微软技术栈

微软宣布正在与 OpenAI 合作，通过采用 OpenAI 的 ChatGPT 和微软的 Copilot 产品（包括 Bing Chat，Dynamics 365 Copilot，Windows Copilot 和 Microsoft 365 Copilot）集成的插件开放标准来支持和发展 AI 插件生态系统。Microsoft Fabric 中的 Copilot[3]，即将提供预览版（有关 Fabric 的更多信息，请参阅“Build 2023：Meet Fabric，微软数据业务的 AI 化”[4])

我们的问题多种多样，除了问日常生活、通用知识外，还会遇到不同的时效性的问题和针对特定行业的问题。希望大家能有所收获！- 用于结合时效性技能和业务技能的函数封装，可以非常快速地定义不同的技能，如我需要查询一些入职相关的内容以及实时天气状况，我们都可以通过原生函数定义这些技能并赋予系统答案，再让生成式 AI 完成接下来的工作，这是我们定义原生技能函数的一个例子：​​​​​​​。通过机器学习进行问题的分类是我们过往经常用的，除了分类外，还可以快速地提取不同的语义实体，基于问题进行更细致的划分，找到更符合的答案。

大家好，欢迎来到Java on Azure工具产品的4月更新。让我们首先来谈谈我们对未来几个月的Java on Azure开发工具的投资。在这次更新中，我们还将介绍Azure Service Bus支持和Azure Spring Apps入门模板增强功能。要使用这些新功能，请下载并安装用于IntelliJ IDEA 的。让我们开始吧。路线图更新我们很高兴地宣布我们未来几个月的路线图。我们的目标是为Java开发者提供一个易于使用的代码到云的旅程。下面这张图总结了我们的投资领域。

又是一年一度的 Microsoft Build 了，你有和我一样熬夜看了吗？如果没有，那么你就错过了一场精彩的技术盛宴。本次的 Microsoft Build，有非常多的干货，围绕打造 Copilot 应用展开。我会将基于 Data + AI 比较重要的内容列列，希望给到小伙伴一个指引。Azure OpenAI Service 助力企业化的 Copilot 应用。

智能副驾”能通过大语言模型（LLM）实现基于自然语言理解和生成的人机交互，并帮助用户完成各种复杂任务，它既开启了一种由AI驱动的全新软件类型，同时也标志着软件开发方式的重大变革 —— 从软件服务的应用场景、用户体验、服务架构到安全防护措施，都在进化为全然不同以往的开发体验。是个人电脑平台上的第一个中央化人工智能助理，借助各种集成的第一方和第三方插件，用户将不再需要花时间和精力去寻找不同的应用并在各种软件之间来回切换，而是真正专注于如何展现自己的创意、完成复杂的工作，或者是进行交流协作。

这两个库我们选择使用哪一个，我觉得主要的考虑因素是开发人员的技能，LLM 已经将机器学习的门槛降低到普通开发人员就可以开发 AI 应用，SK 在帮助应用开发人员开发 AI 方面的帮助会比 LangChain[8]更大，我会选择采用 SK 来构建 AI 应用。深圳友浩达 CTO & 首席架构师，微软最有价值专家，微软 SWAT 专家，超过20年的软件研发经验，曾在腾讯工作12年，.NET 基金会成员，.NET 云原生顾问和解决方案专家，运营微信公众号“dotnet跨平台”和“分布式应用运行时”

当我们为调试器引入惰性变量（Lazy Variable）时，我们的目的是推迟对昂贵变量的计算操作，直到用户显式扩展查看它们的值，目的是优化性能。但是，我们听到用户反映，这带来了一些用户体验的副作用，在调试模式下，开发者必须不断地额外点击才能显示一些基本类型变量的值，非常不方便。2023 年，Visual Studio Code 上的 Java 会有很多激动人心的更新，一如既往，您的反馈和建议对我们非常重要，将有助于我们未来的产品塑造。的一部分，因此您可以直观地看到您拥有的 Maven 配置文件。

我们很高兴为您介绍 Semantic Kernel 的 Copilot Chat Sample App！借助此应用程序，开发人员可以使用自然语言处理、语音识别和文件上传等高级功能轻松构建自己的聊天机器人。通过利用基于 LLM 的 AI，您可以通过 Semantic Kernel 使用您自己的最新信息，使聊天更加智能。Copilot Chat 还提供可扩展性、更高的效率和个性化建议，最重要的是，它是一个开源示例应用程序，这意味着您可以立即开始开发您的自定义聊天机器人！

