在dotnet/extensions项目中正确使用IServiceProvider实现AI函数调用
理解IServiceProvider在AI函数调用中的作用
在dotnet/extensions项目中,IServiceProvider是依赖注入系统的核心接口,它负责提供应用程序所需的服务实例。当我们需要在AI函数调用中使用服务时,正确获取IServiceProvider实例至关重要。
常见问题分析
开发者经常遇到的一个典型问题是:在创建AI函数实例时,尝试通过AIFunctionArguments的Services属性获取服务,但总是返回null。这种情况通常发生在没有正确设置服务提供程序的情况下。
解决方案详解
要解决这个问题,我们需要理解整个服务传递链:
-
服务注册阶段:首先需要在应用程序构建时正确注册所需服务。例如,使用AddSingleton、AddScoped或AddTransient等方法注册ToolCallingProviderHttp服务。
-
服务传递机制:当使用UseFunctionInvocation中间件时,系统会自动从构建器中获取服务集合,并用这些服务构造FunctionInvokingChatClient实例。
-
调用链传递:FunctionInvokingChatClient会存储这些服务,并在调用InvokeAsync方法时将它们作为参数传递。
正确实现模式
以下是推荐的实现方式:
// 1. 首先确保在服务注册阶段正确配置
var builder = new HostBuilder()
.ConfigureServices(services =>
{
services.AddSingleton<ToolCallingProviderHttp>();
// 其他服务注册...
});
// 2. 在函数创建时使用正确的服务获取方式
var createAIFunctionInstance = (AIFunctionArguments args) =>
{
// 确保args.Services不为null
var toolProvider = args.Services?.GetService<ToolCallingProviderHttp>();
var instance = Activator.CreateInstance(classAssembly, toolProvider);
return instance;
};
最佳实践建议
-
服务验证:在使用服务前,始终检查IServiceProvider是否为null。
-
依赖注入:尽可能使用构造函数注入而非服务获取模式。
-
错误处理:为服务获取添加适当的错误处理逻辑,提供有意义的错误信息。
-
生命周期管理:了解不同服务生命周期(Singleton、Scoped、Transient)的区别,根据需求选择合适的生命周期。
总结
在dotnet/extensions项目中实现AI函数调用时,正确处理IServiceProvider的传递是确保功能正常工作的关键。通过理解服务注册、传递机制和正确实现模式,开发者可以避免常见的服务获取问题,构建更健壮的AI功能集成。记住,服务的可用性取决于整个调用链的正确配置,从服务注册到最终调用的每个环节都需要正确设置。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00