Kernel Memory项目中实现带参考文献的智能问答方案解析

在基于大语言模型(LLM)的智能问答系统开发过程中，如何让系统在提供答案的同时给出准确的参考文献来源是一个常见需求。本文将以microsoft/kernel-memory项目为例，深入探讨这一技术难题的解决方案。

核心问题分析

在Azure OpenAI等商业服务中，"使用自有数据"功能可以自动在答案后附加参考文献。但在开源框架如Kernel Memory中，当通过Semantic Kernel插件进行问答时，系统默认不会保留相关来源信息。这主要是因为插件调用方式会丢失MemoryAnswer对象中的RelevantSources属性。

现有解决方案评估

目前社区提出的临时解决方案是绕过插件模式，采用分步调用的方式：

1. 直接调用IKernelMemory.AskAsync()获取原始记忆结果
2. 将MemoryAnswer.Result作为变量传入语义函数
3. 通过Kernel.InvokeAsync()执行语义处理
4. 手动组合处理结果和来源信息

这种方案虽然可行，但破坏了插件模式的封装性，增加了代码复杂度。

技术实现细节

要实现完整的带参考文献问答功能，开发者需要理解以下几个关键点：

1. 记忆查询层：Kernel Memory的AskAsync方法会返回包含Result和RelevantSources的完整MemoryAnswer对象
2. 语义处理层：Semantic Kernel负责对原始结果进行二次加工和格式化
3. 结果整合层：需要设计自定义数据结构来合并处理后的文本和来源信息

优化建议

对于希望保持插件模式简洁性的开发者，可以考虑以下改进方向：

1. 扩展插件功能，使其能够透传来源信息
2. 开发自定义Middleware来处理结果合并
3. 设计新的Prompt模板语法来支持来源标注

最佳实践

在实际项目中实现该功能时，建议：

1. 封装专用服务类统一处理问答流程
2. 设计清晰的DTO对象来传递完整结果
3. 在前端展示层做好来源信息的可视化呈现

总结

虽然当前Kernel Memory的插件模式在参考文献处理上存在局限，但通过合理的架构设计和技术变通，开发者完全可以构建出媲美商业服务的智能问答系统。理解各组件间的数据流动是解决此类问题的关键。

随着开源生态的完善，预计未来版本会提供更优雅的内置解决方案。在此之前，本文介绍的方法已经可以在生产环境中提供可靠的实现。