动手学Avalonia：基于SemanticKernel与硅基流动构建AI聊天与翻译工具
Avalonia是什么？
Avalonia是一个跨平台的UI框架，专为.NET开发打造，提供灵活的样式系统，支持Windows、macOS、Linux、iOS、Android及WebAssembly等多种平台。它已成熟并适合生产环境，被Schneider Electric、Unity、JetBrains和GitHub等公司采用。
许多人认为Avalonia是WPF的继任者，它为XAML开发人员提供了一种熟悉且现代的跨平台应用开发体验。尽管与WPF相似，但Avalonia并非完全复制，而包含了许多改进。
SemanticKernel是什么？
Semantic Kernel是一个SDK，它可以将大型语言模型（如OpenAI、Azure OpenAI和Hugging Face）与常规编程语言（如C#、Python和Java）整合。特殊之处在于，Semantic Kernel通过允许定义和链式调用插件，能够自动调度并组合这些AI模型。其功能是，用户可以向LLM提出个性化目标，由Semantic Kernel的规划器生成实现目标的计划，然后由系统自动执行这份计划。
硅基流动介绍
硅基流动致力于打造大模型时代的AI基础设施，通过算法、系统和硬件的协同创新，跨数量级降低大模型应用成本和开发门槛，加速AGI普惠人类。
SiliconCloud是集合主流开源大模型的一站式云服务平台，为开发者提供更快、更便宜、更全面、体验更丝滑的模型API。
目前，SiliconCloud已上架包括DeepSeek-Coder-V2、Stable Diffusion 3 Medium、Qwen2、GLM-4-9B-Chat、DeepSeek V2、SDXL、InstantID在内的多种开源大语言模型、图片生成模型，支持用户自由切换符合不同应用场景的模型。同时，SiliconCloud提供开箱即用的大模型推理加速服务，为生成式AI应用带来更高效的用户体验。
我们知道在国内使用OpenAI不太方便同时成本也比较高。现在已经有很多开源的大模型了，但是对于个人开发者而言，部署它们的一大难点是硬件资源。没有显卡，也能部署一些参数少一些的开源大模型，但是推理速度肯定是很慢的，这里选择硅基流动的原因是第一，之前注册送了42元的额度，该额度不会过期，可以一直使用，第二，试了一下推理速度真的很快，第三（也是最重要的一点）（白嫖），硅基流动宣布：SiliconCloud平台的Qwen2(7B)、GLM4(9B)、Yi1.5（9B）等顶尖开源大模型免费使用。
构建什么样的工具
最近在学习Avalonia，动手做一个小工具实现自己的需求是一个很好的开始。同时对SemanticKernel也比较感兴趣，所以选择从最基本的制作一个基于大模型的聊天应用开始。个人对大模型的一大需求就是翻译，在查看英文网站时，遇到不太理解的地方，总喜欢问大模型，将某某某翻译为中文。因此选择构建解决自己这个需求的Avalonia练手小工具。该工具的效果如下所示：
聊天
英译中
中译英
开始实践
在SemanticKernel中使用SiliconCloud提供的API服务
要解决的第一个问题就是如何在SemanticKernel中使用SiliconCloud提供的服务。
SemanticKernel中并没有告诉我们如何连接OpenAI之外的其他大模型，但由于SiliconCloud提供的接口是与OpenAI兼容的，因此可以通过在发送请求时，改变发送请求的地址来实现。
添加OpenAIHttpClientHandler类：
public class OpenAIHttpClientHandler : HttpClientHandler
{
protected override async Task<HttpResponseMessage> SendAsync(HttpRequestMessage request, CancellationToken cancellationToken)
{
UriBuilder uriBuilder;
switch (request.RequestUri?.LocalPath)
{
case "/v1/chat/completions":
uriBuilder = new UriBuilder(request.RequestUri)
{
// 这里是你要修改的 URL
Scheme = "https",
Host = "api.siliconflow.cn",
Path = "v1/chat/completions",
};
request.RequestUri = uriBuilder.Uri;
break;
}
HttpResponseMessage response = await base.SendAsync(request, cancellationToken);
return response;
}
}
kernel通过这种方式构建：
var handler = new OpenAIHttpClientHandler();
var builder = Kernel.CreateBuilder()
.AddOpenAIChatCompletion(
modelId: "Qwen/Qwen1.5-7B-Chat",
apiKey: "你的apikey",
httpClient: new HttpClient(handler));
_kernel = builder.Build();
_kernel为全局私有变量：
private Kernel _kernel;
构建页面
axaml如下所示：
<Window xmlns="https://github.com/avaloniaui"
xmlns:x="http://schemas.microsoft.com/winfx/2006/xaml"
xmlns:vm="using:AvaloniaChat.ViewModels"
xmlns:d="http://schemas.microsoft.com/expression/blend/2008"
xmlns:mc="http://schemas.openxmlformats.org/markup-compatibility/2006"
xmlns:views="clr-namespace:AvaloniaChat.Views"
mc:Ignorable="d" d:DesignWidth="800" d:DesignHeight="450"
x:Class="AvaloniaChat.Views.MainWindow"
Icon="/Assets/avalonia-logo.ico"
Title="AvaloniaChat">
<Design.DataContext>
<!-- This only sets the DataContext for the previewer in an IDE,
