Build Your Own Custom Copilot：微软 AI 应用开发全栈 Workshop

你有没有想过，当 AI 不再只是聊天机器人，而是能够深入业务场景、调用真实工具、像专业顾问一样分析数据时，应用会变成什么样子？微软用这个 Workshop 给出了答案。

从一个痛点说起：为什么企业 AI 应用落地这么难？

很多团队在尝试将大语言模型集成到业务系统时，会遇到几个典型的困境：

• Prompt 工程难以复用：写了几百行 Prompt，换个场景又要重来
• 工具调用能力缺失：LLM 知道答案，但无法执行实际操作（如查股票、查天气）
• 记忆管理混乱：多轮对话中上下文越拖越长，token 费用飙升
• 多 Agent 协作没有标准：想把专业分析 Agent 和搜索 Agent 串起来，不知道怎么设计

Azure/intelligent-app-workshop 正是为解决这些问题而生的实战演练场。它由微软 Azure 全球黑带工程师 Govind Kamtamneni 主导设计，基于真实的生产级案例 Project Miyagi（金融顾问场景），手把手教你用微软 Copilot 技术栈构建 AI 增强型应用。

什么是微软 Copilot Stack？

这个 Workshop 围绕微软的 Copilot Stack 展开，这是一个由多层组件构成的 AI 应用开发框架：

简单来说，Semantic Kernel 是这个技术栈的核心粘合剂——它让开发者用熟悉的 C# / Python / Java 编程模型来编排 LLM、工具和记忆，不必陷入 LangChain 式的复杂链式调用。

核心技术：Semantic Kernel 详解

Semantic Kernel（简称 SK）是微软开源的 AI 编排框架，它的核心理念是将 AI 能力模块化。

Skill（技能）：SK 中的 Skill 类似于「能力包」，包含 skprompt.txt（定义系统提示词）和 config.json（配置参数）。Workshop 中定义的 AdvisorSkill 包含投资建议和投资组合配置两个子 Skill，每个 Skill 专注于一个细分场景。

Function Calling（函数调用）：SK Agent 可以注册多个 Plugin Function，LLM 在推理时会自动判断何时调用哪个工具——这就是让 AI 从「聊天」升级到「行动」的关键。Workshop Lesson 2-4 详细演示了如何实现股票数据查询、时间信息获取、Web 搜索等 Plugin。

Memory（记忆）：SK 支持接入 AI Search 等向量数据库，实现 RAG（检索增强生成）。Workshop 中演示了如何将语义记忆集成到对话系统中，让 AI 的回答基于真实业务数据而非幻觉。

架构设计：事件驱动的 AI 微服务

这个 Workshop 不只是教你调用 API，它展示了如何构建生产级的 AI 应用架构：

• 前端：React 18 + Chakra UI + TypeScript，提供类 Copilot 的交互界面，支持明暗主题切换
• 后端：ASP.NET Core 9 Web API，通过 Semantic Kernel 与 Azure OpenAI 通信
• 基础设施：Bicep IaC 模板，完整定义 Azure Container Apps、Azure OpenAI、Cognitive Services、KeyVault 等资源
• 部署：前端 Docker 多阶段构建（Node 16 → alpine），后端 .NET 9 多阶段构建

这种架构的特点是云原生 + 事件驱动：前端通过 /api/chat 与后端通信，后端 Agent 可以异步调用外部 API、查询向量数据库，整个链路具备良好的伸缩性。

上手路径：5 步从小白到实战

Workshop 分为 5 个递进式 Lesson：

1. Lesson 1 - Basic Agent：创建一个最基本的 SK Agent
2. Lesson 2 - Function Calling：给 Agent 添加工具调用能力
3. Lesson 3 - Specialized Stock Sentiment Agent：构建专业的股票情绪分析 Agent
4. Lesson 4 - Web Search 增强：让 Agent 实时搜索网络获取信息
5. Lesson 5 - Sequential Workflows：用顺序工作流编排多个 Agent 协作

每一步都有配套的解决方案代码（Solutions/ 目录），初学者可以从 Lesson 开始，跟着做逐步掌握。

局限性：不回避的坦诚评估

任何项目都有其局限性，这个 Workshop 也不例外：

• 强依赖 Azure 生态：所有部署都在 Azure 上进行，不支持其他云平台
• .NET 为主的开发体验：虽然 SK 支持 Python，但 Workshop 的核心示例是 C#/.NET
• 非生产就绪的演示代码：仓库明确声明「for demonstration purposes only」，实际生产使用需要大量改造
• 仓库图片在代理网络下不可访问：图片托管在 raw.githubusercontent.com，代理环境下无法加载

行业意义：微软的 AI 应用开发方法论

这个 Workshop 代表了微软在 AI 应用开发领域的方法论：用成熟的软件工程实践来管理 AI 应用的生命周期。

通过将 Prompt 工程化（SK Skill）、工具调用标准化（Plugin Function）、工作流可视化（Prompt Flow），微软试图让 AI 应用开发变得像传统软件开发一样可测试、可部署、可维护。

随着 Azure AI Foundry 的推出，这套方法论正在持续演进，Workshop 中还提到了 AutoGen 和 GraphRag 等更前沿的技术方向。对于想在企业场景落地 AI 的开发者来说，这是一条值得投入的学习路径。