Semantic Kernel
PulseAugur coverage of Semantic Kernel — every cluster mentioning Semantic Kernel across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
MCP 与 UTCP:用于 API 集成的 AI 代理协议对比
两种不同的协议,模型上下文协议 (MCP) 和通用工具调用协议 (UTCP),正在被开发以使 AI 代理能够与外部工具和 API 进行交互。MCP 作为一种具有定义好的角色和数据传输层的协议,充当 AI 代理和后端端点之间的中间人。相比之下,UTCP 被描述为一个直接指导代理如何调用 API 的手册,消除了对中间服务器的需求,并简化了部署和身份验证。
-
领英上的AI代理炒作掩盖了现实;关注核心模式,而非框架
作者认为,目前围绕AI代理的炒作,尤其是在领英等平台上,具有误导性。许多被标记为“代理”的系统仅仅是复杂的函数调用或聊天界面,缺乏真正的目标驱动决策和故障处理能力。现实世界的AI代理部署通常是狭窄的、专门构建的,其成功取决于细致的工具设计、强大的故障处理和清晰的可观察性,而不是简单地使用最新的前沿模型。代理框架的泛滥被视为一种干扰,像“计划-执行”和分离检索与推理等底层模式对于有效开发更为关键。
-
AI代理:过度工程化和混乱困扰着当前的部署
当前“AI代理”一词的定义和广泛使用正导致工程上的混乱,使得简单任务被过度工程化,而复杂任务则被工程化不足。一个真正的代理应该拥有目标、做出独立决策、处理失败以及知道何时完成,而不是仅仅执行指令。目前AI代理的生产部署范围狭窄,专注于客户支持或文档提取等特定任务,成功的团队优先考虑工具设计、失败处理和可观察性,而不是仅仅采用最新的模型。
-
AI代理:业内人士揭示炒作背后的真相
业内人士称,目前将系统标记为“AI代理”的仓促行为正在导致混淆和工程失误。真正的代理被定义为一个具有目标、能够决定下一步行动、处理故障并知道何时完成的系统,这与简单的聊天界面或一系列函数调用不同。目前生产中部署的代理通常是狭窄的,专注于客户支持或文档提取等特定任务,而不是通用推理。该领域的成功取决于对工具的精心设计、强大的故障处理能力和清晰的可观察性,而不是仅仅采用最新的AI模型。
-
Microsoft Foundry 通过更新的 Azure AI 工具简化 LLMOps
Microsoft 更新了其 LLMOps 框架,现品牌为 Microsoft Foundry,以简化生产环境中大型语言模型的部署和管理。更新后的系统集成了 Azure AI Search(用于检索增强生成 RAG)和 Agent Framework(用于编排)等组件,逐步淘汰了 Prompt flow 等旧工具。生产 LLMOps 的关键考虑因素包括管理非确定性模型输出、实施强大的安全护栏以及通过详细的监控和预算控制成本。
-
开发者分享使用Semantic Kernel的节日AI教程
一位开发者正在通过分享AI相关内容来参与节日技术日历活动。该开发者的贡献聚焦于一个“好坏孩子检查器”工具,很可能使用.NET和Semantic Kernel构建,并以节日AI教程的形式呈现。
-
AI 代理:过度炒作,部署狭窄,关注基础
当前关于 AI 代理的讨论过于宽泛,导致工程上的失误,简单的流程被过度设计,而复杂的流程则设计不足。真正的代理,与简单的函数调用或聊天界面不同,拥有目标,能独立做出决策,处理失败,并知道何时完成。目前 AI 代理的生产部署非常狭窄,专注于特定任务,如客户支持或代码审查,而不是通用的推理。该领域的成功取决于细致的工具设计、强大的失败处理和清晰的可观察性,而不是仅仅采用最新的前沿模型。
-
AI代理从文本生成转向工具使用和结构协同设计
一篇新论文探讨了如何使用AI代理在AEC行业中协同设计结构元素,将自然语言提示连接到结构建模API。另外,一份开发者指南详细介绍了如何使用Anthropic SDK在C#中实现函数调用,使AI代理能够与外部工具和数据库进行交互。这种函数调用能力被认为是区分简单聊天机器人和更复杂AI代理的关键区别。
-
.NET 中的 AI 代理、本地提示引擎以及模型性能对比
一份技术指南探讨了在 .NET 中构建 AI 代理,详细介绍了架构、工具和函数调用、规划、记忆、自主性、多代理系统以及诸如提示注入之类的安全注意事项。该指南强调代理是根据目标行事的,这与仅仅回答问题的聊天机器人不同,并指出了机器速度错误的风险。另外,一篇文章讨论了本地提示引擎如何取代股票平台上的付费生成,另一篇文章则将 AI 模型性能与转换器进行了比较,指出最好的 Claude 运行达到了转换器能力的 96.7%。
-
Agentic RAG 与 Traditional RAG 在 .NET 中的实现与指标对比
本文探讨了 .NET 框架中 Agentic RAG 与 Traditional RAG 的区别,详细说明了每种方法适用的场景。文章深入介绍了 Semantic Kernel 代码的实现,并讨论了用于评估性能的相关生产指标。
