መሣሪያዎች በ C# ውስጥ የ Local AI Agents ይደውሉ

መሣሪያዎች እነዚህ ዋና ችሎታዎች ጋር, Agentic AI አንድ አስፈላጊ ክፍሎች ናቸው: በይነገጽ ሞዴሎች በይነገጽ ለመውሰድ እና ለመፍጠር ያደርጋሉበት ጊዜ, መሣሪያዎች በይነገጽን በይነገጽን በይነገጽን በይነገጽን በይነገጽን በይነገጽን በይነገጽን በይነገጽን በይነገጽን በይነገጽን በይነገጽን በይነገጽን በይነገጽን በይነገጽን በይነገጽን በይነገጽን በይነገጽን በይነገጽን በይነገጽን በይነገጽን በይነገጽን በይነገጽን በይነገጽን በይነገጽን በይነገጽን በይነገጽን በይነገጽን በይነገ የአገልግሎት መሳሪያዎች በጊዜው በመጠቀም እና እንዴት እንደሚጠበቅ ይፈልጋሉ? የእኛን ጥልቅ መግቢያ ያግኙ . አግኙን የአካባቢው ደንበኞች ஏன் አስቸጋሪ ናቸው በእርግጥ በአካባቢው ነገር ሊሆን ይችላል AI ተራራዎች ለመፍጠር አስደናቂ ይሆናል. ሞዴሎች ማንኛውም ጊዜ እና እንዴት የአየር ክፍሎች ይደውሉ ያውቃሉ ውሂብ በኮምፒውተር ላይ ማውረድ አይችልም መሣሪያዎች መዳረሻዎችን, መግቢያዎችን እና ውጤቶችን መውሰድ ይችላሉ. ሞዴል-ማስታወስ ፍለጋዎች ምክንያቱም እያንዳንዱ ሞዴል የተለያዩ መሣሪያ ፍለጋ ቅርጸት እና ተኳሃኝ ቅርጸት አለው, interception, result injection, and action ordering for custom logic. ደህንነት መቆጣጠሪያዎች በእርግጠኝነት አጠቃቀም እና ወጪዎችን ለመከላከል ቀላል ትኩረት, ስለዚህ የእርስዎ Agent ምን ማድረግ ያውቃል በአሁኑ ጊዜ, አብዛኞቹ ኤጀንቲክ መስኮች አንድ አማራጮች ሊሆን ይችላል: ጠንካራ የ Cloud-based agents with latency and privacy concerns, or limited local models without proper tool support. ለምን መሣሪያዎች ሁሉንም ነገር ይወዳሉ የ LM-Kit አዲስ መሣሪያዎች አጠቃቀም ችሎታዎች በመጠቀም, የእርስዎ አካባቢያዊ አግኝተዋል: ከባድ ውሂብ ውስጥ መልስ ይሰጣል. ከባድ ውሂብ ከባድ ውሂብ ከባድ ውሂብ ከባድ ውሂብ ከባድ ውሂብ ከባድ ውሂብ ይሰጣል. ለምሳሌ: የአየር ማረጋገጫ, ሙቀት ወደ ተጠቃሚው የሚፈልጉው አራት አራት ይቀየዳል, ከዚያም እንቅስቃሴዎችን ይሰጣል. ሁሉም አንድ ስሜት ውስጥ. ሁሉም ነገር መሣሪያ ላይ ይሰራል. ተጠቃሚዎን ጥያቄዎች, መሣሪያዎች, እና ውጤቶች ማንኛውም ጊዜ መሣሪያዎችን ይቀላቀሉ. የተመሠረተ ቅርጸቶች, የተመሠረተ መተግበሪያዎች, ፖሊሲዎች መቆጣጠሪያዎች, እና የምስክር ወረቀት መቆጣጠሪያዎች የአገልግሎት መኪናዎችን ለመጠበቅ ይቻላል. የንግድ መተግበሪያዎች, ውስጣዊ ውሂብ ቤቶች, ወይም ውስጣዊ MCP ካታሎችን እንደ መሣሪያዎች ያካትታሉ. ሞዴል ብቻ ዝርዝር እና ቅርጸቶች በመጠቀም ያውቃል. ምን አዲሱ ነው አንድ ፎቶ ላይ ሞዴሎች መሣሪያዎችን ለመውሰድ ጊዜን ያውቃሉ, የተመሠረተ JSON args ያውቃሉ, እና ውጤቶችን በመጠቀም ተጠቃሚዎችን ትክክክለኛውን መልስ ይሰጣሉ. በ Mistral, GPT-OSS, Qwen, Granite, LLaMA, እና ሌሎች እንደ ሞዴሎች ቤተሰብ ላይ የተመሠረተ ፍጥነት ድጋፍ, ሁሉም አንድ runtime በኩል. Three ways to add tools: Implement ITool Annotate methods with [LMFunction] Import catalogs from MCP servers በአካባቢው SLMs ጋር per-turn ፖሊሲ, guardrails, and events for human-in-the-loop and observability at every stage ይሰራል. ሁሉም ባህሪያት ይደውሉ ሞዴሎች ተስማሚ ናቸው. Simple Function, Multiple Function, Parallel Function, and Parallel Multiple Function, strict sequencing or safe parallelism ይምረጡ. የ LM-Kit ይደውሉ, ወደ መሣሪያዎን ይመዝገቡ, እና