用. NET 驅動 AI Agent 到 MCP 實踐

本次工作坊以 Semantic Kernel 實作AI Agent以及MCP，程式語言採用 C#，工作坊專案：https://github.com/iangithub/hwdhol2025

認識 Semantic Kernel

Semantic Kernel（簡稱 SK）是微軟開源的一套 AI 原生應用開發框架，發展目的在於協助開發者將大型語言模型（LLM）與既有的軟體系統、業務流程、外部服務整合起來，建構出「可落地」的 LLM 智慧應用。

這個框架的誕生源於一個重要的技術需求：當企業想要利用 AI 的強大能力時，往往面臨如何將 AI 模型與既有的商業邏輯、資料庫、API 服務等傳統程式碼銜接整合的挑戰。因此 Semantic Kernel 提供了一個標準化的架構，讓 AI 模型能夠像呼叫函式一樣被程式呼叫，同時也能讓 AI 主動呼叫外部的函式和工具，實現真正的「AI 協調編排」（AI Orchestration）。目前支援C#、Python、Java，並且包含 LLM 應用所需要的記憶體管理、Tools系統、提示詞等功能，讓開發者不需要從零開始建構這些基礎設施。

簡單來說，Semantic Kernel 的發展目的就是成為連接「AI 大腦」與「應用程式世界」的橋樑，讓企業能夠快速將 AI 能力融入日常的軟體系統中，加速 AI 應用的落地實踐。

Semantic Kernel 核心組件

想像一下，你在組裝一台電腦。有主機板、CPU、記憶體、硬碟等零件，每個都有自己的功能，但只有當它們正確組合在一起時，才能變成一台能用的電腦。Semantic Kernel 也是這樣，它由幾個核心元件組成，每個都扮演著不可或缺的角色。

  • 🧠Kernel(大腦中樞) Kernel 是整個 Semantic Kernel 的「大腦中樞」，負責協調所有元件的運作。可以把它想像成一個「智慧調度中心」，管理要連接哪個 LLM Model、要呼叫哪些Plugins、要註冊哪些服務，所有的 AI 互動都會經過 Kernel 來處理和分配。

  • 🧰 Plugins（Function Calling） Plugins 是 Semantic Kernel 用來擴充 LLM 功能的關鍵機制，對應到 OpenAI Function Calling 的概念，開發者可以把任意的 C# 或 Python 函式包裝成 Plugin，註冊進 Kernel，讓 LLM 能夠「自行決定何時呼叫這些函式」，達成指令式自動化的效果，例如，當使用者問「今天天氣如何？」，AI 可以自動呼叫天氣查詢插件來取得即時資料。

  • 🔌 LLM Model Connector(模型連接器) Semantic Kernel 支援連接多種 LLM 服務包含雲端平台以及地端部署，因此它設計了抽象的 Model Connector 介面，讓開發者能夠自由接上不同來源的模型，例如：OpenAI / Azure OpenAI、Ollama、Hugging Face、Google Gemini…

  • 📝 Memory(記憶模組) Memory 是 Semantic Kernel 讓 AI 具備「記憶」能力，包含可以儲存和檢索對話歷史、上下文資訊、知識庫內容等，並且支援向量資料庫（Vector Database）來實現語意搜尋，能夠根據語意相似度而非關鍵字來找相關資訊。

初體驗 Semantic Kernel

建立一個連接 LLM 的生成式應用，並掛載 Plugin，模擬天氣資訊回應助手。目標熟識 SK 基本元素使用方式。

  • 前置作業，安裝必要套件

dotnet add package "Microsoft.SemanticKernel
dotnet add package "Microsoft.SemanticKernel.Agents.Core
dotnet add package Microsoft.SemanticKernel.Connectors.Google --prerelease
dotnet add package Microsoft.SemanticKernel.Connectors.Ollama --prerelease

