Semantic Kernel 入门系列：Memory内存

了解的运作原理之后，就可以开始使用Semantic Kernel来制作应用了。

Semantic Kernel将embedding的功能封装到了Memory中，用来存储上下文信息，就好像电脑的内存一样，而LLM就像是CPU一样，我们所需要做的就是从内存中取出相关的信息交给CPU处理就好了。

内存配置

使用Memory需要注册 embedding模型，目前使用的就是 text-embedding-ada-002。同时需要为Kernel添加MemoryStore，用于存储更多的信息，这里Semantic Kernel提供了一个 VolatileMemoryStore，就是一个普通的内存存储的MemoryStore。

	var kernel = Kernel.Builder.Configure(c =>
	{
	c.AddOpenAITextCompletionService("openai", "text-davinci-003", Environment.GetEnvironmentVariable("MY_OPEN_AI_API_KEY"));
	c.AddOpenAIEmbeddingGenerationService("openai", "text-embedding-ada-002", Environment.GetEnvironmentVariable("MY_OPEN_AI_API_KEY"));
	})
	.WithMemoryStorage(new VolatileMemoryStore())
	.Build();

信息存储

完成了基础信息的注册后，就可以往Memroy中存储信息了。

	const string MemoryCollectionName = "aboutMe";
	await kernel.Memory.SaveInformationAsync(MemoryCollectionName, id: "info1", text: "My name is Andrea");
	await kernel.Memory.SaveInformationAsync(MemoryCollectionName, id: "info2", text: "I currently work as a tourist operator");
	await kernel.Memory.SaveInformationAsync(MemoryCollectionName, id: "info3", text: "I currently live in Seattle and have been living there since 2005");
	await kernel.Memory.SaveInformationAsync(MemoryCollectionName, id: "info4", text: "I visited France and Italy five times since 2015");
	await kernel.Memory.SaveInformationAsync(MemoryCollectionName, id: "info5", text: "My family is from New York");

SaveInformationAsync 会将text的内容通过 embedding 模型转化为对应的文本向量，存放在的MemoryStore中。其中CollectionName如同数据库的表名，Id就是Id。

语义搜索

完成信息的存储之后，就可以用来语义搜索了。

直接使用Memory.SearchAsync方法，指定对应的Collection，同时提供相应的查询问题，查询问题也会被转化为embedding，再在MemoryStore中计算查找最相似的信息。

	var questions = new[]
	{
	"what is my name?",
	"where do I live?",
	"where is my family from?",