語意核心的提示模板
代理程式的角色主要是由收到的指示所塑造，其決定其行為和動作。 類似於叫用Kernel提示，代理程式的指示可以包含範本化參數，包括執行期間動態替代的值和函式。 這可讓彈性的內容感知回應，讓代理程式根據即時輸入調整其輸出。
此外，您可以使用提示範本設定直接設定代理程式，為開發人員提供結構化且可重複使用的方式來定義其行為。 此方法提供功能強大的工具，可標準化和自定義代理程式指示，確保各種使用案例的一致性，同時仍維持動態適應性。
Java 中目前無法使用的功能。
代理程式指示做為範本
使用範本參數建立代理程式，可讓您根據不同的案例或需求輕鬆地自定義其指示，以提供更大的彈性。 此方法可透過將特定值或函式插入範本來量身訂製代理的行為，使其能夠適應各種任務或情境。 藉由利用範本參數，開發人員可以設計更多功能的代理程式，以符合不同的使用案例，而不需要修改核心邏輯。
聊天完成代理程式
// Initialize a Kernel with a chat-completion service
Kernel kernel = ...;
var instructions = "Tell a story about {{$topic}} that is {{$length}} sentences long.";
ChatCompletionAgent agent =
new(templateFactory: new KernelPromptTemplateFactory(),
templateConfig: new(instructions) { TemplateFormat = PromptTemplateConfig.SemanticKernelTemplateFormat })
{
Kernel = kernel,
Name = "StoryTeller",
Arguments = new KernelArguments()
{
{ "topic", "Dog" },
{ "length", "3" },
}
};
agent = ChatCompletionAgent(
service=AzureChatCompletion(), # or other supported AI Services
name="StoryTeller",
instructions="Tell a story about {{$topic}} that is {{$length}} sentences long.",
arguments=KernelArguments(topic="Dog", length="2"),
)
Java 中目前無法使用的功能。
OpenAI 助理代理
使用 OpenAIAssistantAgent時，範本化指示特別強大。 透過這種方法，可以建立單一助理定義並重複使用多次，每次使用不同的參數值，針對特定工作或內容量身打造。 這可讓設定更有效率，讓相同的小幫手架構處理各種案例，同時維持其核心行為的一致性。
// Retrieve an existing assistant definition by identifier
AzureOpenAIClient client = OpenAIAssistantAgent.CreateAzureOpenAIClient(new AzureCliCredential(), new Uri("<your endpoint>"));
AssistantClient assistantClient = client.GetAssistantClient();
Assistant assistant = await client.GetAssistantAsync();
OpenAIAssistantAgent agent = new(assistant, assistantClient, new KernelPromptTemplateFactory(), PromptTemplateConfig.SemanticKernelTemplateFormat)
{
Arguments = new KernelArguments()
{
{ "topic", "Dog" },
{ "length", "3" },
}
}
# Create the client using Azure OpenAI resources and configuration
client, model = AzureAssistantAgent.setup_resources()
# Retrieve the assistant definition from the server based on the assistant ID
definition = await client.beta.assistants.retrieve(
assistant_id="your-assistant-id",
)
# Create the AzureAssistantAgent instance using the client and the assistant definition
agent = AzureAssistantAgent(
client=client,
definition=definition,
arguments=KernelArguments(topic="Dog", length="3"),
)
Java 中目前無法使用的功能。
預設範本中的代理定義
您也可以使用用於建立核心提示功能的提示範本組態來定義代理。 這可讓統一方法來管理提示和代理程式，促進不同元件的一致性和重複使用。 透過從程式代碼基底外部化代理程式定義，這個方法可簡化多個代理程式的管理，使其更容易更新和維護，而不需要變更基礎邏輯。 此區隔也可提升彈性，讓開發人員只要更新設定，即可修改代理程序行為或引進新的代理程式，而不是調整程序代碼本身。
YAML 範本
name: GenerateStory
template: |
Tell a story about {{$topic}} that is {{$length}} sentences long.
template_format: semantic-kernel
description: A function that generates a story about a topic.
input_variables:
- name: topic
description: The topic of the story.
is_required: true
- name: length
description: The number of sentences in the story.
is_required: true
代理程式初始化
// Read YAML resource
string generateStoryYaml = File.ReadAllText("./GenerateStory.yaml");
// Convert to a prompt template config
PromptTemplateConfig templateConfig = KernelFunctionYaml.ToPromptTemplateConfig(generateStoryYaml);
// Create agent with Instructions, Name and Description
// provided by the template config.
ChatCompletionAgent agent =
new(templateConfig)
{
Kernel = this.CreateKernelWithChatCompletion(),
// Provide default values for template parameters
Arguments = new KernelArguments()
{
{ "topic", "Dog" },
{ "length", "3" },
}
};
import yaml
from semantic_kernel.prompt_template import PromptTemplateConfig
# Read the YAML file
with open("./GenerateStory.yaml", "r", encoding="utf-8") as file:
generate_story_yaml = file.read()
# Parse the YAML content
data = yaml.safe_load(generate_story_yaml)
# Use the parsed data to create a PromptTemplateConfig object
prompt_template_config = PromptTemplateConfig(**data)
agent = ChatCompletionAgent(
service=AzureChatCompletion(), # or other supported AI services
prompt_template_config=prompt_template_config,
arguments=KernelArguments(topic="Dog", length="3"),
)
Java 中目前無法使用的功能。
覆寫直接調用的範本值
直接叫用代理程式時，可以視需要覆寫代理程式的參數。 這可讓您在特定工作期間更充分地控制及自定義代理程序的行為，讓您能夠即時修改其指示或設定，以符合特定需求。
// Initialize a Kernel with a chat-completion service
Kernel kernel = ...;
ChatCompletionAgent agent =
new()
{
Kernel = kernel,
Name = "StoryTeller",
Instructions = "Tell a story about {{$topic}} that is {{$length}} sentences long.",
Arguments = new KernelArguments()
{
{ "topic", "Dog" },
{ "length", "3" },
}
};
KernelArguments overrideArguments =
new()
{
{ "topic", "Cat" },
{ "length", "3" },
});
// Generate the agent response(s)
await foreach (ChatMessageContent response in agent.InvokeAsync([], options: new() { KernelArguments = overrideArguments }))
{
// Process agent response(s)...
}
agent = ChatCompletionAgent(
service=AzureChatCompletion(),
name="StoryTeller",
instructions="Tell a story about {{$topic}} that is {{$length}} sentences long.",
arguments=KernelArguments(topic="Dog", length="2"),
)
# Create a thread to maintain the conversation state
# If no threaded is created, a thread will be returned
# with the initial response
thread = None
override_arguments = KernelArguments(topic="Cat", length="3")
# Two ways to get a response from the agent
# Get the response which returns a ChatMessageContent directly
response = await agent.get_response(messages="user input", arguments=override_arguments)
thread = response.thread
# or use the invoke method to return an AsyncIterable of ChatMessageContent
async for response in agent.invoke(messages="user input", arguments=override_arguments):
# process agent response(s)...
thread = response.thread
Java 中目前無法使用的功能。
操作指南
如需一個從 提示範本建立代理的端到端範例，請參閱：