ውጤቶችን ተመሳሳይነት እና ቀላል ውጤት አይነት ጋር ይመዝገቡ, አንድ አስተማማማኝ መውሰድ መንገድ ለማግኘት. እንዴት ይሰራል: ለመጀመር እዚህ በ 20 መስኮች ውስጥ ሙሉ የሥራ ምሳሌ ነው: using LMKit.Model; using LMKit.TextGeneration; using LMKit.Agents.Tools; using System.Text.Json; // 1) Load a local model from the catalog var model = LM.LoadFromModelID("gptoss:20b"); // OpenAI GPT-OSS 20B // Optional: confirm tool-calling capability if (!model.HasToolCalls) { /* choose a different model or fallback */ } // 2) Create a multi-turn conversation using var chat = new MultiTurnConversation(model); // 3) Register tools (see three options below) chat.Tools.Register(new WeatherTool()); // 4) Shape the behavior per turn chat.ToolPolicy.Choice = ToolChoice.Auto; // let the model decide chat.ToolPolicy.MaxCallsPerTurn = 3; // guard against loops // 5) Ask a question var reply = chat.Submit("Plan my weekend and check the weather in Toulouse."); Console.WriteLine(reply.Content); ሞዴል ካታሎስ GPT-OSS እና ብዙ ሌሎች ሴቶች ያካትታል. እርስዎ እንደ አንድ ስም ካርድ ይጫወታሉ በተጨማሪም ማረጋገጥ ይችላሉ መሳሪያዎች ላይ መፍጠር በፊት. LM.LoadFromModelID gptoss:20b HasToolCalls ይመልከቱ ዝርዝር ላይ ሞዴል የካታሎግ ማረጋገጫ አሁን ይመልከቱ: GitHub sample አንድ ምርት-ጥፍ ኮንሰል ናሙና መሣሪያዎች (ኮንሰል, የአየር, ዩኒት መተግበሪያ), per-turn ፖሊሲዎች, progress feedback, እና ልዩ ትዕዛዞች ጋር multi-turn chat ያደርጋል. Create Multi-Turn Chatbot with Tools in .NET Applications በ .NET መተግበሪያዎች ውስጥ መሳሪያዎች ጋር Multi-Turn Chatbot ለመፍጠር 3 መሳሪያዎችን ያካትታሉ 1) ITool መተግበሪያ (የተጨማሪ ቁጥጥር) የተሻለ ጊዜ እርስዎ ቀላል ኮርፖሬሽኖች እና ብጁ ማረጋገጫ ያስፈልግዎታል. ይህ ቅርጸት መተግበሪያው ለማስተዋወቅ ያደርጋል የኦሪጂናል ኮምፒዩተር መተግበሪያ መተግበሪያ መተግበሪያ ( አግኙን አግኙን ), JSON args, የእርስዎ ትክክለኛነት ይሰራል, እና ወደ ሞዴል የተመሠረተ JSON ያውቃል. ITool Name Description InputSchema public sealed class WeatherTool : ITool { public string Name => "get_weather"; public string Description => "Get current weather for a city. Returns temperature, conditions, and optional hourly forecast."; // JSON Schema defines expected arguments public string InputSchema => """ { "type": "object", "properties": { "city": {"type": "string", "description": "City name (e.g., 'Paris' or 'New York')"} }, "required": ["city"] } """; public async Task InvokeAsync(string arguments, CancellationToken ct = default) { // Parse the model's JSON