to set the actual DataContext for runtime, set the DataContext property in code (look at App.axaml.cs) -->
<vm:MainViewModel />
</Design.DataContext>
<StackPanel>
<Grid>
<Grid.ColumnDefinitions>
<ColumnDefinition Width="*" />
<ColumnDefinition Width="*" />
</Grid.ColumnDefinitions>
<Grid Grid.Column="0">
<StackPanel>
<StackPanel Orientation="Horizontal">
<Button Content="问AI" Margin="10"
Command="{Binding AskCommand}"></Button>
<!--<Button Content="翻译为："></Button>-->
<Label Content="翻译为："
HorizontalAlignment="Center"
VerticalAlignment="Center"></Label>
<ComboBox ItemsSource="{Binding Languages}"
SelectedItem="{Binding SelectedLanguage}"
HorizontalAlignment="Center"
VerticalAlignment="Center"></ComboBox>
<Button Content="翻译" Margin="10"
Command="{Binding TranslateCommand}"></Button>
</StackPanel>
<TextBox Height="300" Margin="10"
Text="{Binding AskText}"
TextWrapping="Wrap"
AcceptsReturn="True"></TextBox>
</StackPanel>
</Grid>
<Grid Grid.Column="1">
<StackPanel>
<Button Content="AI回答" Margin="10"></Button>
<TextBox Height="300"
Margin="10"
Text="{Binding ResponseText}"
TextWrapping="Wrap"></TextBox>
</StackPanel>
</Grid>
</Grid>
</StackPanel>
</Window>
界面效果如下所示：
构建ViewModel
ViewModel如下所示：
public partial class MainViewModel : ViewModelBase
{
private Kernel _kernel;
[ObservableProperty]
private string askText;
[ObservableProperty]
private string responseText;
[ObservableProperty]
private string selectedLanguage;
public string[] Languages { get; set; }
public MainViewModel()
{
var handler = new OpenAIHttpClientHandler();
var builder = Kernel.CreateBuilder()
.AddOpenAIChatCompletion(
modelId: "Qwen/Qwen1.5-7B-Chat",
apiKey: "你的apikey",
httpClient: new HttpClient(handler));
_kernel = builder.Build();
AskText = " ";
ResponseText = " ";
SelectedLanguage = " ";
Languages = new string[] { "中文","英文"};
}
[RelayCommand]
private async Task Ask()
{
if(ResponseText != "")
{
ResponseText = "";
}
await foreach (var update in _kernel.InvokePromptStreamingAsync(AskText))
{
ResponseText += update.ToString();
}
}
[RelayCommand]
private async Task Translate()
{
string skPrompt = """
{{$input}}
将上面的输入翻译成{{$language}}，无需任何其他内容
""";
if (ResponseText != "")
{
ResponseText = "";
}
await foreach (var update in _kernel.InvokePromptStreamingAsync(skPrompt, new() { ["input"] = AskText,["language"] = SelectedLanguage }))
{
ResponseText += update.ToString();
}
}
}
使用流式返回
[RelayCommand]
private async Task Ask()
{
if(ResponseText != "")
{
ResponseText = "";
}
await foreach (var update in _kernel.InvokePromptStreamingAsync(AskText))
{
ResponseText += update.ToString();
}
}
实现效果如下：
写提示
当我们需要翻译功能的时候，只需要翻译文本，其他的内容都不要，简易的模板如下：
string skPrompt = """
{{$input}}
将上面的输入翻译成{{$language}}，无需任何其他内容
""";
{{$input}}与{{$language}}是模板里的参数，使用时会被替换，如下所示：
await foreach (var update in _kernel.InvokePromptStreamingAsync(skPrompt, new() { ["input"] = AskText,["language"] = SelectedLanguage }))
{
ResponseText += update.ToString();
}
通过以上这几个步骤，我们就使用Avalonia制作完成一个简易的小工具了。