创建问题解答解决方案

最常见的对话方案之一是通过常见问题解答 (FAQ) 知识库提供支持。 许多组织将 FAQ 发布为文档或网页，这适用于少量的问答对，但针对大型文档搜索可能很麻烦且十分耗时。

语言服务包含一项问题解答功能，通过该功能，你能够创建可使用自然语言输入来查询的问答对知识库，该功能通常用作一种资源，机器人可以用它来查找用户提交的问题的答案。

预配 Azure AI 语言资源

如果订阅中尚无资源，则需要预配 Azure AI 语言服务资源。 此外，若要创建和托管用于问答的知识库，需要启用 “问答”功能。

  1. 打开 Azure 门户 (https://portal.azure.com)，然后使用与你的 Azure 订阅关联的 Microsoft 帐户登录。
  2. 选择“创建资源”。
  3. 在搜索字段中，搜索“语言服务”。 选择“语言服务”资源下的“创建”。

  4. 选择“自定义问题解答”块。 然后选择“继续创建资源”。 你需要输入以下设置：

    • 订阅：Azure 订阅
    • 资源组：创建或选择资源组
    • 区域：选择任何可用位置
    • 名称：输入唯一名称
    • 定价层：选择 F0（免费层）；如果 F 不可用，请选择 S（标准层）。
    • Azure 搜索位置：在与语言资源相同的全球区域中选择一个位置。
    • Azure 搜索定价层：免费 (F)（如果该层级不可用，请选择基本 (B)）
    • 负责任的 AI 声明：同意

  5. 依次选择“查看 + 创建”、“创建”。

    自定义问题解答使用 Azure 搜索来对问答知识库编制索引和进行查询。

  6. 等待部署完成，然后转到部署的资源。
  7. 查看“密钥和终结点”** 页。 在练习的后面部分，你将需要此页面上的信息。

创建问题解答项目

若要在语言资中创建问题解答知识库，可以使用 Language Studio 门户创建问题解答项目。 在本例中，你将创建包含有关 Microsoft Learn 的问答知识库。

  1. 在新的浏览器标签页中，转到 Language Studio 门户 ()，然后使用与 Azure 订阅关联的 Microsoft 帐户登录。
  2. 如果系统提示选择语言资源，请选择以下设置：
    • Azure Directory：包含订阅的 Azure 目录。
    • 订阅：Azure 订阅。
    • 资源语言**
    • 语言资源：先前创建的语言资源。

    如果系统未提示你选择语言资源，原因可能是订阅中有多个语言资源；在这种情况下，你应该：

    1. 在页面顶部的栏中，选择“设置(⚙)”** 按钮。
    2. 在“设置”页上，查看“资源”选项卡。
    3. 选择刚刚创建的语言资源，然后单击“切换资源”。
    4. 在页面顶部，单击“Language Studio”以返回到 Language Studio 主页。
  3. 在门户顶部的“新建”菜单中，选择“自定义问题解答” 。
  4. 在*“创建项目”向导中的“选择语言设置”页上，选择“为此资源中所有的项目设置语言”选项，然后选择“英语”作为语言。 然后，选择“下一步”。
  5. 在“输入基本信息”页上，输入以下详细信息，然后单击“下一步”：
    • 名称*LearnFAQ
    • 说明：FAQ for Microsoft Learn
    • 未返回任何答案时的默认答案：
  6. 选择下一步。
  7. 在“检查并完成”页上，单击“创建项目”。

将源添加到知识库

可以从头开始创建知识库，但通常先从现有的 FAQ 页面或文档中导入问答。 在本案例中，你将从 Microsoft Learn 的现有常见问题解答网页导入数据，并且还将导入一些预定义的“聊天”问题和答案，以支持常见的对话交流。

  1. 在问题解答项目的“管理源”页上，在”╋ 添加源”列表中，选择“URL” 。 然后在“添加 URL”对话框中，单击“╋ 添加 url”并添加以下 URL，然后单击“全部添加”以将其添加到知识库 ：
    • 名称：Learn FAQ Page
    • URL：https://docs.microsoft.com/en-us/learn/support/faq
  2. 在问题解答项目的“管理源”页上，在“╋ 添加源”列表中，选择“聊天” 。 在“添加聊天”对话框中，选择“友好”，然后单击“添加聊天” 。

