M365Con 2027 – مؤتمر مجاني عبر الإنترنت · 11–22 Jan 2027 · 120 sessions→ m365con.net

المدونة · Reliqio

إضافة طبقة LLM إلى الواجهة الخلفية لـ .NET باستخدام Semantic Kernel

By ·

كيف نضيف ميزات الذكاء الاصطناعي إلى واجهات .NET الخلفية القائمة: Semantic Kernel وRAG على Azure AI Search والتحقق من الأوامر وتسجيل السجلات وبعض ضوابط الحماية.

Automatically translated with AI from the original post.

تقريباً كل عميل لديه واجهة خلفية قائمة بـ .NET يطرح علينا السؤال نفسه عاجلاً أم آجلاً: "هل يمكننا إضافة شيء من الذكاء الاصطناعي إلى هذا؟" عادةً يقصدون الملخصات أو بحثاً أفضل أو مساعداً لدعم العملاء. وغالباً ما يكون أحد أعضاء الفريق قد اقترح بالفعل خدمة منفصلة بلغة Python لهذا الغرض.

يمكنك فعل ذلك. لكن في معظم المشاريع التي عملنا عليها لم يكن ذلك ضرورياً. يتكامل Semantic Kernel بسلاسة مع تطبيق ASP.NET Core، وتحتفظ بخط المعالجة الحالي وبالسجلات والاختبارات. إليك تقريباً الطريقة التي نتبعها في الإعداد.

أخفِ النموذج خلف Semantic Kernel

تعامل مع نموذج اللغة الكبير كأي تبعية خارجية أخرى، مثل مزود الدفع. يوفر Semantic Kernel بالفعل تجريداً باسم IChatCompletionService [1]، لذا لا يتعامل الكود الخاص بك مع حزمة SDK لأي مزود بشكل مباشر. سجّله في DI، وسيصبح الانتقال من Azure OpenAI إلى مزود آخر مجرد تغيير في الإعدادات.

هكذا نطبّق ذلك: يُسجَّل النواة مرة واحدة في Program.cs، ولكل حالة استخدام خدمة صغيرة خاصة بها (مثل TicketSummaryService)، وتُحفظ اسم النشر ودرجة الحرارة وحدود الرموز في فئة خيارات. لا تعرف المتحكمات إلا الخدمة. وهذا يجعل اختبارات الوحدة سهلة، لأنك تستطيع استبدال خدمة الإكمال بنسخة وهمية.

جرّب RAG قبل التفكير في الضبط الدقيق

يبدو الضبط الدقيق (Fine-tuning) مثيراً للإعجاب، لكن بالنسبة لبيانات الأعمال يكفي RAG في الغالب. نفهرس المستندات في Azure AI Search مع حقول متجهية [2]، ونسحب أهم بضع قطع لكل طلب ونمررها إلى النموذج. هذا أرخص، وترى بدقة ما الذي أُعطي للنموذج، وعند تغيّر مستند تتغير الإجابات في اليوم نفسه.

بعض الأمور ساعدت في جودة الإجابات أكثر مما توقعنا:

  • قسّم المستندات حسب العناوين والأقسام، لا حسب عدد ثابت من الأحرف.
  • احتفظ بالمستأجر واللغة والتاريخ بجوار كل قطعة، وفلتر عليها قبل الترتيب.
  • استخدم البحث الهجين (كلمات مفتاحية + متجهات). في الوثائق التقنية، كان البحث المتجهي وحده يُغفل باستمرار المصطلحات الدقيقة مثل رموز الأخطاء.
  • أعد دائماً المصادر مع الإجابة. يثق المستخدمون بها أكثر، وتكتشف الاسترجاع الضعيف أسرع.

الأوامر (Prompts) شيفرة برمجية، فاختبرها

تُحفظ قوالب الأوامر في المستودع بجوار الخدمة التي تستخدمها. وتُراجَع في طلبات السحب كأي شيء آخر. نحتفظ أيضاً بمجموعة صغيرة من 20 إلى 50 سؤالاً مع إجابات متوقعة، ونشغلها في CI. إذا "حسّن" أحدهم أمراً وتدهورت الإجابات، يفشل البناء. وقد أنقذنا هذا أكثر من مرة.

سجّل كل استدعاء

لكل طلب نسجل رموز الأمر والإكمال، وزمن الاستجابة، وإصدار النموذج، ومعرّفات المستندات المسترجعة. يُصدر Semantic Kernel بيانات OpenTelemetry، فتظهر كل هذه البيانات في Application Insights بجوار بقية التتبعات. وبدون ذلك لا تستطيع تفسير إجابة خاطئة، ولا تعرف ما تكلفه كل ميزة فعلياً.

ضوابط الحماية

  • تحقق من المخرجات المنظمة مقابل مخطط JSON قبل أن يستخدمها الكود.
  • مرّر مدخلات المستخدم ومخرجات النموذج عبر Azure AI Content Safety [3].
  • ضع حدود المعدل وميزانيات الرموز لكل مستأجر في الوسيط (middleware)، لا في الكود الذي يستدعي النموذج.

توقّع الفشل أحياناً

تتعرض نقاط نهاية نماذج اللغة للتقييد، وتنتهي مهلتها، وتعيد أحياناً JSON معطوباً. غلّف الاستدعاءات بإعادة المحاولة والمهل الزمنية وقاطع الدائرة (Polly أو Microsoft.Extensions.Http.Resilience)، واعرض للمستخدم بديلاً مناسباً بدلاً من خطأ 500. ويساعد البث المباشر كثيراً أيضاً، إذ يصبر الناس أكثر بكثير عندما تظهر أولى الكلمات.

ابدأ صغيراً

ما نجح معنا:

  1. اختر ميزة داخلية واحدة منخفضة المخاطر أولاً. ملخصات التذاكر مرشح جيد.
  2. أطلقها خلف علامة ميزة لعدد قليل من المستخدمين واطلب ملاحظاتهم على الإجابات.
  3. راجع التتبعات والتكاليف أسبوعياً، وعدّل الاسترجاع والأوامر قبل إضافة أي شيء جديد.
  4. اعرضها على العملاء فقط عندما تتوقف نتائج التقييم والتكاليف عن التقلب.

خلاصة

بهذه الطريقة يصبح جزء الذكاء الاصطناعي مجرد تبعية أخرى في بنيتك. تحتفظ بشيفرة .NET ونشرك ومراقبتك، ويمكنك تبديل النماذج عندما يظهر ما هو أفضل.

هذا هو الإعداد الذي نستخدمه في Reliqio [4]. نعمل مع المؤسسين شركاء تقنيين في منتجات B2C المدعومة بالذكاء الاصطناعي في مجالات التقنية الصحية والتقنية المالية والتجارة الإلكترونية. وإذا كنت قد حللت أياً من هذه المسائل بطريقة مختلفة، يسعدني أن أسمع كيف فعلت ذلك في التعليقات.

Sources

  1. ↑ Introduction to Semantic Kernel – Microsoft Learn (2026) · learn.microsoft.com
  2. ↑ Vector search in Azure AI Search – Microsoft Learn (2026) · learn.microsoft.com
  3. ↑ What is Azure AI Content Safety? – Microsoft Learn (2026) · learn.microsoft.com
  4. ↑ Reliqio - AI B2C product development partner – Reliqio (2026) · reliqio.com
تابع البودكاستApple PodcastsSpotify

Entities in this article

Semantic Kernel Azure AI Search .NET ASP.NET Azure OpenAI Service

Related articles

RSS