arguments var city = JsonDocument.Parse(arguments).RootElement.GetProperty("city").GetString(); // Call your weather API var weatherData = await FetchWeatherAsync(city); // Return structured JSON the model can understand var result = new { city, temp_c = weatherData.Temp, conditions = weatherData.Conditions }; return JsonSerializer.Serialize(result); } } // Register it chat.Tools.Register(new WeatherTool()); ማረጋገጫ, async መተግበሪያ, error handling እና result formatting ላይ ሙሉ ቁጥጥር. Why use ITool? 2) በ [LMFunction] (Quick Binding) ጋር ዘዴዎች ይታያል ፈጣን የፕሮቶቲፕ እና ቀላል የሲንክሮኒክ መሣሪያዎች ለማግኘት ምርጥ ነው. እንዴት እንደሚሰራ ነው: Add የ LM-Kit እያንዳንዱን መሳሪያዎችን ይታያል እና እያንዳንዱን እንደ የ JSON ቅርጸት በ Metod Parameters ላይ የተሰራ ነው. [LMFunction(name, description)] ITool እንዴት ነው: መተግበሪያ እና ያግኙ ወይም / ) ከዚያም የተወሰነ መሣሪያዎችን በመጠቀም ይመዝገቡ . LMFunctionToolBinder.FromType () FromInstance FromAssembly chat.Tools.Register(...) public sealed class MyDomainTools { [LMFunction("search_docs", "Search internal documentation by keyword. Returns top 5 matches.")] public string SearchDocs(string query) { var results = _documentIndex.Search(query).Take(5); return JsonSerializer.Serialize(new { hits = results }); } [LMFunction("get_user_info", "Retrieve user profile and preferences.")] public string GetUserInfo(int userId) { var user = _database.GetUser(userId); return JsonSerializer.Serialize(user); } } // Automatically scan and register all annotated methods var tools = LMFunctionToolBinder.FromType (); chat.Tools.Register(tools); ዝቅተኛ ፎቶዎች: The የፕሮግራም ቅርጸት ለመፍጠር እና አንድ መስመር ውስጥ ሁሉም ነገር ይመዝገቡ. Why use [LMFunction]? አግኙን MCP Catalogues (External Services) መውሰድ ምርጥ ለ Model Context Protocol በመጠቀም የቴክኖሎጂ መሣሪያዎች ጋር ለመገናኘት. እንዴት ነው: ይጠቀማል አንድ MCP ደንበኞች ጋር አንድ JSON-RPC ሰንሰለት ለመፍጠር, የእርሱ መሣሪያ ካታሎግ ያግኙ, እና እነዚህ መሣሪያዎች ለመፍጠር የእርስዎ አግኝቷል. የ McPlayer How it's wired: Create (የተግበሪያው በይፋ መሣሪያዎች) ከዚያም ወደ ካታሎችን መውሰድ; LM-Kit መቆጣጠሪያዎች አግኙን ከባድ, እና ከባድ, እና ከባድ. new McpClient(uri, httpClient) chat.Tools.Register(mcp, overwrite: false) tools/list tools/call using LMKit.Mcp.Client; // Connect to an MCP server var mcp = new McpClient( new Uri("https://mcp.example.com/api"), new HttpClient() ); // Import all