基于C#的SemanticKernel结合向量数据库优化酒店AI助手问询

一、数据拆分策略 #

• 动态数据：保留在API返回结果中，仅包含核心字段：房间ID、查询日期、实时价格、可用状态，彻底精简JSON结构，直接降低单次请求的Token消耗。
• 静态数据：将房间详情、套餐说明、酒店常识（退房时间、泳池配置等）拆分为独立文本条目，每条数据绑定唯一标识（如房间ID、常识分类ID），用于后续向量检索关联。

二、向量数据库数据加载流程 #

1. 数据预处理：将静态数据整理为结构化格式，每条条目包含：
   • 核心文本内容（如"豪华套房：50㎡，带落地窗，含双早"）
   • 元数据（唯一ID、分类标签：「房间详情」/「酒店常识」）
2. 生成向量嵌入：使用Azure OpenAI的text-embedding-ada-002模型，将每条文本转换为向量表示。
3. 批量导入向量库：
   • 开源向量库（如Chroma、Pinecone）：调用对应SDK，上传向量、文本内容及元数据。
   • Azure OpenAI Vector Store：直接在Studio界面上传CSV/JSON文件，或通过API批量导入，关联指定的嵌入模型部署。

三、与SemanticKernel架构整合步骤 #

1. 配置嵌入服务：在Kernel中绑定Azure OpenAI嵌入模型，为向量检索提供基础能力：

   var kernel = Kernel.CreateBuilder()
       .AddAzureOpenAIChatCompletion("<chat-deployment>", "<endpoint>", "<api-key>")
       .AddAzureOpenAIEmbedding("<embedding-deployment>", "<endpoint>", "<api-key>")
       .Build();
   

2. 新增向量检索函数：编写Kernel函数，根据动态数据中的标识（如房间ID）或用户查询关键词，从向量库获取对应静态内容：

   [KernelFunction("get_static_content")]
   public async Task<string> GetStaticContentAsync(
       [KernelFunctionParameter(Name = "query")] string query,
       [KernelFunctionParameter(Name = "top")] int top = 1)
   {
       // 初始化向量存储连接（以Azure Vector Store为例）
       var vectorStore = new AzureVectorStore(
           new AzureOpenAIClient("<api-key>", new Uri("<endpoint>")),
           "<vector-store-name>",
           "<embedding-deployment>"
       );
       var results = await vectorStore.SearchAsync(query, top);
       return results.FirstOrDefault()?.Text ?? "暂无相关信息";
   }
   

3. 调整Prompt模板：修改助手Prompt，明确逻辑顺序：先调用房间查询API获取动态数据，再触发向量检索补充静态描述，最后整合结果：

   你是专业酒店AI助手，处理用户请求遵循以下逻辑：
   1. 若用户查询房间可用性/价格：调用房间查询工具获取动态数据（房间ID、价格、状态）；
   2. 根据返回的房间ID，调用get_static_content工具获取对应房间/套餐描述；
   3. 将动态数据与静态描述整合成自然语言回复；
   4. 若用户询问酒店常识（退房时间、设施等），直接调用get_static_content工具检索回复。
   

4. 路由逻辑优化：在Kernel的插件调度中，新增常识类查询的判断规则，无需触发房间查询API，直接跳转向量检索流程。

四、连接Azure OpenAI Studio Vector Store #

1. 创建向量存储：
   • 进入Azure OpenAI Studio，切换至「Vector stores」页面，点击「Create vector store」；
   • 配置存储名称，关联已有的Azure OpenAI资源及嵌入模型部署。
2. 导入静态数据：
   • 支持上传本地CSV/JSON文件，或通过Azure AI Search连接外部数据源；
   • 确保文件包含文本字段（用于生成向量）及可选元数据（如ID、分类标签）。
3. SemanticKernel中调用：
   使用官方提供的AzureVectorStore扩展，直接配置连接参数即可完成调用，代码示例参考「三-2」中的向量检索函数。

内容的提问来源于stack exchange，提问作者Piotr