微软推出新AI聊天网页应用模板,助力.NET 开发者简化AI开发

上周,微软宣布推出一款新的 AI 聊天网页应用模板,目前处于预览阶段,旨在简化.NET 开发中的 AI 应用开发。 此模板是微软在推动 AI 技术普及方面的又一重要举措,提供了在 Visual Studio、Visual Studio Code 以及.NET CLI 中使用的脚手架和指导。 图源备注:图片由AI生成,图片授权服务商Midjourney根据微软的介绍,这款.NET AI 聊天模板帮助开发者迅速构建智能聊天应用。

上周,微软宣布推出一款新的 AI 聊天网页应用模板,目前处于预览阶段,旨在简化.NET 开发中的 AI 应用开发。此模板是微软在推动 AI 技术普及方面的又一重要举措,提供了在 Visual Studio、Visual Studio Code 以及.NET CLI 中使用的脚手架和指导。

机器人 电脑  办公 人工智能

图源备注:图片由AI生成,图片授权服务商Midjourney

根据微软的介绍,这款.NET AI 聊天模板帮助开发者迅速构建智能聊天应用。模板基于 Blazor 框架,利用了 Microsoft.Extensions.AI 和 Microsoft.Extensions.VectorData 抽象,遵循了聊天应用中常用的检索增强生成(RAG)模式。

其主要特点是能够创建与自定义数据(如示例 PDF 文件或用户数据)交互的聊天界面。开发者可以选择在本地或 Azure 进行集成,模板支持本地向量存储以便于原型设计,以及 Azure AI 搜索以支持更高级的设置。生成的代码包含用于聊天交互的 UI 组件、引用追踪和后续建议,开发者可根据需求进行自定义或删除。

为开始使用该模板,开发者只需在命令行输入以下命令进行安装:

dotnet new install Microsoft.Extensions.AI.Templates

此外,该模板简化了数据摄取过程,包含处理各种数据源和格式的代码,提供了示例 PDF 文件及其处理代码,供开发者用自己的文件进行替换。应用程序将自动比较文件夹内容并相应更新向量存储。但需要注意的是,开发者在使用 AI 模型提供者时应谨慎,避免因大型数据文件导致的错误或延迟。

微软的产品团队强调,该代码基于 Microsoft.Extensions.AI 构建,使得插件自定义行为变得十分简单。开发者可以赋予聊天机器人访问任何 C# 函数的权限,这样可以扩展其功能,获取额外数据或执行操作。

展望未来,微软开发团队计划扩展模板选项,未来更新将包括 AI 控制台模板、最小 API 模板以及对.NET Aspire 的支持。此外,这些模板还计划默认包含在.NET SDK 中,并探索对 Azure AI Foundry 的支持。同时,微软还与语义内核团队合作,拓展语义内核用户的模板选项。

相关资讯

仅几秒,准确推断蛋白动力学信息,山大、北理工等AI模型RMSF-net登Nature子刊

编辑 | KX蛋白质的动力学对于理解其机制至关重要。然而,通过计算预测蛋白质动学信息具有挑战性。在此,来自山东大学、百图生科(BioMap)、北京理工大学、湖北医药学院、宁夏医科大学和阿卜杜拉国王科技大学(KAUST)的研究团队,提出了一个神经网络模型 RMSF-net,其优于以前的方法,并在大规模蛋白质动力学数据集中产生最佳结果;该模型可以在几秒钟内准确推断出蛋白质的动力学信息。通过从实验蛋白质结构数据和低温电子显微镜 (cryo-EM) 数据集成中有效地学习,该方法能够准确识别低温电子显微镜图和 PDB 模型之

AI:你总要高清视频,它来了

以后,就算是跑着拍视频,FMA-Net也能给你处理得非常满意。Magnific 图像超分 & 增强工具还正在火热体验中,它强大的图像升频与再创能力收获一致好评。现在,视频领域也有了自己的 Magnific。拍摄的街道视频一片模糊,仿佛高度近视没戴眼镜一样:与之相比,下面的视频清晰度高了很多:视频画面两边形成鲜明的对比:左边视频已经模糊的看不清人脸,而右边视频建筑物的纹理也看得清清楚楚:行驶的汽车仿佛从一个模糊的世界穿越到高清世界:不同的方法进行比较,明显看到右下角的视频在微小的细节恢复方面更加清晰:通过上述展示,我

ICLR 2024 | 为音视频分离提供新视角,清华大学胡晓林团队推出RTFS-Net

视听语音分离(AVSS)技术旨在通过面部信息从混合信号中分离出目标说话者的声音。这项技术能够应用于智能助手、远程会议和增强现实等应用,改进在嘈杂环境中语音信号质量。传统的视听语音分离方法依赖于复杂的模型和大量的计算资源,尤其是在嘈杂背景或多说话者场景下,其性能往往受到限制。为了突破这些限制,基于深度学习的方法开始被研究和应用。然而,现有的深度学习方法面临着高计算复杂度和难以泛化到未知环境的挑战。具体来说,当前视听语音分离方法存在如下问题:时域方法:可提供高质量的音频分离效果,但由于参数较多,计算复杂度较高,处理速度