available tools from the server int toolCount = chat.Tools.Register(mcp, overwrite: false); Console.WriteLine($"Imported {toolCount} tools from MCP server"); የኮርፖሬሽን መሣሪያዎች ካታሎችን ከባድ መግዛት. እና over JSON-RPC; LM-Kit validates schemas locally. Why use MCP? tools/list tools/call አግኝ . McpClient ማረጋገጫ የእርስዎ workflow ጋር ተስማሚ መተግበሪያዎች እያንዳንዱ የኮርፖሬሽን ፍለጋ ለስላሳ ፖሊሲ ይምረጡ: ቀላል ተግባር አንድ መሣሪያ, አንድ መልስ. chat.ToolPolicy.MaxCallsPerTurn = 1; chat.ToolPolicy.Choice = ToolChoice.Required; // force at least one call “የቶኪዮ ውስጥ የአየር ምን ይሆናል?” አንድ ጊዜ እና መልስ. Example: get_weather ፎቶዎች Chain tools sequentially. chat.ToolPolicy.MaxCallsPerTurn = 5; chat.ToolPolicy.Choice = ToolChoice.Auto; "75 ° F ወደ ሴልሲየስ ይቀየዳል, ከዚያም አንድ ጃኬት አያስፈልግም ከሆነ ያውቃል." Example: convert_temperature(75, "F", "C") ይደውሉ እና 23.9°C ያገኛል ይደውሉ get_weather("current_location") እና መስፈርቶች ያገኛሉ መልስ: "የ 24 ° C እና የፀሐይ ነው. አንድ ብርሃን ጃኬት ጥሩ መሆን አለበት." ተመሳሳይ ተግባር ብዙ መሣሪያዎች በተመሳሳይ ጊዜ ይሰራሉ. chat.ToolPolicy.AllowParallelCalls = true; chat.ToolPolicy.MaxCallsPerTurn = 10; "የፓሪስ, በሊንዶን እና በሊንዶን ውስጥ የአየር ተመሳሳይ ይሆናል." Example: ይደውሉ get_weather("የፓሪስ"), get_weather("የፓሪስ"), get_weather("የፓሪስ") በተመሳሳይ ጊዜ ሁሉም ውጤቶች, ተለዋዋጭዎች እና መልስ ይመልከቱ የእርስዎን መሣሪያዎች በይነገጽ እና በይነገጽ የተጠበቀ ከሆነ ብቻ ይጫኑ. Parallel Multiple Function አጠቃቀም እና paralelism ያካትታል. "የ 3 ከተማዎች ውስጥ የአየር ማረጋገጥ, ሁሉንም ጊዜዎች ወደ Fahrenheit ይቀየዳል, እና እባክዎ ማን ይጎብኙ. " Example: የመጨረሻው ጊዜ: 3 ከተማዎች ውስጥ የአየር ማቀዝቀዣ Parallel: ሁሉንም ሙቀት መተግበሪያ Sequential: recommends based on results አግኝ ሁሉንም አማራጮች ያካትታል እና ፎቶዎች የተጠበቁ ናቸው: ተለዋዋጭ, max calls capped. ToolCallPolicy ማረጋገጫ ToolChoice.Specific ForcedToolName ደህንነት, መቆጣጠሪያ እና ትኩረት ፖሊሲ ቁጥጥር የክፍያ እና የክፍያ መስፈርቶች ይመልከቱ. . ToolCallPolicy ማረጋገጫ chat.ToolPolicy = new ToolCallPolicy { Choice = ToolChoice.Auto, // let model decide MaxCallsPerTurn = 3, // prevent runaway loops AllowParallelCalls = false, // safe default: sequential only // Optional: force a specific tool first // Choice = ToolChoice.Specific, // ForcedToolName = "authenticate_user" }; በይነገጽ ውስጥ መሣሪያዎችን መተግበሪያዎችን ለመተግበሪያ ወይም ለመተግበሪያዎችን ለመተግበሪያ. Hooks: , አግኙን አግኙን . የቀድሞው ጥያቄዎች አግኙን የቀድሞው መለያዎች አስደናቂነት // Approve tool calls before execution chat.BeforeToolInvocation += (sender, e) => { Console.WriteLine($"About to call: {e.ToolCall.Name}"); Console.WriteLine($" Arguments: {e.ToolCall.ArgumentsJson}"); // Block sensitive operations if (e.ToolCall.Name == "delete_user" && !UserHasApproved()) { e.Cancel = true; Console.WriteLine(" Blocked by policy"); } }; // Audit results after execution chat.AfterToolInvocation += (sender, e) => { var result = e.ToolCallResult; Console.WriteLine($"{result.ToolName} completed"); Console.WriteLine($" Status: {result.Type}"); Console.WriteLine($" Result: {result.ResultJson}"); _telemetry.LogToolCall(result); // send to monitoring }; // Override token sampling in real time chat.BeforeTokenSampling += (sender, e) => { if (_needsDeterministicOutput) e.Sampling.Temperature = 0.1f; }; // Control memory injection chat.MemoryRecall += (sender, e) => { Console.WriteLine($"Injecting memory: {e.Text.Substring(0, 50)}..."); // e.Cancel = true; // optionally cancel }; Structured Data Flow እያንዳንዱ አዝናኝ ለጥፍነት እና ቀላል መለያዎች ለማግኘት የተመሠረተ ቧንቧንቧ በኩል ይሰራል. መውሰድ: በ stable Id እና ArgumentsJson ጋር ToolCall. መጨረሻው: ToolCallResult with ToolCallId, ToolName, ResultJson, እና አይነት (የተግበሪያ ወይም ስህተት). እርስዎ ይመልከቱ: Multi-Turn Chat Sample በ .NET መተግበሪያዎች ውስጥ መሳሪያዎች ጋር Multi-Turn Chatbot ለመፍጠር ተሳታፊዎች መሣሪያዎች አግኝተዋል: አንድ ጓደኝነት ወቅት, ሞዴል አንድ ወይም በርካታ መሣሪያዎችን ለማግኘት መረጃዎችን ለማግኘት ወይም የኮምፒዩተሮች ለመውሰድ, እያንዳንዱ መሣሪያዎች ጋር ተስማሚ JSON አግኝተዋል. , እና እያንዳንዱ መሣሪያው የ JSON ውጤት ለመፍጠር ሙሉ multi-turn ኮንክቶፕ ይጠበቃል. በይነገጽ ላይ የተመሠረተ ነው; በይነገጽ ላይ የተመሠረተ ነው. . Purpose: የ LM-Kit.NET InputSchema ITool ToolChoice Why tools in chatbots? ደህንነቱ የተጠበቀ, የመስመር ላይ የተመሠረተ መልስ (አየር, FX, Conversions, Business APIs) Agentic Chaining: ከሁለት መሣሪያዎች አንድ ጫፍ ውስጥ ይደውሉ እና ውጤቶችን ያካትታል. Determinism እና ደህንነት: የተመሠረተ ቅርጸት, ቀላል የፈጠራ ቅርጸት, ፖሊሲ መቆጣጠሪያ. የ ITool መተግበሪያዎችን ለ Domain Logic መተግበሪያዎችን ለመተግበሪያ; የ ኮድ መተግበሪያዎችን ለመጠበቅ. ውጤታማነት: መሳሪያዎች ላይ የሙዚቃ / መመልከት ይቀላቀሉ; ሞዴል በስተዋወቂያ ላይ የተመሠረተ ይሆናል. የምርት እና የፕላስቲክ ቡድን; DevOps እና ውስጣዊ መሣሪያዎች; B2B መተግበሪያዎች; ተማሪዎች እና ዲማዎች. Target audience: ተስማሚ መልስ, deterministic conversions / quotes, multi-turn memory, ቀላል extensibility. Problem solved: Sample app: እርስዎ አንድ አካባቢያዊ ሞዴል (እርስዎ ብጁ URI) ይምረጡ. ሦስት መሣሪያዎች (የአውሮፕላን, የአየር, ዩኒት