Data Wrangler 是 VS Code Insiders 的扩展，可以从 Jupyter notebook 中的任何 Pandas 数据帧输出启动，或者通过右键单击 VS Code Insiders 中的任何 CSV 或 Parquet 文件并选择 Open in Data Wrangler 启动。我们还添加了小的增强功能并修复了用户请求的问题，这些问题应该会改善您在 Visual Studio Code 中使用 Python 和 Jupyter Notebooks 的体验。，或在本文下方留言。

这种方法类似于人类经验：如果多个不同的思维方式导致同样的答案，会给我们更大的信心——最终的答案估计是正确的。实际上 GPT-3.5 和 GPT-4 模型已经使用新的 ChatCompletion 接口取代之前模型使用的 Completion 接口，它们的差别在第一小节的截图中其实已经展示了。换个角度想想，每个子问题的解决都将推动解决下一个问题，就像我们小时候老师教我们的一样：解答题目的每个子问题都能得分，并提高我们解答最终题目的信心，最后解答出整个题目。在这篇论文中，作者使用了 GSM8K 的数据集。

欢迎使用 Visual Studio Code 2023 年 4 月版。

尽管我们现有的基于 cookie 的解决方案有效，但行业已经发展了，如今基于令牌的身份验证解决方案更加灵活，而这正是支持身份验证的 SPA 应用程序所需要的。.NET 8 的目标是让您有一个单一的起点来学习 .NET Auth 文档的可用选项，它整合了支持教程和示例的链接，更重要的是提供了具体的指导。除了 IdentityServer (如果您符合社区版的条件，它仍然是免费的)之外，还有许多其他自托管选项可用，包括开源的 OpenIddict 项目和基于容器的 Keycloak。我们正在改变的过程中。

Presence Penalty 可以用于降级那些在之前的生成文本中已经出现过的词语，在生成下一个词时，这些词语的概率会被降低，从而鼓励模型生成更加多样化的文本。具体来说，Top P 参数指的是在生成下一个词时，只考虑概率累加值最高的一组词，这组词的概率之和大于等于给定的阈值 P。具体来说，Frequency Penalty 可以用于降级那些在之前的生成文本中出现频率较高的词语，在生成下一个词时，这些词语的概率会被降低，从而鼓励模型生成更加多样化的文本。是控制生成的文本输出的随机程度的参数。

作为 Pilot，您始终是负责人，您可以决定采纳 Copilot 的哪些建议，以及将哪些代码带入您的工作区。VS Code 团队举办了一场内部黑客马拉松，探索如何将 AI 更深入地集成到 VS Code 中，并提出了许多很酷的想法，例如：改进的重命名和重构、基于示例的代码转换，以及使用自然语言创建文件 glob 模式或正则表达式的方法。在这篇文章中，我们将介绍 VS Code 中 AI 的背景知识，向您展示一些由 GitHub Copilot 提供支持的令人兴奋的新体验，并让我们一窥未来的发展方向和方式。

这也许就是大模型的威力：算力的强大使得巨量的语料数据能够进行无监督学习，由此产生了对语义的概率性推断，再体现到对输入的语义理解和内容生成，不断发展的神经网络（连接派）强大之后，却发现了对“意思”（符号派）的更好识别，简直是华山气宗和剑宗的殊途同归，扯远了，后续再写一篇聊这个吧！这也是人工智能内容生成。考虑到监督机器学习时需要的标签，这是一项包含巨大成本（人力和经济）的工作——也许你已经听说过数据标记师和数据标记工作的传闻，更别说标签有时无法提供合适的数据进行训练，比如样本分布或样本过少导致的偏差等等。

因此，在编写程序时，请记住，对人来说困难的事情很可能对模型也很困难，将模式分解成更容易的步骤通常会得到更稳定的结果。当我们在程序中有一组嵌套的提示词时，并且其中一个提示词在其结果上不确定时（“一个可能的方式是...”），正确的做法是等效于“异常处理”（Exception Throw）——将这种不确定性向上传播，直到能够澄清或与用户交互的级别。随着这些基于模型的程序的不断增多，这是一种自然的“未来证明”，可以使不同的提示词能够像人类一样相互理解。新兴的 LLM AI 模型都非常强大，并显得“受过良好教育”。