编辑知识库

你的知识库已填充了 Microsoft Learn FAQ 中的问答对，并补充了一组对话式聊天问答对。 可以通过添加更多问答对来扩展知识库。

  1. 在 Language Studio 中的 LearnFAQ 项目中，选择“编辑知识库”页以查看现有问答对（如果显示了一些提示，请阅读提示，然后单击“知道了”将其消除，或单击“跳过所有提示” ）
  2. 在知识库的“问题解答对”选项卡中，选择“＋”，然后使用以下设置创建新的问题解答对 ：
    • 源：https://docs.microsoft.com/en-us/learn/support/faq
    • 问题：What are Microsoft credentials?
    • 答案：Microsoft credentials enable you to validate and prove your skills with Microsoft technologies.
  3. 选择“完成”。

  4. 在创建的“Microsoft 凭据是什么？”问题页面中，展开“备用问题”****。 然后添加备用问题 How can I demonstrate my Microsoft technology skills?。

    在某些情况下，让用户能够跟进答案以创建多回合对话是有意义的，这让用户能够以迭代方式细化问题，从而得到他们所需的答案。

  5. 在为认证问题输入的答案下，展开“跟进提示”，添加以下跟进提示：
    • 在提示中向用户显示的文本：Learn more about credentials。
    • 选择“创建指向新对的链接”，然后输入以下文本：You can learn more about credentials on the [Microsoft credentials page](https://docs.microsoft.com/learn/credentials/).
    • 仅在上下文流中显示：选定。 此选项可确保仅在原始认证问题的跟进问题的上下文中返回答案。
  6. 选择“ 添加提示”。

训练和测试知识库

现在你已有了知识库，接下来可以在 Language Studio 中对它进行测试。

  1. 通过选择左侧“问题答案对 **”选项卡下的“保存**”按钮，将更改保存到知识库。
  2. 保存更改后，选择“测试”以打开测试窗格。
  3. 在测试窗格中的顶部，取消选择 “包括短答案响应 ”（如果尚未取消选择）。 然后在底部输入消息 Hello。 应会返回相应的响应。
  4. 在测试窗格的底部，输入消息 What is Microsoft Learn?。 应会返回来自常见问题解答的适当答复。
  5. 输入消息 Thanks! 应返回相应的聊天响应。
  6. 输入消息 Tell me about Microsoft credentials。 创建的答案应与跟进提示链接一起返回。
  7. 选择“详细了解认证”跟进提示链接。 应会返回带有指向认证页面的链接的跟进答案。
  8. 完成知识库测试后，关闭测试窗格。

部署知识库

知识库提供了客户端应用程序可以用来回答问题的后端服务。 现在，可以准备发布知识库并从客户端访问其 REST 接口了。

  1. 在 Language Studio 的 LearnFAQ 项目中，从左侧导航菜单中选择“部署知识库”页面。
  2. 在页面顶部，选择“删除”。 然后单击“部署”以确认要部署知识库。
  3. 部署完成后，选择“获取预测 URL”以查看知识库的 REST 终结点，并注意示例请求包含参数：
    • projectName：项目的名称（应为 LearnFAQ）
    • deploymentName：部署的名称（应 为生产）
  4. 关闭预测 URL 对话框。

准备在 Visual Studio Code 中开发应用

你将使用 Visual Studio Code 开发问题解答应用。 你的应用的代码文件已在 GitHub 存储库中提供。

提示：如果已克隆 mslearn-ai-language 存储库，请在 Visual Studio Code 中打开它。 否则，请按照以下步骤将其克隆到开发环境。

  1. 启动 Visual Studio Code。
  2. 打开面板 (SHIFT+CTRL+P) 并运行“Git：克隆”命令，以将 https://github.com/MicrosoftLearning/mslearn-ai-language 存储库克隆到本地文件夹（任意文件夹均可）。

  3. 克隆存储库后，在 Visual Studio Code 中打开文件夹。

    注意：如果 Visual Studio Code 显示一条弹出消息，提示你信任打开的代码，请单击弹出窗口中的“是，我信任该作者”选项**。

  4. 等待其他文件安装完毕，以支持存储库中的 C# 代码项目。

    注意：如果系统提示你添加生成和调试所需的资产，请选择以后再说。

配置应用程序

已提供适用于 C# 和 Python 的应用程序，以及用于测试汇总情况的示例文本文件。 这两个应用具有相同的功能。 首先，你将完成应用程序的一些关键部分，使其能够使用 Azure AI 语言资源。

  1. 在 Visual Studio Code 的“资源管理器”窗格中，浏览到 19-face 文件夹，并根据你的语言首选项展开 C-Sharp 文件夹或 Python 文件夹。 每个文件夹都包含要在其中集成 Azure AI 语言问答功能的应用的语言特定文件。

