SimpleAIAgent是基于C# Semantic Kernel 与 WPF构建的一款AI Agent探索应用。主要用于使用国产大语言模型或开源大语言模型构建AI Agent应用的探索学习，希望能够帮助到感兴趣的朋友。
接下来我想分享一下我的AI Agent应用实践。
翻译文本并将文本存入文件
第一个例子是翻译文本，并将文本存入指定的文件。
输入如下内容：
执行过程
第一步，LLM判断应该调用的函数与参数如下：
第二步，LLM帮我们调用这个函数，并返回结果：
第三步，LLM再次判断需要调用的函数与参数：
第四步，LLM调用这个函数，并返回函数返回值：
第五步，LLM判断任务已经完成，调用结束函数：
第六步，返回最终的回应：
查看结果
会发现桌面多了一个文件，打开如下所示：
以上AI Agent应用使用glm-4-flash即可实现，当然也可以尝试其他模型，模型越强，成功概率越高。
实现文件到文件的翻译
输入：
文件1.txt的内容如下：
是一段关于WPF的中文描述，现在我想让LLM帮我翻译成英文之后再保存到另一个文件。
同样还是使用免费的glm-4-flash
执行过程
第一步，LLM判断应该调用的函数与参数如下：
第二步，LLM帮我们调用这个函数，并返回结果：
第三步，LLM判断任务已经完成，调用结束函数：
第四步，返回最终的回应：
查看结果
实现要点
大家可能会注意到实现的要点其实就是要让LLM自动调用函数，也就是实现自动函数调用的功能。
之后要做的就是根据你想让LLM自动做的事去写插件，然后导入这个插件罢了。
插件中函数最好不要太多，太多模型能力弱的就会乱调用。根据你的需求，实现不同人物导入不同的插件比较好。
插件可以这样写，以上面的翻译插件为例：
#pragma warning disable SKEXP0050 internal class TranslationFunctions { private readonly Kernel _kernel; public TranslationFunctions() { var handler = new OpenAIHttpClientHandler(); var builder = Kernel.CreateBuilder() .AddOpenAIChatCompletion( modelId: ChatAIOption.ChatModel, apiKey: ChatAIOption.Key, httpClient: new HttpClient(handler)); _kernel = builder.Build(); } [KernelFunction, Description("选择用户想要的语言翻译文本")] public async Task<string> TranslateText( [Description("要翻译的文本")] string text, [Description("要翻译成的语言，从'中文'、'英文'中选一个")] string language ) { string skPrompt = """ {{$input}} 将上面的文本翻译成{{$language}}，无需任何其他内容 """; var result = await _kernel.InvokePromptAsync(skPrompt, new() { ["input"] = text, ["language"] = language }); var str = result.ToString(); return str; } [KernelFunction, Description("实现文件到文件的翻译")] public async Task<string> TranslateTextFileToFile( [Description("要翻译的文件路径")] string path1, [Description("保存翻译结果的文件路径")] string path2, [Description("要翻译成的语言，从'中文'、'英文'中选一个")] string language ) { string fileContent = File.ReadAllText(path1); var lines = TextChunker.SplitPlainTextLines(fileContent,100); var paragraphs = TextChunker.SplitPlainTextParagraphs(lines, 1000); string result = ""; string skPrompt = """ {{$input}} 将上面的文本翻译成{{$language}}，无需任何其他内容 """; foreach (var paragraph in paragraphs) { var result1 = await _kernel.InvokePromptAsync(skPrompt, new() { ["input"] = paragraph, ["language"] = language }); result += result1.ToString() + "rn"; } var str = result.ToString(); // 使用 StreamWriter 将文本写入文件 using (StreamWriter writer = new StreamWriter(path2, true)) { writer.WriteLine(str); } string message = $"已成功实现文件{path1}到文件{path2}的翻译"; return message; } [KernelFunction, Description("将文本保存到文件")] public string SaveTextToFile( [Description("要保存的文本")] string text, [Description("要保存到的文件路径")] string filePath ) { // 使用 StreamWriter 将文本写入文件 using (StreamWriter writer = new StreamWriter(filePath, true)) { writer.WriteLine(text); } return "已成功写入文件"; } [KernelFunction, Description("从文件中读取文本")] public string GetTextFromFile( [Description("要读取的文件路径")] string filePath ) { string fileContent = File.ReadAllText(filePath); return fileContent; } } 就是加上了一些描述用于帮助LLM理解函数的用途罢了，相信对程序员朋友来说不是什么问题，现在就可以动手构建自己的AI Agent应用了。
希望这次的分享对使用LLM构建AI Agent应用感兴趣的朋友有所帮助。
对这个应用感兴趣的朋友，拉一下代码，将appsettings.example.json改为appsettings.json，填入你的API Key与模型名或者使用Ollma填入地址，填入模型名即可快速体验。