当第一次升级到 .NET 5 时，我们是在一个混合模型中进行的，其中我们仍然是基于 .NET Framework 4.x 构建的，但是加载程序集并在 .NET 5 下运行。我们遇到的另一个有趣的运行时问题是一个罕见的旋转计数 bug。事实上，新的垃圾收集器设计在几个月的时间里由 .NET 开发者在我们的一些测试机器上进行了具体且广泛的测试，以确保它没有引入任何回归。从那时起，XAP 一直是微软许多搜索和工作流相关技术的关键组件，并在新的集成中发挥了核心作用，比如新的 AI 驱动的 Bing。

Semantic Kernel (SK) 是一个轻量级的 SDK，它允许你轻松地将传统编程语言与最新的大型语言模型 (LLM) AI“提示”相结合，其提供开箱即用的模板、链接和规划功能。简而言之，就是基于 SK 提供的能力，可以基于“传统的编程语言”进行面向 LLM（大语言模型）AI 编程。这里的 LLM 目前就是 OpenAI，这里的传统编程语言，可以是 C#，Python 亦或 TypeScript、Java 等，但 SK 是微软开源，因此目前 C# 在第一支持系列。

今天我们继续介绍 SynchronizationContext 和 ConfigureAwait。

hello-dotnet Kubernetes 示例演示了以 non-root 用户身份运行的 ASP.NET 和 dotnet-monitor。您可以尝试使用我们的 non-root Kubernetes 示例在集群上托管 non-root 容器。希望我们的容器安全计划能够让整个 .NET 容器生态系统都转向 non-root 托管，我们致力于使云中的 .NET 应用程序高效且安全。让我们看看使用 non-root Kubernetes 示例进行 non-root 容器托管的体验。

大家好，欢迎来到 Java on Azure Tooling 的3月更新。在这次更新中，我们将介绍 Azure Event Hubs 支持、Azure Functions 的模板增强，以及在 IntelliJ IDEA 中部署 Azure Spring Apps 时的日志流改进。要使用这些新功能，请下载并安装用于 IntelliJ IDEA 的。让我们开始吧。Azure Toolkit for IntelliJ 提升。

它提供了更易于访问和直观的开发环境，使各种技能水平的开发人员都可以利用 Semantic Kernel 在其项目中发挥作用。我们很高兴地宣布，Semantic Kernel Tools 已经发布了，这是 Visual Studio Code 的第一个 Semantic Kernel 扩展。无论是聊天和对话交互、代码生成或转换、问答或任何其他预期使用情况，Semantic Kernel Tools 提供了所需的灵活性和强大功能，以创建创新且有影响力的项目。

在这几天里，我的每一个小时都被填满，我和众多的企业家，企业高管开了非常多的会，我认真的倾听大家对通用人工智能的渴望和对 ChatGPT 的期待，但我心里深处的一个角落里面，总隐隐约约觉得我和这些企业家、企业高管之间总是有那么一点点沟通的屏障，我一直在努力的思考这个屏障在哪里。今天我在去天津的飞机上疲倦的熟睡中，突然在梦中我想到了那个问题：很多人其实并没有理解 ChatGPT 和 Azure OpenAI 之间的关系。所以当我从梦中惊醒的时候，我马上记录下这个话题。

此外，它为未来 InitializeComponent 内部更复杂的代码生成开辟了新的道路，这将有助于优化和均衡在具有不同 HighDPI 设置的机器上的 HighDPI 场景的代码生成。虽然 CodeDOM 可以通过现有的编译器实现为特定的语言编写代码文件，但生成的代码风格仍然是 .NET 框架刚开始时的风格，在许多情况下已经不再符合当前的编码标准。总而言之，有一些编码元素与之前的有本质上的不同。在 WinForms 中，当你设计一个表单的时候，所有相关的内容都是在每个表单或用户控件的一个方法中生成的。

