基于 Semantic Kernel 与 Pandora Box 快速构建 Code Agent

3.2 代码示例

import asyncio
from semantic_kernel import Kernel
from semantic_kernel.contents import ChatHistory
from semantic_kernel.connectors.ai.open_ai import (
    AzureChatCompletion,
    AzureChatPromptExecutionSettings
)
from semantic_kernel.connectors.openapi_plugin import OpenAPIFunctionExecutionParameters
from semantic_kernel.connectors.ai.function_call_behavior import FunctionCallBehavior
from semantic_kernel.functions import KernelArguments

async def main():
    # 1. 创建 Kernel 实例
    kernel = Kernel()
    
    # 2. 创建 AzureChatCompletion 服务
    # 注意：实际使用时请替换为你的真实 endpoint, api_key, deployment_name
    chat_service = AzureChatCompletion(
        default_headers={},
        api_key="xxxxxx",
        api_version="xxxxx",
        endpoint="xxxxxx",
        deployment_name="gpt-4-turbo"
    )
    kernel.add_service(chat_service)
    
    # 3. 添加 PandoraBox 服务作为插件
    # 基于 openapi.json 描述文档即可，PandoraBox 是 FastAPI 服务，所以完美支持
    kernel.add_plugin_from_openapi(
        plugin_name='PandoraBox',
        openapi_document_path='http://127.0.0.1:9501/openapi.json',
        execution_settings=OpenAPIFunctionExecutionParameters(enable_payload_namespacing=True)
    )
    
    # 4. 配置 Kernel 执行过程
    # auto_invoke=True 表示 kernel 自动进行函数调用
    azure_prompt_execution_settings = AzureChatPromptExecutionSettings(
        tool_choice="auto", 
        function_call_behavior=FunctionCallBehavior.EnableFunctions(auto_invoke=True, filters={})
    )
    
    # 5. 配置对话 history 以及 system message
    # 将 Pandora Box 创建的 api-key 放入其中
    history = ChatHistory()
    history.add_system_message("""
    你是一个 Python 代码助手，可以通过 python 来解决用户的问题。
    你可以通过 Python Box 服务创建 python 环境，执行 python 代码，关闭 python 环境等。
    一个可用的 api-key：xxxxxxxxxx 通过 pbox a 创建 api-key xxxxxxxxx.
    """)
    
    # 6. 开始进行对话
    while True:
        user_input = input("User > ")
        if user_input.lower() in ['quit', 'exit']:
            break
        history.add_user_message(user_input)

        result = chat_service.get_streaming_chat_message_contents(
            chat_history=history,
            settings=azure_prompt_execution_settings,
            kernel=kernel,
            arguments=KernelArguments()
        )
        async for token in result:
            print(str(token[-1]), end='')
        print()

if __name__ == '__main__':
    asyncio.run(main())

4. 多轮对话案例演示

以下是 Code Agent 在实际场景中的表现，展示了其处理数学问题和代码生成的能力。

场景一：创建环境

User > 创建一个 python 环境
Agent > 已成功创建 Python 环境，您可以在此环境中执行 Python 代码。环境的标识 ID 为：a74ed602-03f6-4f89-8eb6-d88ddfdab7ff。如果需要运行代码，请提供要执行的代码内容。

场景二：数学问题求解

User > 帮我解一个方程，3x + 5y = 10; 5x + 4y = 14;
Agent > 解方程组 (3x + 5y = 10) 和 (5x + 4y = 14), 得到的解为：
- x ≈ 2.31
- y ≈ 0.62

场景三：代码生成与执行

User > 写代码解
Agent > 这是一个使用 Python 和 NumPy 来解给定的线性方程组的示例代码：

import numpy as np

# 定义系数矩阵
A = np.array([[3, 5], [5, 4]])

# 定义常数项
B = np.array([10, 14])

# 使用 numpy 的 linalg.solve 方法来解方程
solution = np.linalg.solve(A, B)

# 打印出解
print('Solution: x = {}, y = {}'.format(solution[0], solution[1]))

这段代码首先定义了一个 2x2 的系数矩阵 A，表示方程的左侧，和一个向量 B，表示方程右侧的常数。然后，它使用 np.linalg.solve 函数求解线性方程组 A * X = B。

User > 运行下
Agent > 解决方程后得到结果为：
- x = 2.307692307692308
- y = 0.615384615384615

5. 安全与最佳实践

在部署 Code Agent 时，安全性是首要考虑的因素。

5.1 API 密钥管理

切勿将 API 密钥硬编码在源代码中。建议通过环境变量或安全的配置文件读取密钥。在上面的示例中，System Message 包含了密钥，这在生产环境中是不推荐的，应改为通过插件参数传递。

5.2 沙箱隔离

Pandora Box 提供的沙箱环境是防止恶意代码执行的关键。确保始终启用沙箱功能，并限制代码执行的时间配额和资源消耗，防止 DoS 攻击。

5.3 错误处理

在生产环境中，应增加对网络异常、API 超时以及插件调用失败的捕获机制。例如，当 Pandora Box 服务不可用时，Agent 应能优雅地提示用户，而不是直接崩溃。

6. 扩展与总结

本教程展示了如何利用 Semantic Kernel 和 Pandora Box 快速构建一个具备代码执行能力的 Code Agent。通过这种方式，你可以轻松扩展 Agent 的功能，例如接入数据库查询、文件操作或其他外部 API。

Code Agent 代表了 AI 从'对话'向'行动'转变的重要趋势。通过不断迭代和优化，我们正在一步步接近创建一个真正的人工通用智能。希望本教程能帮助你开启你的 AGI 探索之旅，并在实际项目中发挥大模型的强大能力。