譯者 | 布加迪

審校 | 重樓

51CTO讀者成長計(jì)劃社群招募，咨詢小助手（微信號：CTOjishuzhan）

微軟的Semantic Kernel SDK讓用戶更容易管理復(fù)雜的提示，并從GPT之類的大型語言模型獲得精準(zhǔn)的結(jié)果。  

乍一看，把GPT-4之類的大型語言模型（LLM）做入到代碼中似乎很簡單。API是單一的REST調(diào)用，獲取文本后基于輸入返回響應(yīng)，但實(shí)際情況比這要復(fù)雜得多。將API視為域邊界（domain boundary）可能更好，您在其中交付的提示定義了模型用于生成輸出的格式。但這里有一個關(guān)鍵點(diǎn)：LLM可以很簡單或很復(fù)雜，取決于您想讓它多簡單或多復(fù)雜。

當(dāng)我們將AI模型做入到代碼中時，其實(shí)跨越了兩種不同計(jì)算方式之間的界限，就像為量子計(jì)算機(jī)編程酷似設(shè)計(jì)硬件一樣。在這里，我們描述了模型應(yīng)該有怎樣的行為，期望它的輸出采用由提示定義的格式。在量子計(jì)算中，像Q#語言這樣的構(gòu)件提供了一座架起傳統(tǒng)計(jì)算和量子計(jì)算的機(jī)梁，我們需要工具來包裝LLM API，并提供管理輸入和輸出的方法，以確保模型始終專注于我們已定義的提示，并確保輸出依然準(zhǔn)確。

這是需要強(qiáng)調(diào)的重要一點(diǎn)：我們與LLM的互動方式與傳統(tǒng)編程大不相同。我們需要的是Q#對等體，即在不同域之間轉(zhuǎn)換的高級抽象，從而幫助我們獲取數(shù)據(jù)后用數(shù)據(jù)來設(shè)計(jì)提示，同時提供一種方法來管理調(diào)用之間的必要上下文，以免耗盡會話中的可用token，同時仍保持輸出基于源數(shù)據(jù)。

1、Semantic Kernel介紹

幾周前，我研究了微軟的第一個LLM包裝器：開源的Prompt Engine。此后，微軟發(fā)布了一個更龐大更強(qiáng)大的C#工具：Semantic Kernel，用于處理Azure OpenAI（以及處理OpenAI自己的API）。它也是開源的，可以在GitHub上獲得，還有一些示例應(yīng)用程序可以幫助您入手。Python版本的Semantic Kernel也在開發(fā)中。

這個名字的選擇饒有意思，因?yàn)樗砻鲗LM的用途有一番更好的理解。Prompt Engine側(cè)重于管理API的輸入，而Semantic Kernel的范圍更廣，專注于自然語言的輸入和輸出。微軟將其方法描述為“面向目標(biāo)”，使用來自用戶的初始請求（“ask”）來指導(dǎo)模型，協(xié)調(diào)與模型相關(guān)的資源的傳遞以實(shí)現(xiàn)請求，并返回請求響應(yīng)（“get”）。

所以稱Semantic Kernel為內(nèi)核有其道理。它就像LLM API的操作系統(tǒng)，接受輸入，通過使用模型來處理輸入，然后返回輸出。內(nèi)核充當(dāng)協(xié)調(diào)器的角色是這里的關(guān)鍵，因?yàn)樗粌H能夠處理當(dāng)前提示及其關(guān)聯(lián)的token，還能夠處理記憶（鍵值對、本地存儲以及矢量或“語義”搜索）、通向其他信息服務(wù)的連接器以及混合提示和傳統(tǒng)代碼的預(yù)定義技能（想想LLM函數(shù)）。

Semantic Kernel工具提供了更有效的方法來構(gòu)建和使用包裝Prompt Engine所需的構(gòu)件類型，從而簡化了可能變得相當(dāng)復(fù)雜的編程任務(wù)，尤其是在處理上下文、支持含有LLM API多個調(diào)用的操作時。

2、矢量和語義記憶

處理用戶請求的一個關(guān)鍵要素是記憶這個概念。這是Semantic Kernel管理上下文的方式，處理熟悉的文件和鍵值存儲。然而，還有第三種選擇：語義記憶（semantic memory）。這種方法接近于LLM處理數(shù)據(jù)的方式，將內(nèi)容視為矢量或嵌入，它們是LLM用來表示文本含義的數(shù)字?jǐn)?shù)組。相似的文本在與您的模型及其內(nèi)容相關(guān)的整體空間中會有相似的矢量，就像搜索引擎生成排序結(jié)果的方式一樣。

像GPT這樣的LLM使用這些嵌入的矢量來提取提示的上下文，幫助底層模型保持相關(guān)性和一致性。嵌入越好，模型生成純隨機(jī)輸出的可能性就越小。通過將大型提示分解為可由LLM總結(jié)的文本塊，我們就可以為每個摘要生成嵌入矢量，然后使用這些矢量創(chuàng)建復(fù)雜的提示，而不用耗盡請求的可用token（比如GPT-4對每個輸入的token限制為8192個）。