我们意识到，对于学生来说，这不是理想的体验，因此在最新版本中，我们改进了代码补全，这样您就无需进行任何配置。在我们最新的插件中，我们进行了以下改进。我们将为您带来一系列基础编码体验的改进，例如运行 Java 程序的更流畅体验、AWT 项目相关的代码补全优化以及更好的 Spring Boot 项目与 Azure 的集成，让我们开始吧！2023 年，Visual Studio Code 上的 Java 会有很多激动人心的更新，一如既往，您的反馈和建议对我们非常重要，将有助于我们未来的产品塑造。

现在，有了新的“将符号移动到代码操作”，您可以更方便地使用 Pylance 重构 Python 代码。当在具有 shell 集成的终端中聚焦可访问缓冲区时，“Terminal: Navigate Accessible Buffer”（Ctrl+Shift+O）使得可以像编辑器中使用“Go to Symbol in Editor...”一样导航到终端命令。您现在可以为笔记本启用保存时的格式设置。你可以使用 VS Code 中的 Copilot 扩展来生成代码，从它生成的代码中学习，甚至配置你的编辑器。

今天我们继续介绍 C# 迭代器和 async/await under the covers。这个解决方案的伏笔实际上是在 Task 出现的几年前，即 C# 2.0，当时它增加了对迭代器的支持。迭代器允许你编写一个方法，然后由编译器用来实现 IEnumerable 和/或 IEnumerator。我可以通过像 System.Linq.Enumerable 上的组合器将它与其他 IEnumerable 进行组合：​​​​​​​。

当您安装了最新的 Jupyter 和 Python 扩展时，您仍然可以通过辅助选择器“选择另一个内核...”查看所有可用内核，这将按其来源（例如：Jupyter 内核、Python 环境等）对所有内核进行分组。我们还添加了一些小的增强功能并修复了用户请求的问题，这些功能应该会改善您在 Visual Studio Code 中使用 Python 和 Jupyter Notebooks 的体验。我们一直在听取社区的反馈，并听到了减少默认情况下与 Python 扩展一起安装的扩展数量的请求。扩展的完整改进列表。

14] Github 仓库问答：https://github.com/microsoft/semantic-kernel/blob/main/samples/apps/github-qna-webapp-react/README.md。[11] 简单的聊天摘要：https://github.com/microsoft/semantic-kernel/blob/main/samples/apps/chat-summary-webapp-react/README.md。

前不久，我们发布了《它提供了对平台的高层次概述，总结了各种组件和设计决策，并承诺对所涉及的领域发表更深入的文章。这是第一篇这样深入探讨 C# 和 .NET 中 async/await 的历史、背后的设计决策和实现细节的文章。对 async/await 的支持已经存在了十年之久。在这段时间里，它改变了为 .NET 编写可扩展代码的方式，而在不了解其底层逻辑的情况下使用该功能是可行的，也是非常常见的。

结合微软的知识模型，GitHub Copilot 将利用不同企业的数据存储库，个性化定制 AI 协作编程，让每个创意想法都能在没有技术障碍的情况下变为现实。未来，GitHub Copilot 还将探索把资源索引扩展到除文档以外的领域，例如问题、拉取请求、讨论和维基，以便为开发者提供回答技术问题所需的一切资源。的问题，并获取 AI 即时生成的文档答案。一个清晰简洁的 PR 描述信息，能让代码审查者一目了然，快速了解代码变动情况，减少项目合并出错的可能性，并提升沟通效率。生成式人工智能代表了软件开发的未来。

Codex 的模型结构和 GPT 完全一样，为了尽可能地利用 GPT 的文本表示，Codex 使用了和 GPT-3 一样的分词器。，可以执行其他模型能够执行的任何任务，而需要更少的指令。Codex、GPT-Neo、GPT-J 和 TabNine 在 HumanEval 上的实验结果对比如下图所示，可以发现 Codex-300M 的效果优于 GPT-J 6B。上收集了数据，包括 179 GB 大小在 1 MB 以下的独一无二的 python 文件，在经过过滤后，最终的数据集大小为 159GB。

