彻底颠覆！谁说AI Agent是Python的天下？.NET实战：自定义上下文记忆，我们也能玩！

AIContextProvider：Agent 记忆机制的核心原理

一句话简介

AIContextProvider 是 MAF 的抽象基类，用于在 Agent 调用 AI 模型前后注入自定义逻辑，实现用户信息记忆、知识库检索等企业级功能。

🎯 核心价值

• ✅InvokingAsync：调用模型前注入上下文（用户信息、知识库检索结果）
• ✅InvokedAsync：调用模型后提取信息，更新内部状态
• ✅Serialize：序列化记忆状态，支持持久化和跨 Thread 共享

📝 核心接口

public abstract class AIContextProvider{ // 1️⃣ 调用前：注入上下文信息 public virtual ValueTask<AIContext> InvokingAsync( InvokingContext context, CancellationToken ct = default); // 2️⃣ 调用后：提取信息，更新状态 public virtual ValueTask InvokedAsync( InvokedContext context, CancellationToken ct = default); // 3️⃣ 序列化：保存记忆状态 public virtual JsonElement Serialize( JsonSerializerOptions? options = null);}

💻 执行流程

📊 三个核心方法详解

典型应用场景

💻 实现示例

用户信息记忆

public sealedclassUserInfoMemory : AIContextProvider{ privatereadonly IChatClient _chatClient; // ❌ 不序列化 public UserInfo UserInfo { get; set; } // ✅ 序列化 // 构造函数1：首次创建 public UserInfoMemory(IChatClient chatClient, UserInfo? userInfo = null) { _chatClient = chatClient; UserInfo = userInfo ?? new UserInfo(); } // 构造函数2：反序列化恢复 public UserInfoMemory(IChatClient chatClient, JsonElement serializedState, ...) { _chatClient = chatClient; UserInfo = serializedState.Deserialize<UserInfo>()!; } // 调用前：注入用户信息 public override ValueTask<AIContext> InvokingAsync(...) { var instructions = UserInfo.UserName isnull ? "Ask the user for their name." : $"The user's name is {UserInfo.UserName}."; returnnew ValueTask<AIContext>(new AIContext { Instructions = instructions }); } // 序列化：只保存数据状态 public override JsonElement Serialize(...) { return JsonSerializer.SerializeToElement(UserInfo); }}

🏢 最佳实践

✅ DO - 推荐做法

// ✅ 分离数据状态和服务依赖private readonly IChatClient _chatClient; // 不序列化public UserInfo UserInfo { get; set; } // 序列化// ✅ 实现两个构造函数public MyProvider(IChatClient client) { } // 首次创建public MyProvider(IChatClient client, JsonElement) { } // 反序列化// ✅ 使用 ??= 运算符仅更新未知信息UserInfo.UserName ??= extractedInfo.UserName;// ✅ 异常处理不影响主流程try { /* 提取信息 */ }catch { Console.WriteLine("提取失败"); }

❌ DON’T - 避免的错误

// ❌ 序列化服务依赖return JsonSerializer.SerializeToElement(new { ChatClient = _chatClient });// ❌ 在 InvokingAsync 中执行耗时操作await _db.GetAsync(...); // 每次调用都执行！// ❌ 直接修改 Agent.Instructionsagent.Instructions += "..."; // 应该通过 AIContext.Instructions 注入

🎯 总结

• ✅三个核心方法：InvokingAsync（注入上下文）、InvokedAsync（提取信息）、Serialize（持久化）
• ✅两个构造函数：首次创建 + 反序列化恢复
• ✅分离原则：数据状态（序列化）vs 服务依赖（不序列化）
• ✅应用场景：用户信息记忆、RAG、个性化配置、统计分析

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】