  2. 右键单击 04-containers 文件夹，并打开集成终端。 然后通过运行适用于你的语言首选项的命令，安装语言理解 SDK 包：

    C#：

     dotnet add package Azure.AI.Language.QuestionAnswering

    Python：

     pip install azure-ai-language-questionanswering

  3. 在 资源管理器 窗格中的 qna-app 文件夹中，打开首选语言的配置文件

    • C# ：appsettings.json
    • Python：.env
  4. 更新配置值，以包含创建的 Azure 语言资源的终结点和密钥（位于 Azure 门户中 Azure AI 语言资源的“密钥和终结点”** 页面上）。 部署知识库的项目名称和部署名称也应在此文件中。
  5. 保存此配置文件。

将代码添加到应用程序中

现在，你已准备好添加导入所需 SDK 库所需的代码，建立与已部署项目经过身份验证的连接，并提交问题。

  1. 请注意，face-api 文件夹中包含客户端应用程序的代码文件：

    • C# ：Program.cs
    • Python：qna-app.py

    打开代码文件，并在顶部的现有命名空间引用下找到注释“导入命名空间”。 然后在此注释下添加以下特定于语言的代码，以导入使用文本分析 SDK 所需的命名空间：

    C#：Programs.cs

     // import namespaces
 using Azure;
 using Azure.AI.Language.QuestionAnswering;

    Python：qna-app.py

     # import namespaces
 from azure.core.credentials import AzureKeyCredential
 from azure.ai.language.questionanswering import QuestionAnsweringClient

  2. 请注意，Main 函数中已经提供从配置文件加载认知服务终结点和密钥的代码。 然后，找到注释“使用终结点和密钥创建客户端”，并添加以下代码为文本分析 API 创建客户端：

    C#：Programs.cs

     // Create client using endpoint and key
 AzureKeyCredential credentials = new AzureKeyCredential(aiSvcKey);
 Uri endpoint = new Uri(aiSvcEndpoint);
 QuestionAnsweringClient aiClient = new QuestionAnsweringClient(endpoint, credentials);

    Python：qna-app.py

     # Create client using endpoint and key
 credential = AzureKeyCredential(ai_key)
 ai_client = QuestionAnsweringClient(endpoint=ai_endpoint, credential=credential)

  3. 在 Main 函数中，找到注释 提交问题并显示答案，并添加以下代码以从命令行重复读取问题，将其提交到服务，并显示答案的详细信息：

    C#：Programs.cs

     // Submit a question and display the answer
 string user_question = "";
 while (user_question.ToLower() != "quit")
     {
         Console.Write("Question: ");
         user_question = Console.ReadLine();
         QuestionAnsweringProject project = new QuestionAnsweringProject(projectName, deploymentName);
         Response<AnswersResult> response = aiClient.GetAnswers(user_question, project);
         foreach (KnowledgeBaseAnswer answer in response.Value.Answers)
         {
             Console.WriteLine(answer.Answer);
             Console.WriteLine($"Confidence: {answer.Confidence:P2}");
             Console.WriteLine($"Source: {answer.Source}");
             Console.WriteLine();
         }
     }

    Python：qna-app.py

     # Submit a question and display the answer
 user_question = ''
 while user_question.lower() != 'quit':
     user_question = input('\nQuestion:\n')
     response = ai_client.get_answers(question=user_question,
                                     project_name=ai_project_name,
                                     deployment_name=ai_deployment_name)
     for candidate in response.answers:
         print(candidate.answer)
         print("Confidence: {}".format(candidate.confidence))
         print("Source: {}".format(candidate.source))

  4. 保存你的更改并返回到 face-api 文件夹的集成终端，然后输入以下命令以运行程序：

    • C# ：dotnet run
    • Python：python qna-app.py

    提示：可以使用 终端工具栏中的“最大化面板大小 ”图标^ 查看更多控制台文本。

  5. 出现提示时，输入要提交到问题解答项目的问题;例如 What is a learning path?。
  6. 查看返回的输出：
  7. 提出开放式问题。 完成后，输入 quit。

清理资源

提示：如果已完成浏览 Azure Cosmos DB，则可以删除在本练习中创建的资源组。 操作步骤如下：

  1. 打开 Azure 门户 (https://portal.azure.com)，然后使用与你的 Azure 订阅关联的 Microsoft 帐户登录。
  2. 浏览到在此实验室中创建的 Azure AI 语言资源。
  3. 在资源页上，选择“删除 ” 并按照说明删除资源。

详细信息

若要了解有关 Azure AI 语言的详细信息，请参阅 Azure AI 语言文档