-
AI代理的定义具有误导性;生产系统侧重于狭窄任务和稳健设计
当前“AI代理”的定义和应用常常具有误导性,许多被标记为代理的系统实际上只是执行复杂的函数调用,而非展现真正的目标驱动行为。在生产环境中,成功的AI代理通常范围狭窄,擅长特定任务,如文档提取或客户支持分诊,其有效性取决于稳健的工具设计、故障处理和可观察性,而非仅仅使用最新的前沿模型。LangChain和AutoGen等AI框架的泛滥被视为一种干扰,而诸如计划-执行和分离检索与推理等底层模式对于构建有效的代理系统更为关键。
-
LLM 上下文成本挑战 .NET 开发者;概述优化策略
对于使用 Azure OpenAI 的 .NET 开发者来说,管理与大上下文窗口相关的成本和延迟至关重要。注意力机制的二次方缩放意味着将提示长度加倍可能会使费用增加四倍,并显著增加响应时间。本文提供了一个优化 token 使用的 playbook,包括提示修剪、KV 缓存重用和语义分块等策略,以维持可预测的预算并满足服务水平协议。
-
ASP.NET Core LLM 应用需要先追踪的可观测性来控制成本和延迟
ASP.NET Core 中的 LLM 应用的可观测性需要一种先追踪的方法来管理成本、延迟和模型质量。单个配置错误的提示可能导致成本大幅增加和性能问题,因此强大的可观测性契约至关重要。实现精细的指标、完整的 OpenTelemetry 追踪和反馈循环涉及复杂性、成本和运营开销之间的权衡,尤其是在多租户 SaaS 环境中。
-
AI 代理:生产现实 vs. 炒作,关注核心模式
开发人员发现,当前围绕 AI 代理的炒作常常被误用,导致工程错误。真正的代理拥有目标和决策能力,而不仅仅是简单的函数调用或聊天界面。在生产环境中,成功的部署侧重于擅长特定任务(如文档提取或客户支持分类)的狭窄、专用管道,而不是通用推理引擎。取得良好成果的团队优先考虑工具设计、故障处理和可观察性,而不是简单地采用最新的前沿模型。
-
AI代理:生产现实 vs. 炒作,复杂性是真正的挑战
目前关于AI代理的讨论过于宽泛,许多系统被标记为代理,而它们仅仅是高级函数调用。真正的代理拥有目标,能够独立决策,处理失败,并将目标分解为子任务,而不是需要人类一步一步的指导。在生产环境中,大多数部署的代理都专注于狭窄的任务,如客户支持或文档提取,成功的团队专注于工具设计、故障处理和可观测性,而不是仅仅关注最新的模型发布。这些代理的复杂性和治理,特别是它们之间的交互,对企业来说是一个重大挑战。
-
新的 .NET 清单解决了 OWASP LLM 安全漏洞
一位开发者创建了一个针对 2026 OWASP LLM 应用 Top 10 列表的 .NET/C# 实现清单,因为现有的资源主要使用 JavaScript 或 TypeScript。新的清单为 Semantic Kernel(一个 .NET 框架)提供了具体的代码示例,以解决提示注入和敏感信息泄露等安全风险。此举旨在提高构建 LLM 功能的 .NET 开发者的安全态势,因为当前的文档通常侧重于功能而非安全实现。
-
AI工程师警告生产差距,批判性定义“智能体”
许多AI工程师担心AI演示与现实世界生产系统之间的差距,特别是关于“智能体”的定义和应用。智能体被精确定义为一个具有目标、能够决定下一步行动、处理失败并知道何时完成的系统,这使其区别于简单的函数调用或聊天界面。目前智能体的生产部署通常是狭窄的、专门构建的,成功的团队专注于工具设计、故障处理和可观察性,而不是仅仅关注最新的模型发布。AI智能体框架的泛滥被视为一种干扰,像“计划-执行”这样的底层模式对于成功更为关键。
-
AI代理定义被稀释;生产重心转向核心模式
当前关于AI代理的讨论过于宽泛,许多系统被错误地标记为代理,而它们仅仅是复杂的函数调用。真正的代理拥有目标、处理失败,并知道何时完成,而不是简单地遵循指令。目前AI代理的生产部署范围很窄,专注于客户支持或文档提取等特定任务,取得成功的团队优先考虑工具设计、故障处理和可观察性,而不是追逐最新的模型发布。AI代理框架的泛滥被视为一种干扰,而像“计划-然后执行”这样的底层模式对于成功的开发更为关键。
-
AI框架:超越提供商抽象评估核心功能
AI框架如LangChain、LlamaIndex和CrewAI提供四项核心功能:提供商抽象、控制流、集成和操作。虽然许多团队只需要其中一两项功能,但他们常常会采用整个框架,导致日后可能后悔。文章强调,核心代理循环(包括调用模型和执行工具)可以在没有框架的情况下用大约四十行代码实现。然而,框架在持久状态管理、结构化并发和详细跟踪等方面提供了显著价值,而这些内容从头开始构建非常复杂。
-
AI代理:过度工程化和定义稀释困扰生产系统
作者认为,当前围绕AI代理的炒作正在稀释其定义,导致工程上的失误。真正的代理与简单的函数调用或聊天界面不同,它们拥有目标、处理失败并能将目标分解为子任务。目前生产环境中部署的代理是狭窄的、专门构建的,成功的团队专注于工具设计、失败处理和可观察性,而不是仅仅关注最新的模型发布。作者还建议,AI框架之争是一种干扰,并强调诸如“计划-然后执行”等有效模式更为关键。