蜀汉的建立者和首任皇帝，有仁德之名 | | 逝世日期 | 223年 | | 主要关系 | 张飞和关羽的结义兄弟 | 关羽 | 项目 | 信息 | | ---- | ---- | | 名字 | 关羽 | | 字号 | 云长 | | 出生日期 | 未知 | | 出生地 | 河东解县 | | 职业 | 汉末群雄、蜀汉五虎上将之一 | | 主要成就 | 蜀汉五虎上将之一，曾任荆州牧，有忠义之名 | | 逝世日期 | 219年 | | 主要关系 | 刘备的结义兄弟，张飞的结义兄弟 | "; var promptTemplate = @" ## 用户信息： {{$input}} ## 要求： - 您需要帮我将用户的名字，字号，出生日期，出生地，职业，主要成就，逝世日期，主要关系转换成到我提供的下面类中，以便让我支持序列化 - 您不需要返回任何的回复，只返回json字符串防止序列化错误 - 如果是多个请用[]包裹，然后你不要在外面多对象包括，我需要的结果是只返回 [{}] 这种效果。 public class Info { /// /// 获取或设置名字。 /// public string Name { get; set; } /// /// 获取或设置字号。 /// public string Alias { get; set; } /// /// 获取或设置出生日期。 /// public string BirthDate { get; set; } /// /// 获取或设置出生地。 /// public string BirthPlace { get; set; } /// /// 获取或设置职业。 /// public string Occupation { get; set; } /// /// 获取或设置主要成就。 /// public string MainAchievement { get; set; } /// /// 获取或设置逝世日期。 /// public string DeathDate { get; set; } } "; var kernelArguments = new KernelArguments() { ["input"] = info, }; var json = await kernel.InvokePromptAsync(promptTemplate, kernelArguments); var values = JsonSerializer.Deserialize(json.ToString()); foreach (var value in values) { Console.WriteLine($"Name: {value.Name}"); Console.WriteLine($"Alias: {value.Alias}"); Console.WriteLine($"BirthDate: {value.BirthDate}"); Console.WriteLine($"BirthPlace: {value.BirthPlace}"); Console.WriteLine($"Occupation: {value.Occupation}"); Console.WriteLine($"MainAchievement: {value.MainAchievement}"); Console.WriteLine($"DeathDate: {value.DeathDate}"); Console.WriteLine(); } public class Info { /// /// 获取或设置名字。 /// public string Name { get; set; } /// /// 获取或设置字号。 /// public string Alias { get; set; } /// /// 获取或设置出生日期。 /// public string BirthDate { get; set; } /// /// 获取或设置出生地。 /// public string BirthPlace { get; set; } /// /// 获取或设置职业。 /// public string Occupation { get; set; } /// /// 获取或设置主要成就。 /// public string MainAchievement { get; set; } /// /// 获取或设置逝世日期。 /// public string DeathDate { get; set; } }运行项目
然后运行项目，您会看到输出结果为：
（图片来源网络，侵删）Name: 张飞 Alias: 益德 BirthDate: 未知 BirthPlace: 涿郡 Occupation: 汉末群雄、蜀汉五虎上将之一 MainAchievement: 蜀汉五虎上将之一，曾任益州牧，有勇猛之名 DeathDate: 221年 Name: 刘备 Alias: 玄德 BirthDate: 161年 BirthPlace: 涿郡 Occupation: 汉朝皇帝，蜀汉政权创立者 MainAchievement: 三国时期蜀汉的建立者和首任皇帝，有仁德之名 DeathDate: 223年 Name: 关羽 Alias: 云长 BirthDate: 未知 BirthPlace: 河东解县 Occupation: 汉末群雄、蜀汉五虎上将之一 MainAchievement: 蜀汉五虎上将之一，曾任荆州牧，有忠义之名 DeathDate: 219年
结论
在这里案例中我们通过Prompt帮我们整理了用户的信息，然后将用户的信息转换成了我们提供的类Info，然后我们通过JsonSerializer将json字符串转换成了Info类，然后我们输出了用户的信息。
这个实现有时候会受到模型的影响，如果模型不够好，可能会导致输出的结果不够准确，所以在使用的时候需要注意。