  • 建立Kernel，並設定自動調用 function calling

// ============ use OpenAI ===========
Kernel kernel = Kernel.CreateBuilder()
               .AddOpenAIChatCompletion(
                   apiKey: Config.OpenAI_ApiKey,
                   modelId: Config.ModelId)
               .Build();

// Configure the execution settings to enable automatic function calling
OpenAIPromptExecutionSettings executionSettings =
new() { FunctionChoiceBehavior = FunctionChoiceBehavior.Auto() };
// ======== use Google AI Gemini ========
Kernel kernel = Kernel.CreateBuilder()
    .AddGoogleAIGeminiChatCompletion(
    apiKey: Config.GoogleAI_ApiKey,
    modelId: Config.GoogleAI_ModelId)
    .Build();

// Configure the execution settings to enable automatic function calling
GeminiPromptExecutionSettings executionSettings =
        new() { FunctionChoiceBehavior = FunctionChoiceBehavior.Auto() };

  • 建立Plugin WeatherServicePlugin，模擬取得天氣資訊

public class WeatherServicePlugin
{
    private static readonly Dictionary<string, string> CityWeatherInfo = new Dictionary<string, string>
    {
        { "Taipei", "溫度 28°C，多雲，濕度 75%，風速 15 km/h" },
        { "Kaohsiung", "溫度 31°C，晴天，濕度 70%，風速 12 km/h" },
        { "Taichung", "溫度 27°C，陰天，濕度 80%，風速 10 km/h" },
        { "Tainan", "溫度 30°C，晴時多雲，濕度 68%，風速 18 km/h" },
        { "Hsinchu", "溫度 26°C，多雲時陰，濕度 78%，風速 22 km/h" },
        { "Chiayi", "溫度 29°C，晴天，濕度 72%，風速 14 km/h" },
        { "Pingtung", "溫度 32°C，晴天，濕度 65%，風速 16 km/h" },
        { "Taitung", "溫度 30°C，晴時多雲，濕度 73%，風速 20 km/h" },
        { "Nantou", "溫度 25°C，陰天，濕度 85%，風速 8 km/h" },
        { "Changhua", "溫度 28°C，多雲，濕度 76%，風速 13 km/h" },
        { "Penghu", "溫度 27°C，多雲時晴，濕度 82%，風速 25 km/h" },
        { "Taoyuan", "溫度 27°C，多雲，濕度 77%，風速 14 km/h" },
        { "NewTaipei", "溫度 28°C，多雲時陰，濕度 74%，風速 16 km/h" }
    };

    [KernelFunction]
    [Description("Retrieves the today weather information of the city.")]
    public async Task<string> Get_Today_Temperature(
        [Description("The name of the city to get the temperature for.The city names in the weather data are in English")]
                string city)
    {
        // 模擬非同步操作，例如從 API 獲取天氣資料
        await Task.Delay(500); // 模擬 500ms 的網路延遲

        if (CityWeatherInfo.TryGetValue(city, out string? weatherInfo))
        {
            return weatherInfo;
        }
        // 模擬未知城市的天氣
        return "查不到資料";
    }
}

  • Kernel 掛載Plugin WeatherServicePlugin

// add weather plugin
kernel.Plugins.AddFromType<WeatherServicePlugin>();

  • 建立短期記憶對話記錄，並呼叫AddSystemMessage 加入 System Prompt

var chatHistory = new ChatHistory();
chatHistory.AddSystemMessage(
    """
    你是一個專業的天氣服務助手。你可以：
    1. 查詢台灣各城市的當日溫度
    2. 提供天氣相關的建議
    3. 回答天氣相關問題

    請使用可用的工具來獲取準確的天氣資訊。
    嚴禁虛構的天氣數據。    
    """
    );

  • 從 Kernel 取得聊天完成 ChatCompletionService 服務

// Get the chat completion service
var chatCompletion = kernel.GetRequiredService<IChatCompletionService>();

  • 以串流方式Streaming 獲取 AI 回應方式開始對話

Console.WriteLine("=== 天氣服務助手 ===");
Console.WriteLine("您好！我是您的天氣助手，可以幫您查詢台灣各城市的天氣資訊。");
Console.WriteLine("輸入 'exit' 結束對話。");
Console.WriteLine();

