SEMANTIC KERNEL

• Semantic Kernel: od problemu do rozwiązania
• Semantic Kernel: wprowadzenie
• Semantic Kernel: tworzenie i używanie pluginów
• Semantic Kernel: wbudowane pluginy
• Semantic Kernel: planery
• Semantic Kernel: tworzymy własnego agenta AI
• Semantic Kernel: zarządzanie kontekstem i pamięcią
• Semantic Kernel: integracja z Microsoft 365
• Semantic Kernel vs LangChain
• Semantic Kernel: zaawansowane scenariusze – case study
• Semantic Kernel: najlepsze praktyki i pułapki
• Semantic Kernel: finalny projekt: Research Assistant
• Semantic Kernel: podsumowanie i dalsze kroki

🧠 Zarządzanie kontekstem i pamięcią w Semantic Kernel

czyli jak uczyć swoją AI przeszłości i przewidywać przyszłość

---

W poprzednich wpisach z tej serii poznaliśmy już Semantic Kernel od strony pluginów, planowania zadań i nawet tworzenia własnych agentów. Ale…
żaden z tych elementów nie miałby sensu bez kontekstu.

To właśnie kontekst i pamięć sprawiają, że nasz agent nie zaczyna od zera za każdym razem, tylko może się czegoś nauczyć, zapamiętać i wrócić do wcześniejszych tematów.

---

🧩 Czym jest "kontekst” w Semantic Kernel?

Kontekst to nie tylko ostatnie pytanie użytkownika.
To:

• przeszłe interakcje (historia rozmowy)

• zapamiętane fakty

• chwilowe dane (np. aktualny czas, lokalizacja)

• wiedza systemowa (np. osobowość agenta)

W Semantic Kernel reprezentuje go obiekt KernelArguments – czyli coś jak plecak z danymi, które przekazujesz każdej funkcji.

var context = new KernelArguments();

context["userName"] = "Piotrek"; 
context["topic"] = "Semantic Kernel memory"; 

---

🧠 Pamięć: krótkoterminowa vs. długoterminowa

Kernel domyślnie działa w kontekście jednej sesji.
Ale gdy dodasz pamięć semantyczną, możesz zapisywać fakty i przeszłe interakcje, które zostają z Twoim agentem na stałe.

🔄 Krótkoterminowa pamięć (context only)

To dane przekazane w KernelArguments — wygasają po zakończeniu wywołania.

💾 Długoterminowa pamięć (Memory Store)

To dane zapisywane do indeksu (np. w RAM, pliku, Redisie, Azure Search).
Można je potem przeszukiwać za pomocą wektorów!

await kernel.Memory.SaveInformationAsync( collection: "project-notes", text: "Użytkownik pracuje nad agentem w Semantic Kernel", id: "user-agent-project" ); 

---

🔍 Przeszukiwanie pamięci semantycznej

To właśnie tu Semantic Kernel pokazuje pazur.

var results = kernel.Memory.SearchAsync( collection: "project-notes", query: "agent AI", limit: 2 ); 

Dostajesz trafienia na podstawie podobieństwa semantycznego (embeddingów), a nie słów kluczowych.
To działa nawet gdy użyjesz innych słów!

---

🏗️ Jak zintegrować pamięć w aplikacji

1. Dodaj odpowiedni provider pamięci:

   var memoryBuilder = new MemoryBuilder() 
       .WithMemoryStore(new VolatileMemoryStore()) // lub np. Redis/Azure 
       .WithTextEmbeddingGeneration(new AzureOpenAITextEmbeddingGeneration(...)); 
   
   kernel.UseMemory(memoryBuilder.Build()); 
   

2. Zapisuj dane przy każdej rozmowie lub akcji:

   await kernel.Memory.SaveInformationAsync("chat-history", "Zapytano o pluginy", Guid.NewGuid().ToString()); 
   

3. Wyszukuj przy rozpoczęciu rozmowy lub przy potrzebie:

   var contextItems = await kernel.Memory.SearchAsync("chat-history", "pluginy", limit: 1); 
   

---

🧠 Advanced: memory chaining + summarization

W większych systemach nie chcesz trzymać wszystkiego w pamięci 1:1.
Możesz:

• automatycznie podsumowywać starsze fragmenty rozmowy (np. co 10 interakcji)

• grupować dane wg tematów

• zapisywać metadane (np. data, ważność)

Przykład użycia pamięci jako wejścia do funkcji:

var memoryItems = await kernel.Memory.SearchAsync("chat-history", "tokeny", 3); 
var context = new KernelArguments { ["userHistory"] = string.Join("\n", memoryItems.Select(m => m.Metadata.Text)) }; 

---

🗂️ Praktyczne zastosowania pamięci

---

✅ Rady końcowe

---

🔚 Co dalej?

W kolejnym wpisie pokażę, jak nauczyć AI ogarniać Outlooka, Teamsy i pliki z OneDrive.

---