መተግበሪያ) ይመዝገቡ አንድ multi-turn ቻት ይሰራል, ይህም ሞዴል መሳሪያዎች ለመውሰድ ጊዜ ይወዳል የምርት ስቴትስቲክስ (ቶኪዎች, stop reason, speed, context usage) Key features: መሣሪያዎች በ JSON ቅርጸቶች በመጠቀም አጠቃቀም አጠቃቀም ግምገማዎች (download / load bars) /reset, /continue, /regenerate እና /regenerate አጠቃቀም ብዙ መሣሪያዎች በመርዳት (እና በመርዳት) መሣሪያዎች Tool name Purpose Online? Notes convert_currency ECB rates via Frankfurter (latest or historical) plus optional trend Yes No API key; business days; rounding and date support get_weather Open-Meteo current weather plus optional short hourly forecast Yes No API key; geocoding plus metric/us/si convert_units Offline conversions (length, mass, temperature, speed, etc.) No Temperature is non-linear; can list supported units convert_currency የ ECB ቅርጸት በ Frankfurter (የቅርብ ወይም ታሪካዊ) plus optional trend አዎ No API key; business days; rounding and date support get_weather በ Open-Meteo በአሁኑ ጊዜ የአየር እና ቀጣይ ሰዓታት አጠቃቀም አዎ ምንም API ቁልፍ; Geocoding plus metric/us/si convert_units Offline መተግበሪያዎች (ብራት, ክብደት, ሙቀት, ፍጥነት, ወዘተ) ምንም Temperature is non-linear; supported units መለያዎች ይችላሉ. መተግበሪያዎች አግኙን አግኙን አግኙን (የ JSON ስርዓት) እና JSON መውሰድ. ITool Name Description InputSchema InvokeAsync(string json) Extend with your own tool: chat.Tools.Register(new MyCustomTool()); // implements ITool አጠቃቀም ብጁ, ዝቅተኛ, ዝቅተኛ ስሜቶች snake_case የተመሠረተ ሞዴሎች (Hardware) Mistral Nemo 2407 12.2B (ገደማ 7.7 GB VRAM) Meta Llama 3.1 8B (ገደማ 6GB VRAM) የ Google Gemma 3 4B Medium (በ 4GB VRAM) የ Microsoft Phi-4 Mini 3.82B (በ 3.3 GB VRAM) Alibaba Qwen-3 8B (በ 5.6 GB VRAM አጠቃቀም) የ Microsoft Phi-4 14.7B (የ 11GB VRAM) IBM Granite 4 7B (በ 6GB VRAM) የ Open-AI GPT-OSS 20B (የ 16GB VRAM) ወይም አንድ ብጁ ሞዴል URI (GGUF / LMK) ያቀርባል. Commands /reset - ቀላል መለያዎች /continue - መጨረሻው አግኝቷል አግኝቷል /regenerate - የቅርብ ተጠቃሚ መተግበሪያ ለ አዲስ መልስ ትክክለኛ ምሳሌዎች "የኤስኤሌክትሮኒክስ ወደ ኤሌክትሮኒክስ ወደ ኤሌክትሮኒክስ ወደ ኤሌክትሮኒክስ ወደ ኤሌክትሮኒክስ ወደ ኤሌክትሮኒክስ ወደ ኤሌክትሮኒክስ ወደ ኤሌክትሮኒክስ ወደ ኤሌክትሮኒክስ ወደ ኤሌክትሮኒክስ". "የእነዚህ 6 ሰዓታት ውስጥ የኦሪጂናል ውስጥ ጊዜ (ሜትሪክ)." "65 mph ወደ km / h ይቀየዳል." / "የተቀበቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀቀስ." "አሁኑ ጊዜ 75 °F ወደ °C, ከዚያም 2 km ወደ ሚሜ." ግምገማዎች እና ግምገማዎች (Quick Reference) መሣሪያዎችን ለመምረጥ ፖሊሲ: በአጠቃላይ, ሞዴል (ToolChoice.Auto) ለመምረጥ ይቻላል. እርስዎ አንድ ልዩ መሣሪያን ለመምረጥ / ለመጠበቅ / ለመምረጥ ይችላሉ. ባለብዙ መሣሪያዎች አግኝተዋል: እያንዳንዱ አግኝተዋል ጊዜ በርካታ መሣሪያዎች አግኝተዋል; ውፅዓት በኮንክቶፕ ውስጥ ይመዝገቡ. ቀጥተኛ InputSchema እና ቀጥተኛ ትዕዛዞች ቅርጸት መዋቅር ለማሻሻል. አውታረ መረብ: ገንዘብ እና የአየር ፍላጎት ኢንተርኔት ይጠቀማል; ዩኒት መተግበሪያ የመስመር ላይ ነው. አግኝተዋል: በይፋ ውሂብ (የአንድ, ቀን, ቦታዎች) በይፋ ውሂብ ላይ ቀላል ውፅዓትዎች. ይጀምራል የ .NET Framework 4.6.2 ወይም የ .NET 6.0 Prerequisites: Download: git clone https://github.com/LM-Kit/lm-kit-net-samples.git cd lm-kit-net-samples/console_net/multi_turn_chat_with_tools Run: dotnet build dotnet run ከዚያም አንድ ሞዴል ይምረጡ ወይም አንድ ብጁ URI ይሸፍናል. ምናልባት ይሸፍናል; እርስዎ አንድ ወይም በርካታ መሣሪያዎችን ይደውሉ. , አግኙን ማንኛውም ጊዜ /reset /continue /regenerate Project link: የ GitHub Repository አጠቃላይ ምሳሌ: ሁሉንም የሦስት መተግበሪያ መንገዶች // Load a capable local model var model = LM.LoadFromModelID("gptoss:20b"); using var chat = new MultiTurnConversation(model); // 1) ITool implementation chat.Tools.Register(new WeatherTool()); // 2) LMFunctionAttribute methods var tools = LMFunctionToolBinder.FromType (); chat.Tools.Register(tools); // 3) MCP import var mcp = new McpClient(new Uri("https://mcp.example/api"), new HttpClient()); chat.Tools.Register(mcp); // Safety and behavior chat.ToolPolicy = new ToolCallPolicy { Choice = ToolChoice.Auto, MaxCallsPerTurn = 3, // AllowParallelCalls = true // enable only if tools are idempotent }; // Human-in-the-loop chat.BeforeToolInvocation += (_, e) => { /* approve or cancel */ }; chat.AfterToolInvocation += (_, e) => { /* log results */ }; // Run var answer = chat.Submit( "Find 3 relevant docs for 'safety policy' and summarize."); Console.WriteLine(answer.Content); ለምን LM-Kit ጋር የመኖሪያ ቤት ይጎብኙ? የ Cloud Agent Frameworks አጠቃቀም ምንም የ API ክፍያዎች: ምንም የቶኮን ክፍያዎች. ያልተገደበ ጓደኞች ይጫኑ. ሙሉ ደህንነት: ተጠቃሚ መረጃ ማንኛውም ጊዜ መሣሪያው መውሰድ አይችልም. GDPR / HIPAA friendly. ከ 100ms ዝርዝሮች: በአካባቢው መውሰድ ሙሉ በሙሉ አውታረ መረብ roundtrips ያደርጋል. Offline ይሰራል: Agents በይነመረብ መገናኘት አይችልም. Scale to millions of requests without throttling. No rate limits: ሙሉ ቁጥጥር: የእርስዎን stack. No vendor lock-in ወይም API deprecations. የፕሮፕቲክ ኢንጂነሪንግ Basic Prompt የ JSON Schema Validation መተግበሪያዎች የ JSON Schema Validation መተግበሪያዎች መተግበሪያዎች መተግበሪያዎች መተግበሪያዎች መተግበሪያዎች