// 開始聊天對話
Console.Write("您 > ");
string? userInput;
while ((userInput = Console.ReadLine()) is not null)
{
    if (string.IsNullOrWhiteSpace(userInput) || userInput.Equals("exit", StringComparison.OrdinalIgnoreCase))
        break;

    // 加入使用者訊息到對話歷史
    chatHistory.AddUserMessage(userInput);

    // 以串流方式獲取 AI 回應
    var result = chatCompletion.GetStreamingChatMessageContentsAsync(
        chatHistory,
        executionSettings,
        kernel);

    // Stream the results
    string fullMessage = "";
    var first = true;
    await foreach (var content in result)
    {
        if (content.Role.HasValue && first)
        {
            Console.Write("天氣助手 > ");
            first = false;
        }
        Console.Write(content.Content);
        fullMessage += content.Content;
    }
    Console.WriteLine();

    // 加入 AI 回應到對話歷史
    chatHistory.AddAssistantMessage(fullMessage);

    // Get user input again
    Console.Write("您 > ");
}

Console.WriteLine("\n謝謝您的使用，祝您有個美好的一天！");
}

Sequential Agent

Sequential Agent，也稱為 Sequential Orchestration（順序編排），是 Semantic Kernel 中一種 AI 工作流程編排模式。運作模式就是讓多個 Agent 依照「既定的順序」依序執行，就像生產線一樣，前一個 Agent 的輸出會成為下一個 Agent 的輸入，每個 Sub Agent 都專注於一個明確的任務，像模組化的工人，最終產出完整結果。

實際應用場景

文章生成流程： Agent 1：根據主題生成大綱 Agent 2：根據大綱撰寫內容 Agent 3：檢查文法和潤飾 Agent 4：生成摘要和關鍵字

客戶服務處理： Agent 1：分析客戶問題類型 Agent 2：查詢相關知識庫 Agent 3：生成回覆內容 Agent 4：檢查回覆的專業性和禮貌性

輿情分析系統： Agent 1：透過 RSS 抓取當天的文章資料 Agent 2：移除雜訊、清理 HTML、正規化文字 Agent 3：分析關鍵字與同義詞，統整熱門討論主題 Agent 4：整理結果並輸出成每日排行榜報告

Sequential Agent Lab

Lab場景：多代理人協同審查文件內容，確保符合人資政策、資訊安全與合規要求，原始碼請參考 github(Agents/SequentialOrchestrationAgent.cs)。

  • 前置作業，安裝必要套件

dotnet add package Microsoft.SemanticKernel.Agents.Orchestration --prerelease
dotnet add package Microsoft.SemanticKernel.Agents.Runtime.InProcess --prerelease

  • 專案檔加入忽略警告訊息設定

<NoWarn>$(NoWarn);CS8618,IDE0009,IDE1006,CA1051,CA1050,CA1707,CA1054,CA2007,VSTHRD111,CS1591,RCS1110,RCS1243,CA5394,SKEXP0001,SKEXP0010,SKEXP0020,SKEXP0040,SKEXP0050,SKEXP0060,SKEXP0070,SKEXP0101,SKEXP0110,OPENAI001,CA1724,IDE1006,IDE0009,MEVD9000</NoWarn>

Handoff Agent

Handoff Orchestration（移交式協作），顧名思義就是多個 Agent 之間透過「主導權的轉移（Handoff）」來完成一個任務，與 Sequential 不同的是，Handoff 並不是一開始就設定好固定順序，而是讓 Agent 之間在對話或任務執行過程中，根據「情境判斷」來決定下一步該由哪個 Agent 接手。

實際應用場景

企業內部多部門諮詢系統： HR Agent：負責人事相關諮詢（例如請假、福利、考勤） IT Agent：負責系統登入、VPN、設備問題 Finance Agent：負責費用報支、帳款、薪資等

