人工智能eShop如何融入全面智能应用示例？

原文 | Jeremy Likness 翻译 | 郑子铭 人工智能 (AI) 是一种强大的工具，它可以增强您的应用程序，提供更好的个性化定制体验，满足客户的独特需求，同时提高内部运营的质量和效率。虽然简单的演示应用程序通常是快速采用新技术的简单方法，但“现实世界”要复杂得多，您希望看到更多使用 AI 的强大、现实启发场景的示例。为了帮助回答不仅仅是“什么是 AI？”这个问题，而且是“如何在我的应用程序中使用 AI？”，我们创建了一个应用程序来说明如何将 AI 融入典型的业务线应用程序中。 介绍 eShop“AI 支持”版本 AI 增强型 eShopSupport 应用程序是一个支持站点，客户可使用它来查询产品。eShop 员工有一个工作流程来跟踪这些查询、与客户交谈以及对这些查询进行分类并最终关闭这些查询。通过各种功能，此示例超越了流行的“聊天机器人”场景，说明了 AI 可以提高开发人员工作效率的几种方式，同时提高您能够提供的个性化客户支持水平。 此演示说明了如何使用 AI 来增强现有业务线应用程序中的各种功能，而不仅仅是“绿地”或新应用程序。例如，为什么不使用语义搜索来增强您的搜索功能，即使用户没有输入准确的短语或使用正确的拼写，它也可以找到内容？您是否需要向您的应用程序添加新语言？大型语言模型 (LLM) 能够处理多种语言的输入和输出。您是否需要筛选大量数据来寻找趋势？使用 LLM 来帮助汇总您的数据。如果进入管道，请考虑自动分类和情感分析。 该演示还使用 .NET Aspire 来利用其跨服务、数据存储、容器甚至技术进行编排的能力。Python 是数据科学领域的一种流行语言，但这并不意味着您必须将所有内容都切换到 Python，甚至将 Python 转换为 C#。此示例展示了一种互操作性方法，并使用 .NET Aspire 托管 Python 微服务。 功能 示例中与 AI 相关的功能包括： 功能 描述 代码实现 语义搜索 无需知道确切的短语或描述，甚至无需知道正确的拼写即可查找内容 src / Backend / Services / SemanticSeach 总结 避免“陷入困境”而重新阅读历史以获取背景信息，只需关注相关部分 src / Backend / Services / TicketSummarizer 分类 自动化工作流程，无需人工干预 src / PythonInference / routers / classifier 情感评分 帮助对反馈和讨论进行分类和优先排序，以了解产品或活动的接受程度 src / Backend / Services / TicketSummarizer 内部问答机器人 帮助员工回答技术、业务相关问题，并提供引证，自动生成回复草稿 src / ServiceDefaults / Clients / Backend / StaffBackendClient 测试数据生成 根据您提供的规则生成大量数据 seeddata / DataGenerator / Generators 评估工具 根据准确性、速度和成本客观地对您的机器人/代理的行为进行评分，并随着时间的推移系统地改进它们 src / Evaluator / Program E2E 测试 当产品本身不确定时提供确定性测试门的示例（实验）方法 test / E2ETest .NET Aspire 用于管理 LLM 和数据库等资源。Microsoft.Extensions.AI 是一组用于智能应用的通用构建块和原语。开发人员可以使用一组标准 API 来执行常见任务，而库和框架提供商可以在这些通用的标准接口和类的基础上进行构建，以在整个 .NET 生态系统中提供一致的体验。正如 Semantic Kernel 团队 在其博客中宣布的那样，Microsoft.Extensions.AI 版本不会取代 Semantic Kernel。相反，它提供了一组抽象、API 和原语构建块，这些将由 Semantic Kernel 实现，以及语义分块等附加功能。 本地克隆和运行说明 智能应用示例通常需要比典型演示更多的资源和强大的环境才能运行。您可以阅读运行示例的最低要求，并使用最新的分步说明在 eShopSupport 存储库上本地克隆和运行示例。 代码之旅 应用程序背后的“大脑”是用于生成响应的大型语言模型 (LLM)。虽然将 LLM 视为聊天或助手是一种普遍趋势，但此示例演示了如何使用它们来增强业务线应用程序中的各种功能。LLM 用于生成摘要、提供问题的答案、建议回复客户查询，甚至生成测试数据。