መተግበሪያዎች መተግበሪያዎች መተግበሪያዎች መተግበሪያዎች መተግበሪያዎች መተግበሪያዎች መተግበሪያዎች መተግበሪያዎች መተግበሪያዎች. Deterministic ውጤቶች: Clear success/error states, not fragile regex parsing. ተመሳሳይ መተግበሪያ: በተመሳሳይ ጊዜ በርካታ መሣሪያዎችን ይሰራል. ሙሉ ትኩረት: ሁሉም ደረጃዎች ላይ የተመሠረተ ተሳታፊዎች, የኦርጋኒክ መክፈት አይችልም. testable contracts: Mock tools, inject results, replay conversations (ወደ-ወደ-ወደ-ወደ-ወደ-ወደ-ወደ-ወደ-ወደ-ወደ-ወደ-ወደ-ወደ-ወደ) አግኝቷል: በይነገጽ እና በይነገጽ. vs. የሽያጭ አጠቃቀም Agent autonomously picks tools and arguments, no brittle if/else chains. Model decides: Auto-Chaining: እያንዳንዱ ጓደኝነት ብዙ መሣሪያዎች ይደውሉ, ውጤቶች ራስ-ሰር ተንቀሳቃሽ. 90% ዝቅተኛ ኬብል ፎቅ: መሣሪያዎች አንድ ጊዜ, per-model ወይም per-prompt አይደለም. የተመሠረተ ደህንነት: ሮፕ መከላከያ, max-calls limits, approval hooks out of the box. Same code works across Mistral, LLaMA, Qwen, Granite, GPT-OSS. Model-agnostic API: Add tools without refactoring conversation logic. Progressive enhancement: Performance and Limitations Performance Expectations መሣሪያዎች መውሰድ በከፍተኛ ደረጃ: በ 2 እስከ 5 ms per call (parsing plus validation) አውታረ መሣሪያዎች: 50 እስከ 500 ms በ API ላይ የተወሰነ የመኖሪያ መሣሪያዎች: ከ 1 ms Model inference remains the primary latency factor. መስፈርቶች ሞዴሎች መሣሪያ ይደውሉ (HasToolCalls ይመልከቱ). Network-dependent tools require internet connectivity. የመጨረሻው መተግበሪያዎች የሚፈልጉትን መሳሪያዎች እና መሳሪያዎች ይፈልጋሉ. የተመሠረተ GPU መቁረጥ: ሞዴል መጠን መሠረት 6 እስከ 16 GB VRAM. ታዋቂ መስፈርቶች Tool selection quality depends on clear descriptions and schemas. Complex nested objects in arguments may confuse smaller models. በጣም ረጅም መሣሪያ መስኮቶች (ብዙ ከ 10 ይደውሉ) የኮንክቶፕ መስኮቶች በላይ ሊሆን ይችላል. ለመፍጠር ተስማሚ? Clone the sample git clone https://github.com/LM-Kit/lm-kit-net-samples.git cd lm-kit-net-samples/console_net/multi_turn_chat_with_tools Pick your integration approach Need full control? Use ITool Prototyping quickly? Use [LMFunction] Using external catalogs? Use McpClient Replace demo tools with your APIs, databases, or business logic. Add your domain logic Set policies that fit your use case Simple lookups: MaxCallsPerTurn = 1 Complex workflows: with approval hooks MaxCallsPerTurn = 10 On-device. Private. Reliable. Observable. Ship agents that actually work በአጠቃቀም ደንበኞች ደህንነቱ የተጠበቀ workflows ለመፍጠር ይጀምራል, እያንዳንዱ ቦታ ላይ ይጀምራል, እና እርስዎ ቁጥጥር ላይ ይጠበቃል.