开启 LLMs 应用开发之门 | 新程序员

【导读】大型语言模型（LLMs）的应用探索如火如荼，但真正的创新应用却鲜有出现。本文深入探讨了如何将 LLMs 融入实际业务场景，以“Copilot Stack”来构建基于 LLMs 的应用。文章特别介绍了 Semantic Kernel 框架，它不仅支持多语言，还能与企业数据无缝结合，通过 Planner 功能实现任务步骤的智能划分。同时，还深入展望了 Semantic Kernel 在未来 AI Agent 框架中的角色，以及如何通过多框架结合实现更高效的智能体任务管理。可以预见，2024 年将成为 LLMs 应用爆发的一年。如何利用 Semantic Kernel，迎接 LLMs 应用的新时代，是开发者们当前所面临的关键命题。

作者 | 卢建晖

责编 | 唐小引

出品 | 《新程序员》编辑部

在 2023 年，我们每个人都在大型语言模型中开始了探索之路。对于个人而言，有人从卖课开始制造焦虑，有人从卖 API 开始赚取第一桶金，也有人从各种 Copilot 中改变了自己的工作方式。对于国内大厂而言，则是进入了“百模大战”，甚至可以说没有发布过大模型的大厂就没有真正进入到 LLMs 领域。

虽然看上去热热闹闹，但很少有人提及应用。回看移动互联网时代，在短时间迸发出大量的创新应用不同，2023 年很少有基于 LLMs 的爆款应用。或者停留在大家应用场景的是，微软的 Microsoft 365 Copilot、GitHub Copilot 以及 Bing Chat 等应用及其复制品。可以说 2023 年大家在认识阶段，但到了 2024 年，我们有理由相信这是属于打造 LLMs 应用的一年。

图源：Bing AI

从 Copilot Stack 开始

在 2023 年 5 月的 Microsoft Build 开发者大会上，微软 CTO Kevin Scott 提出了 Copilot Stack 的概念，目标正是告诉大家在大模型时代下的 “MVC” 。

Copilot Stack

• Model - 包括了我们的各种 LLMs。

在基于业务形态下，我们不仅有 Azure Open Service 或者 OpenAI，也可以拥有各种开源的在 Hugging Face 上的模型，也可以是企业自己内部的自建模型。这些模型结合不同的混合算力，构建了一个基于 LLMs 应用支撑的基础。

• View - 即各种 Copilot 的应用的展现形态。

如我们熟悉的 Chat、RAG 插件或各种辅助工具。构建的形式可以是传统的工程项目，也可以是基于低代码工具，如 Copilot Studio 打造的 RAG 应用或插件。

• Controller - 开启大模型魔法最重要的关键是我们的提示词。

通过提示词可以承上启下地工作。如何有效地管理好各种不同的提示词就是整个 Copilot Stack 的核心和重点。

在 Copilot Stack 的方法论加持下，对于架构师及传统开发者就有了一个清晰的思路，然而，我们还往往会面临这样几个问题：

• 如何融入到传统工程项目中？毕竟为原有的应用添加智慧是关键，而非重新做一个新的应用。

• 对于技术栈的兼容，在国内互联网更多是 Java 团队或者基于传统工业的 .NET 团队以及物联网相关的 Python 是否都有良好的框架支持？

• 对于企业提示词和传统代码结合是否有很好的支持？

• 是否可以对接不同的商业应用场景？

Semantic Kernel 出现

无可否认，现在市面上使用最多的是 LangChain，但基于上述几个问题都有缺失。让我们来看看 Semantic Kernel 吧！

Semantic Kernel

Semantic Kernel 诞生于 2023 年 3 月，支持多语言（如 Java、.NET、Python 等），可以完整结合代码和提示词，通过连接器可以链接不同的商业应用场景。而且 Semantic Kernel 基于 Copilot Stack 而生， 这意味着它有很好的提示词组织管理能力，为企业级别的解决方案提供了更好的选择。

2023 年底，Semantic Kernel 的 .NET 版本正式发布了 1.0.1 版本（现在已经更新到 1.1.0），而其 Java 和 Python 也会陆续进入正式版本。并且支持 RAG 应用中的向量，以及多模型支持。

Semantic Kernel 最大的特点是 Planner，可以很方便对前端指令进行任务步骤划分，每个步骤都基于不同业务的 Prompt —— 在 Semantic Kernel 中称之为「Plugins」。我们可以将 Semantic Kernel 理解为是一个 LEGO 积木的底座，而每个业务的 Prompt 就是一个小小的组件，通过组件组合拼装完成不同的任务。

Semantic Kernel Planner

除了 Planner 外，Semantic Kernel 也支持 AI Agent 等 LLMs 应用中的新形态。可以说伴随着 LLMs 一起成长，也是 Copilot Stack 的最佳实践。

Semantic Kernel 加持下的 RAG 应用

在 LLMs 应用场景中，Copilot 应用是非常主流的。在企业级场景下，通过 Semantic Kernel 结合企业的结构化数据和非结构化数据可以快速打造属于企业的 RAG 应用。

我们知道企业有结构化和非结构化数据，对于非结构化数据，结合 Embedding 可以非常快速地完成 RAG 应用的开发。如下图所示：

非结构化数据

至于结构化数据，我们可以结合 LLMs 的代码生成能力来完成应用开发，如下图所示：

结构化数据

Semantic Kernel 能够很好地适应企业对于 AI 转型的需求，可以快速整合到传统工程应用上，对于企业是非常容易上手的。

Semantic Kernel 的未来

在众多框架加持下，基于 LLMs 应用的构建会越来越方便。那 Semantic Kernel 的未来在哪里？每天我们除了有新的模型、新的方法论外，也有很多新的应用开发框架出现。比如在微软，有很多团队基于 LLMs 开发了不少的框架，包括 Prompt flow（开源的 LLM 开发工具）、AutoGen（基于多智能体对话构建 LLM 应用），还为 LangChain 进行了优化等。但这些框架并不是取代谁，都是各司其职。有人说，2024 年 LLMs 应用属于 AI Agent（智能体），那我们顺着这个发展，我觉得 Semantic Kernel 就是这里的“中间件”角色，完成任务划分的工作。

基于 AI Agent 的智能体框架，比如 AutoGen 更像一个前端，可以接收目标指令，然后派工到不同功效的智能体。Semantic Kernel 和 LangChain 更像一个“中间件”去接管单个智能体的任务来完成步骤切分。每个步骤可以交到用 Prompt flow 所完成的工作来稳定和监控 LLMs 的输出，如下图所示，是一个完整的多框架结合应用场景的思考。

多框架结合应用场景架构

结语

2024 年来了，我们进入到 LLMs 应用爆发的时期。对于开发人员和开发团队都是一个很好的基础，希望有更多的开发人员能利用 Semantic Kernel 实现向智能化应用转型。