Semantic Kernel 入门系列：🪄LLM的魔法

ChatGPT 只是LLM 的小试牛刀，让人类能够看到的是机器智能对于语言系统的理解和掌握。

如果只是用来闲聊，而且只不过是将OpenAI的接口封装一下，那么市面上所有的ChatGPT的换皮应用都差不多。这就像是买了个徕卡镜头的手机，却只用来扫二维码一样。

由于微软的财大气粗，在OpenAI取得进展之后，微软开始了对其产品的一轮AI化改造，从Github Copilot，到Bing Copilot ，再到Microsoft 365 Copilot，从名称定义也看得出来，LLM带来的最大生产力提升都是在人机协作方面。

LLM的强大之处在于可以架起自然语言与机器语言之间的桥梁。通过合适的提示词，我们可以让LLM把自然语言中的关健信息提取出来，哪怕是文本背后的一些隐含信息也可以进行处理。

其中最简单的就是分类和标记。

然后是非结构化数据的格式整理。

基于以上的功能，就可以将自然语言作为输入参数，通过LLM将自然语言转化为代码可理解的结构化参数，例如json、yaml或者xml等，直接传递给程序进行处理的。当然也可以用来做格式纠错。

如果再进一步，通过LLM将用户的需求输入转化为特定的代码语言，尤其是特定的领域语言的话，那么就可以直接通过自然语言给机器下达指令，这甚至不需要额外的训练。

代码语言的执行结果，反过来通过LLM翻译为人能听懂的大白话，由此便可轻松的实现自然语言的人机交互。就像是图形视窗改变了计算机的交互，浏览器的发明改变了互联网的交互，如今的LLM的推广必然也会改变人与机器的交互。

---

参考资料：

1. LLMs使用工具 | Learn Prompting
2. Concepts Overview for Semantic Kernel | Microsoft Learn
3. Examples - OpenAI API
4. Semantic function example: fixing JSON syntax with a semantic function · microsoft/semantic-kernel · Discussion #143 (github.com)