這些數(shù)據(jù)可以存儲在矢量數(shù)據(jù)庫中，以便快速檢索?？梢詾閷I(yè)知識創(chuàng)建特定的矢量數(shù)據(jù)庫，使用總結(jié)的內(nèi)容來幫助LLM處于正軌。因此比如說，使用GPT-4進(jìn)行病例筆記摘要的應(yīng)用程序可以使用矢量數(shù)據(jù)庫（其嵌入來自醫(yī)學(xué)論文、適當(dāng)?shù)哪涿P記及其他相關(guān)文本），以確保輸出具有連貫性、符合上下文。這種方法在某種程度上解釋了為什么微軟的第一個基于GPT的大型應(yīng)用程序是Bing搜索引擎，因?yàn)樗呀?jīng)擁有適當(dāng)?shù)目晒┦褂玫氖噶繑?shù)據(jù)庫。

3、連接到外部數(shù)據(jù)源

連接器是Semantic Kernel的一個有意思的特性，因?yàn)樗鼈兛梢詫F(xiàn)有API與LLM集成起來。比如說，您可以使用微軟Graph連接器在電子郵件中自動發(fā)送請求的輸出，或者在貴組織結(jié)構(gòu)圖中構(gòu)建關(guān)系描述。Semantic Kernel應(yīng)用程序中沒有設(shè)置點(diǎn)來進(jìn)行調(diào)用，它可能是輸入的一部分，也可能是輸出的一部分，甚至是LLM調(diào)用序列的一部分。您可以利用API調(diào)用來構(gòu)建提示，這些提示本身構(gòu)建進(jìn)一步的API調(diào)用，可能是通過使用基于Codex代碼的模型將結(jié)果輸出注入到運(yùn)行時環(huán)境中。

連接器的一個更有趣的特性是，它對LLM運(yùn)用某種基于角色的訪問控制。如果您使用微軟Graph查詢來構(gòu)建提示，那么這些查詢將在運(yùn)行該應(yīng)用程序的用戶上下文中，使用憑據(jù)來提供數(shù)據(jù)。將憑據(jù)傳遞給連接器可以確?；谟脩糇约旱臄?shù)據(jù)為用戶量身定制輸出。

4、構(gòu)建混合提示模板和代碼的技能

Semantic Kernel的第三個主要組件是技能（skills），它們是混合LLM提示和常規(guī)代碼的函數(shù)容器。這些函數(shù)在概念和操作上類似Azure Functions，可用于將專門的提示串聯(lián)起來。應(yīng)用程序可以有一組使用GPT生成文本的函數(shù)，然后使用該文本作為Codex和DALL-E的提示，以便由描述變成原型Web應(yīng)用程序（類似自然語言編程工具在微軟的低代碼和無代碼Power Platform中的工作方式）。

一旦技能、記憶和連接器落實(shí)到位，您就可以開始構(gòu)建基于LLM的應(yīng)用程序了，使用技能將請求轉(zhuǎn)換成提供給底層模型的提示。這種方法讓您可以構(gòu)建靈活的技能，代碼可以根據(jù)需要選擇和使用這些技能。Semantic Kernel區(qū)分語義函數(shù)、模板提示和原生函數(shù)，即處理用于LLM語義函數(shù)中的數(shù)據(jù)的原生計(jì)算機(jī)代碼。一個函數(shù)的輸出可以鏈接到另一個函數(shù)，允許您構(gòu)建一條混合原生處理和LLM操作的函數(shù)管道。

通過對Semantic Kernel的這番簡單介紹，我們可以清楚地看到這是一個強(qiáng)大的工具，但是需要認(rèn)真考慮和規(guī)劃。您可以使用Semantic Kernel來構(gòu)建和管理復(fù)雜的提示以及處理輸入和輸出鏈的管道，以便提供有趣又有用的結(jié)果。很自然，當(dāng)您適當(dāng)?shù)厥褂妹總€要素時，將獲得最好的結(jié)果，原生代碼負(fù)責(zé)處理計(jì)算，而模型專注于引導(dǎo)的目標(biāo)（或者微軟文檔中所稱的“the asks”）。

使用Semantic Kernel之類的工具來編排和協(xié)調(diào)輸入和函數(shù)，肯定會比僅僅向輸入傳遞提示更有效地使用LLM。它將允許您凈化輸入，引導(dǎo)LLM生成有用的輸出。為了幫助您入門，微軟提供了一份最佳實(shí)踐指南列表（《語義AI的Shillace定律》)，這些最佳實(shí)踐是從構(gòu)建跨微軟業(yè)務(wù)的LLM應(yīng)用程序中匯總而來的。它們可幫助您了解如何圍繞GPT之類的LLM構(gòu)建代碼，這樣可以幫助您從這些新工具和技術(shù)中獲得盡可能多的價值，同時避免不切實(shí)際的期望。

原文鏈接：https://www.infoworld.com/article/3693310/semantic-kernel-a-bridge-between-large-language-models-and-your-code.html