SimpleAIAgent是基于C# Semantic Kernel 与 WPF构建的一款AI Agent探索应用。主要用于使用国产大语言模型或开源大语言模型构建AI Agent应用的探索学习，希望能够帮助到感兴趣的朋友。
接下来我想分享一下我的AI Agent应用实践。
翻译文本并将文本存入文件
第一个例子是翻译文本，并将文本存入指定的文件。
输入如下内容：
执行过程
第一步，LLM判断应该调用的函数与参数如下：
第二步，LLM帮我们调用这个函数，并返回结果：
第三步，LLM再次判断需要调用的函数与参数：
第四步，LLM调用这个函数，并返回函数返回值：
第五步，LLM判断任务已经完成，调用结束函数：
第六步，返回最终的回应：
查看结果
会发现桌面多了一个文件，打开如下所示：
以上AI Agent应用使用glm-4-flash即可实现，当然也可以尝试其他模型，模型越强，成功概率越高。
实现文件到文件的翻译
输入：
文件1.txt的内容如下：
是一段关于WPF的中文描述，现在我想让LLM帮我翻译成英文之后再保存到另一个文件。
同样还是使用免费的glm-4-flash
执行过程
第一步，LLM判断应该调用的函数与参数如下：
第二步，LLM帮我们调用这个函数，并返回结果：
第三步，LLM判断任务已经完成，调用结束函数：
第四步，返回最终的回应：
查看结果
大家可能会注意到实现的要点其实就是要让LLM自动调用函数，也就是实现自动函数调用的功能。
之后要做的就是根据你想让LLM自动做的事去写插件，然后导入这个插件罢了。
插件中函数最好不要太多，太多模型能力弱的就会乱调用。根据你的需求，实现不同人物导入不同的插件比较好。
插件可以这样写，以上面的翻译插件为例：
# pragmawarningdisable SKEXP0050
internalclassTranslationFunctions
{
privatereadonlyKernel _kernel;
publicTranslationFunctions( )
{
varhandler = newOpenAIHttpClientHandler;
varbuilder = Kernel.CreateBuilder
.AddOpenAIChatCompletion(
modelId: ChatAIOption.ChatModel,
apiKey: ChatAIOption.Key,
httpClient: newHttpClient(handler));
_kernel = builder.Build;
}
[ KernelFunction, Deion( "选择用户想要的语言翻译文本") ]
publicasyncTask< string> TranslateText(
[Deion( "要翻译的文本")] stringtext,
[ Deion( "要翻译成的语言，从'中文'、'英文'中选一个")] stringlanguage
)
{
stringskPrompt = """
{{$input}}
将上面的文本翻译成{{$language}}，无需任何其他内容
" "";
varresult = await_kernel.InvokePromptAsync(skPrompt, new{ [ "input"] = text, [ "language"] = language });
varstr = result.ToString;
returnstr;
}
[ KernelFunction, Deion( "实现文件到文件的翻译") ]
publicasyncTask< string> TranslateTextFileToFile(
[Deion( "要翻译的文件路径")] stringpath1,
[ Deion( "保存翻译结果的文件路径")] stringpath2,
[ Deion( "要翻译成的语言，从'中文'、'英文'中选一个")] stringlanguage
)
{
stringfileContent = File.ReadAllText(path1);
varlines = TextChunker.SplitPlainTextLines(fileContent, 100);
varparagraphs = TextChunker.SplitPlainTextParagraphs(lines, 1000);
stringresult = "";
stringskPrompt = """
{{$input}}
将上面的文本翻译成{{$language}}，无需任何其他内容
" "";
foreach( varparagraph inparagraphs)
{
varresult1 = await_kernel.InvokePromptAsync(skPrompt, new{ [ "input"] = paragraph, [ "language"] = language });
result += result1.ToString + "\r\n";
}
varstr = result.ToString;
// 使用 StreamWriter 将文本写入文件
using(StreamWriter writer = newStreamWriter(path2, true))
{
writer.WriteLine(str);
}
stringmessage = $"已成功实现文件 {path1}到文件 {path2}的翻译" ;
returnmessage;
}
[ KernelFunction, Deion( "将文本保存到文件") ]
publicstringSaveTextToFile(
[Deion( "要保存的文本")] stringtext,
[ Deion( "要保存到的文件路径")] stringfilePath
)
{
// 使用 StreamWriter 将文本写入文件
using(StreamWriter writer = newStreamWriter(filePath, true))
{
writer.WriteLine(text);
}
return"已成功写入文件";
}
[ KernelFunction, Deion( "从文件中读取文本") ]
publicstringGetTextFromFile(
[Deion( "要读取的文件路径")] stringfilePath
)
{
stringfileContent = File.ReadAllText(filePath);
returnfileContent;
}
}
就是加上了一些描述用于帮助LLM理解函数的用途罢了，相信对程序员朋友来说不是什么问题，现在就可以动手构建自己的AI Agent应用了。
希望这次的分享对使用LLM构建AI Agent应用感兴趣的朋友有所帮助。
对这个应用感兴趣的朋友，拉一下代码，将appsettings.example.json改为appsettings.json，填入你的API Key与模型名或者使用Ollma填入地址，填入模型名即可快速体验。
GitHub地址：https://github.com/Ming-jiayou/SimpleAIAgent返回搜狐，查看更多
责任编辑：