企业官网建设流程全解析

准备工作

在今天的这个案例中，我们创建了一个.NET控制台应用程序，安装了以下NuGet包：

Microsoft.EntityFrameworkCore.Sqlite

Microsoft.Agents.AI.OpenAI

Microsoft.Extensions.AI.OpenAI

我们的配置文件中定义了LLM API的信息：

复制代码

{

"OpenAI": {

"EndPoint": "https://api.siliconflow.cn",

"ApiKey": "******************************",

"ModelId": "Qwen/Qwen2.5-32B-Instruct"

}

}

复制代码

这里我们使用 SiliconCloud 提供的 Qwen2.5-32B-Instruct 模型，你可以通过这个URL注册账号：https://cloud.siliconflow.cn/i/DomqCefW 获取大量免费的Token来进行本次实验。然后，我们将配置文件中的API信息读取出来：

var config = new ConfigurationBuilder()

.AddJsonFile($"appsettings.json", optional: false, reloadOnChange: true)

.Build();

var openAIProvider = config.GetSection("OpenAI").Get<OpenAIProvider>();

数据库初始化

为了将聊天记录持久化，我们定一个CustomChatHistory类来记录每次对话的内容：

复制代码

public sealed class CustomChatHistory

{

public string Id { get; set; }

public string Context { get; set; }

public DateTime CreatedTime { get; set; }

public CustomChatHistory(string context)

{

Id = Guid.NewGuid().ToString();

Context = context;

CreatedTime = DateTime.UtcNow;

}

}

复制代码

然后，基于EF Core实现一个DbContext，这是老操作了：

复制代码

public class ChatHistoryDbContext : DbContext

{

public DbSet<CustomChatHistory> ChatHistories { get; set; }

protected override void OnConfiguring(DbContextOptionsBuilder optionsBuilder)

{

optionsBuilder.UseSqlite("Data Source=ChatHistoryDb.db");

}

}

复制代码

有了DbContext后续我们就可以往数据库中写数据了。

创建一个AI Agent

通过MAF快速创建一个专注于回答马自达汽车知识的Agent：

var mazdaAgent = new OpenAIClient(

new ApiKeyCredential(openAIProvider.ApiKey),

new OpenAIClientOptions { Endpoint = new Uri(openAIProvider.Endpoint) })

.GetChatClient(openAIProvider.ModelId)

.CreateAIAgent(name: "Powerful Assistant", instructions: "You are a helpful assistant who responds user message in Mazda cars.");

开始第一轮对话

开启第一轮对话，我们想了解下Mazda 3这款车：

var userMessage = "Hello, can you tell me about the Mazda 3?";

Console.WriteLine($"User> {userMessage}");

var thread = mazdaAgent.GetNewThread();

var agentResponse = await mazdaAgent.RunAsync(userMessage, thread);

Console.WriteLine($"Agent> {agentResponse}");

执行结果下图所示：

image

可以看到，它洋洋洒洒地用了很多文字给我们介绍马三这款车。

对话记录持久化

假设我们这时要接一个电话，暂时就不跟Agent对话了。那么，Agent需要将对话记录存下来，这里我们就需要进行AgentThread的序列化并将其存到数据库：

复制代码

var serializedThread = thread.Serialize(JsonSerializerOptions.Web).GetRawText();

var chatConversation = new CustomChatHistory(serializedThread);

var dbContext = new ChatHistoryDbContext();

dbContext.Database.EnsureCreated();

dbContext.ChatHistories.Add(chatConversation);

await dbContext.SaveChangesAsync();

复制代码

这里我们存入的是一个Sqlite文件数据库，主要用于演示，十分便捷。

image

假设过了几分钟，我们接完电话回来准备继续对话了，Agent系统需要再从数据库中将我们的对话记录读取出来，也就是进行AgentThread的反序列化：

var savedConversation = dbContext.ChatHistories.First(c => c.Id == chatConversation.Id);

var loadedThread = JsonSerializer.Deserialize<JsonElement>(savedConversation.Context, JsonSerializerOptions.Web);

var resumedThread = mazdaAgent.DeserializeThread(loadedThread, JsonSerializerOptions.Web);

开始第二轮对话

我们刚刚问了Mazda 3这款车的基本信息，现在我们想了解下这款车的一些特性。这里，我直接问“What are the feautres of this car?”，这个 this car 就需要结合上下文才能知道我问的是哪一款车。

userMessage = "What are the features of this car?";

Console.WriteLine($"User> {userMessage}");

agentResponse = await mazdaAgent.RunAsync(userMessage, resumedThread);

Console.WriteLine($"Agent> {agentResponse}");

执行结果如下图所示：

首先，通过debug我们可以看到反序列化出来的AgentThread的确是包含了我们第一轮的对话记录：

image

其次，Agent在聊天记录的基础上回答这个问题的结果如下：

image

由上图可以看出，Agent准确的分析到了我们所说的 this car 指的是之前聊到的 Mazda 3这款车，并给了我们一些这款车的特性，清晰准确！

小结