Handoff Agent Lab

Lab場景：企業內部辦公室助理，對使用者的提問進行分類的企業 Support Agent，任務是判斷使用者問題屬於哪一類：人資(HR)、IT、或合規(Compliance)，原始碼請參考 github(Agents/HandoffOrchestrationAgent.cs)。

Concurrent Agent

Concurrent Orchestration（並行協作） 是指在一個任務中，讓多個 Agent 同時（並行）工作，並在最後再把它們的結果整合起來，而不是像 Sequential 那樣一個接一個執行，對於縮短總處理時間的場景非常有用，但前題是這幾個並行工作的 sub-agent 彼此間並沒有關聯性。

實際應用場景

多語言內容生成，同時完成：一次性生成所有語言版本 Agent 1：翻譯成英文 Agent 2：翻譯成日文 Agent 3：翻譯成西班牙文 Agent 4：翻譯成法文

Concurrent Agent Lab

Lab場景：產品說明書多語言版本生成，原始碼請參考 github(Agents/ConcurrentOrchestrationAgent.cs)。

認識 MCP

Model Context Protocol（模型上下文協議）是 Anthropic 於 2024 年推出的開放標準協議，其發展目的是為了解決一個關鍵問題：如何讓 AI 模型安全、標準化的連接到各種資料源、工具和服務。 在 MCP 出現之前，每個 AI 應用都需要為不同的資料源（如資料庫、API、檔案系統）客製化整合方案，增加重複開發工作和維護成本。MCP 的誕生就是為了建立一個統一的通訊標準，讓 AI 模型能夠透過標準化的方式存取外部資源，簡單來說就是AI系統間的 WEB API。

三大核心組件

  • MCP Host（主機） AI 應用程式本身，如 Claude Desktop、IDE、你的LLM應用，負責初始化連接和協調整體流程

  • MCP Client（客戶端） Client 是 MCP 架構的「消費端」，在 Host 中運行，維護與 MCP Server 的連接，處理協議層的通訊細節

  • MCP Server（伺服器） Server 是 MCP 架構的「供應端」，負責**暴露工具（Tools / Capabilities）與上下文（Context）**給其他 Agent 或用戶端使用，每個 Server 可以暴露多種能力。

兩大通訊方式

  • stdio（標準輸入輸出） Standard Input/Output，這種方式透過程序的標準輸入和輸出串流來傳遞訊息，MCP Client 會啟動一個 MCP Server 程序，然後透過 stdin（標準輸入）發送請求，並從 stdout（標準輸出）接收回應。簡單來說，，就是在Client本機跑一個 MCP Server 的程序。

  • Streamable HTTP（取代了 SSE） 透過單一 HTTP 連接實現雙向訊息傳遞，這種方式是基於Http的通訊方式，支援雙向互動，所以會需要有一個連接的端點。

Lab 前置作業

安裝MCP官方.NET套件，Client及Server都需要

dotnet add package ModelContextProtocol --prerelease

Agent 連接基於 stdio 的 MCP Server

Lab情境會建立一個主控台應用，採用Self-Host運行在本機，接著在AI Agent的應用使用 stdio 方式來連接 MCP Server，取得工具給 AI Agent 使用。原始碼請參考 github(Agents/AgentWithStdioMcp.cs)，MCP Server原始碼請參考 github(McpServer/mymcpserver 專案)。

Agent 連接基於 Streamable HTTP 的MCP Server

Lab情境會建立一個 Web 應用，採用 Streamable HTTP 運行Web應用並暴露連接端點，接著在AI Agent的應用使用 HTTP 方式來連接 MCP Server，取得工具給 AI Agent 使用。原始碼請參考 github(Agents/AgentWithHttpMcp.cs)，MCP Server原始碼請參考 github(McpServer/McpWebOrderServer 專案)。測試時必須同時啟用 McpWebOrderServer 以實現遠端MCP Server連結。

PreviousAINextASP.NET Core 教育訓練文件

Last updated