实际场景中，这个所谓的Info不一定是这种表格模板，也可以是pdf，word等等，只要你能够提供一个模板，Semantic Kernel都可以帮你处理。处理的效果跟模型和Prmopt都有关系
如果你确认你一定要用这个模型去处理，那么你就得调整您的Prompt，让模型更好的理解您的需求。
利用prompt进行发送邮件
在实际的开发中，我们经常会遇到发送邮件的需求，下面我们通过一个案例来了解如何利用Prompt来发送邮件。
实现发送邮件的功能
复制以下代码到Program.cs文件中
using System.ComponentModel; using ConsoleApp1; using Microsoft.SemanticKernel; using Microsoft.SemanticKernel.ChatCompletion; using Microsoft.SemanticKernel.Connectors.OpenAI; var kernel = Kernel.CreateBuilder() .AddOpenAIChatCompletion( modelId: "gpt-4", apiKey: "这里填写在https://api.token-ai.cn/创建的令牌", httpClient: new HttpClient(new OpenAIHttpClientHandler("https://api.token-ai.cn/"))) .Build(); var emailPrompt = @" ## 需求： - 我需要解决用户发送邮件问题，邮件参数包含以下参数 - 收件人邮箱 - required - email - 邮件主题 - required - 长度限制 100 - title - 邮件内容 - content - required - 在上面的参数如果是required则是必须的，如果用户没有提供那么你需要提示用户缺少哪些参数。 - 如果用户提供了参数，您需要提示不合法的参数，你不要提供测试用例，你需要提示用户哪些参数不合法。 - 上面要求都满足以后，需要提问用户是否确认发送,如果用户确认发送，那么你需要调用发送邮件。 "; kernel.Plugins.AddFromType(); var chatHistory = new ChatHistory(); while (true) { Console.Write("User > "); var input = Console.ReadLine(); chatHistory.AddUserMessage(input); var chatResult = await kernel.GetRequiredService() .GetChatMessageContentAsync(chatHistory, new OpenAIPromptExecutionSettings() { ChatSystemPrompt = emailPrompt, MaxTokens = 500, Temperature = 0.5, TopP = 1, ToolCallBehavior = ToolCallBehavior.AutoInvokeKernelFunctions }, kernel); if(string.IsNullOrEmpty(chatResult?.Content)) { break; } Console.Write($"\nAssistant > {chatResult}\n"); chatHistory.AddAssistantMessage(chatResult.Content); if (chatResult.Content.Contains("邮件发送成功")) { break; } } public class EmailTools { [KernelFunction, Description("发送邮件")] public string SendEmail([Description("接收人")] string email, [Description("邮件主题")] string title, [Description("邮件内容")] string? content) { Console.WriteLine($"发送邮件给 {email} 主题：{title} 内容：{content}"); // Send email return "邮件发送成功"; } }启动项目
然后运行项目，您会看到输出结果为：
User > 发邮件给239573049@qq.com Assistant > 你需要提供邮件的主题和内容。 User > 邮件主题 参加晚宴 Assistant > 你还需要提供邮件的内容。 User > 邮件内容 今晚上参加李白的晚宴 Assistant > 好的，我收到了你的邮件信息： - 收件人: 239573049@qq.com - 邮件主题: 参加晚宴 - 邮件内容: 今晚上参加李白的晚宴 请确认是否发送邮件？ User > 确认发送 发送邮件给 239573049@qq.com 主题：参加晚宴 内容：今晚上参加李白的晚宴 Assistant > 邮件已成功发送给239573049@qq.com。
实现结论
在上面我们实现了通过prompt进行多轮对话然后发送邮件给指定的邮箱，并且对于用户的输入进行了校验，如果用户输入不合法，那么我们会提示用户输入不合法的参数，如果用户输入合法，那么我们会提示用户是否确认发送邮件，如果用户确认发送，那么我们会调用发送邮件的方法，然后发送邮件。
这一个案例对于AI的要求是非常高的，因为我们需要对用户的输入进行校验，然后对用户的输入进行处理，然后再进行发送邮件，这个案例是一个比较复杂的案例，但是也是一个比较实用的案例，很多模型多无法达到我们的要求，所以我们需要对模型进行调整，让模型更好的适应我们的需求。
文档站点：https://docs.token-ai.cn/
