在開發 AI 應用時，為 AI 代理賦予執行實際行動的能力是關鍵的突破點。透過 Microsoft 的 Semantic Kernel (SK)，我們可以建立語意函式 (Semantic Functions) 和原生函式 (Native Functions)，讓 AI 不僅能理解使用者需求，還能採取具體行動。
語意函式與原生函式：AI 能力的兩大支柱
在深入技術細節前，讓我們先明確兩種核心功能型別的區別：
- 語意函式：本質上是基於提示工程的函式，它透過精心設計的提示範本引導 LLM 完成特定任務，如電影推薦、文字摘要等。
- 原生函式：是實際的程式碼函式（如 Python），可以執行任何程式邏輯，包括讀寫檔案、API 呼叫、資料處理等。
這兩種函式的結合，讓 AI 代理能夠跨越純文字理解的限制，實現與真實世界的互動。
Semantic Kernel 外掛架構圖
此圖展示了一個典型的 SK 外掛（Plugin/Skill）內部如何同時包含語意函式和原生函式。
實戰：構建電影推薦代理
讓我們透過一個電影推薦系統的例子，來看看這兩種函式如何協同工作。
1. 使用原生函式獲取資料
首先，我們建立一個原生函式，用於從檔案中讀取使用者已經看過的電影清單。這個任務需要精確的檔案操作，非常適合用原生函式來實現。
# seen_movies.py
from semantic_kernel.functions import kernel_function
class MySeenMoviesDatabase:
"""描述：管理使用者已觀看電影的列表。"""
@kernel_function(
description="從檔案載入使用者已觀看的電影列表",
name="LoadSeenMovies",
)
def load_seen_movies(self) -> str:
"""從 seen_movies.txt 檔案讀取電影清單，並以逗號分隔的字串形式返回。"""
try:
with open("seen_movies.txt", 'r') as file:
lines = [line.strip() for line in file.readlines()]
return ', '.join(lines)
except Exception as e:
return f"讀取檔案時發生錯誤: {e}"
這裡，@kernel_function 裝飾器將一個普通的 Python 方法標記為 SK 可以識別的原生函式。
2. 在語意函式中嵌入原生函式
接下來，我們建立一個語意函式，它的任務是根據使用者已觀看的電影列表，推薦一部新電影。我們將在提示中直接嵌入對上述原生函式的呼叫。
// skprompt.txt
You are a wise movie recommender. You have been asked to recommend a movie to a user based on a list of movies they have watched before.
You must recommend a movie that the user has not watched before.
Movie List: {{MySeenMoviesDatabase.LoadSeenMovies}}.
這個提示範本的關鍵在於 {{MySeenMoviesDatabase.LoadSeenMovies}}。這是一個嵌入式函式呼叫，它告訴 SK 在執行這個語意函式之前，首先要執行名為 MySeenMoviesDatabase.LoadSeenMovies 的原生函式，並將其結果填充到提示中。
3. 註冊外掛並執行
最後，我們將這兩個函式作為外掛註冊到 Kernel 中，並執行推薦流程。
import semantic_kernel as sk
import asyncio
# 初始化 Kernel 和服務 (此處省略)
kernel = sk.Kernel()
# ... 加入 OpenAI 服務 ...
# 註冊原生函式外掛
from seen_movies import MySeenMoviesDatabase
kernel.import_plugin_from_object(MySeenMoviesDatabase(), "MySeenMoviesDatabase")
# 註冊語意函式外掛
recommender_plugin = kernel.import_plugin_from_prompt_directory("plugins", "Recommender")
recommend_function = recommender_plugin["Recommend_Movies"]
# 執行函式
async def run_recommendation():
result = await kernel.invoke(recommend_function)
print(result)
asyncio.run(run_recommendation())
函式協同工作流程圖
此時序圖展示了當 Recommend_Movies 語意函式被呼叫時，其內部如何觸發原生函式的執行流程。
結論
Semantic Kernel 的語意函式和原生函式為構建 AI 應用提供了強大而靈活的工具組。透過在語意函式中嵌入原生函式，我們可以將 LLM 的理解能力與程式碼的精確執行能力無縫結合，構建出既智慧又實用的 AI 代理系統。
在實際開發中，找到語意和原生功能的正確平衡點是關鍵。有些任務完全可以透過精心設計的提示來完成，而其他任務則需要確定性的程式碼執行。掌握這種平衡，將幫助你構建出既能發揮 LLM 創造力，又能保持高效執行的下一代 AI 應用。