请你猜选出的是哪个数字。S 先生、P 先生、Q 先生他们知道桌子的抽屉里有16张扑克牌：红桃 A、Q、4，黑桃 J、8、4、2、7、3，草花 K、Q、5、4、6和方块 A、5。任何技术出现的背景都是因为要解决当下的困难，Prompt 的出现就是因为要解决语言模型越来越大，BERT 当时的参数是 147M，而 GPT2 直接到了 1.5B，到了 GPT3 已经暴涨到 175B，GPT3 如果用传统的预训练+微调，那对于下游任务的设计肯定会复杂到不可想象，这样的成本等于宣告过大的预训练模型是没有出路的。

从 .NET 8 起，我们所有的 Linux 容镜像都将包含一个 non-root 用户。只需要一行代码就能以 non-root 用户身份托管您的 .NET 容器。这个平台级的变化将会使您的应用程序更加安全，并使 .NET 成为最安全的开发者生态系统之一。这是一个小的变化，但对深层防御(defense in depth)影响巨大。这一变化的灵感来源于我们早期在 Ubuntu Chiseled 容器中启用 .NET 的项目。

通过将自定义技能与一组自定义连接器相结合，开发人员可以构建完全利用实时数据的大模型智能应用程序功能，将其打造成完全可重用的“AI 就绪”组件，以添加到现有的所有的项目中。这个宏伟的目标最终被实现了，但由于新的 LLM AI 模型具有提供实现几乎任何目标的逐步指导的非凡能力，当合适的技能可用时，实现任何目标都变得可行。ASK 通过内核的编排能力驱动到动态通知的结果。的出现，让我们看到了 AI 在自然语言处理方面的潜力，它涌现出来的创造力和思维能力令人叹为观止，并在新一代人机交互领域释放了大量的想象空间。

DALL-E 精通各种艺术风格，甚至可以根据季节、光线、环境、时间的不同，绘制相应的光影。因此，DALL-E 可以应用于广泛的领域和场景，例如广告、游戏、娱乐、教育等。版本，能够以比 DALL-E 高4倍的分辨率，生成更真实、更准确的图像，尤其在字幕匹配和照片真实性方面优于 DALL-E。为了确保使用者可以放心地使用 DALL-E，而不必担心生成的图像包含不适当的内容，DALL-E 通过。风险导向调查和评估，包括偏见，虚假和错误信息，经济影响，涉及仇恨、骚扰和暴力的信息，版权等。

好了，原始表格现在通过计算得到了新列“客户等级”，我想计算等级是 A 的客户在2月份的金额合计，这是一个典型的多条件求和问题，看看 ChatGPT 的表现。答案的质量很大程度上取决于提问的质量，问题描述的越清楚，细节越到位，得到理想答案的概率就会大大增加。

当您选择 .NET 时，它在基础级别上描述了“您得到了什么”，旨在成为一个充分且以事实为中心的框架，您可以使用它来向其他人描述该平台。后续帖子将更详细地介绍这些相同的主题，因为这篇帖子并没有完全公正地介绍这些功能中的任何一个。这篇文章不描述工具，如 Visual Studio，也不涵盖更高级的库和应用程序模型，如 ASP.NET Core 提供的那些。我们所说的“.NET”是现代的 .NET Core。我们在 GitHub 上作为开源项目于2014年启动了这个项目。

除了数据方面的分析之后，这篇文章还提到了 GitHub Copilot 产品方面的提升，其中包括了算法的加强和安全性能的改善等等。随着 Microsoft 和 OpenAI 之间的扩展合作伙伴关系，Visual Studio Code 对于 Java 开发者也将拥有更多令人兴奋 AI 相关的功能，来提供开发者的编码效率，请期待2023年我们的更新。2023 年，Visual Studio Code 上的 Java 会有很多激动人心的更新，一如既往，您的反馈和建议对我们非常重要，将有助于我们未来的产品塑造。

GPT-1 的预训练模型在 GPT-2 团队看来有一个不足的地方，虽然 GPT-1 构建了一个不错的预训练模型，但是对下游任务还是需要使用有标注的样板来训练新的模型，也就是说需要对具体的下游任务做有监督的微调。同时，GPT-2 还引入了一些新的技术，如动态掩码、自适应的词向量权重、多层次的表示等，以提高模型的性能和泛化能力。GPT 想解决的问题：在 NLP 领域有很多任务，虽然有了互联网，我们已经可以方便的采集大量的样本，但是相对于有标注的样本，更多存在的是无标注样本，那么我们怎么来使用这些无标注的样本。