从零开始基于WPF与Semantic Kernel实现SimpleRAG简易RAG应用的完整教程

SimpleRAG介绍

在人工智能应用落地的过程中，RAG（检索增强生成）已经成为一项不可忽视的核心技术。SimpleRAG 正是一个极适合初学者的实战项目——它基于 WPF 与 Semantic Kernel 构建，架构清晰、代码精简，能够帮助开发者快速掌握如何利用 Semantic Kernel 搭建一个完整的 RAG 应用。无论您是在进行技术选型验证，还是希望亲手跑通整个流程，这份示例都值得深入参考。

主要功能

AI聊天

在底层对话能力方面，SimpleRAG 支持所有兼容 OpenAI 格式的大语言模型。这意味着市面上主流云服务商和本地部署方案都可以无缝对接——只要接口规范一致，替换模型几乎无需修改业务代码。

文本嵌入

嵌入模型同样采用 OpenAI 兼容格式，灵活性很高。无论是使用商业 API 还是开源的本地嵌入服务，都能直接集成到项目中。

简单的RAG回答

来看一组直观对比：启用 RAG 模式后，回答的上下文相关性与事实准确性明显提升。下图展示了开启 RAG 前后的差异——左侧是直接让模型回答的效果，右侧是经过检索增强后的结果，信息颗粒度完全不同。

对比不使用 RAG 的回答：

从源码构建

将项目克隆到本地后，第一步是打开 appsettings.example.json 文件。这个文件就是配置模板，结构如下所示：

配置项分为三部分：ChatAI 用于指定对话模型，Embedding 对应嵌入模型，TextChunker 控制文档切片的尺寸。以 SiliconCloud 平台为例，只需填入您的 API Key，然后将文件名改为 appsettings.json（或直接新建一个同名文件）即可生效。

开发环境方面，推荐使用 VS2022 + .NET 8。打开解决方案后，项目结构一目了然：

直接运行程序，进入主界面：

先测试 AI 聊天功能——输入问题，模型能正常返回结果：

接着测试嵌入功能：

本项目使用 Sqlite 来存储向量数据。在 Debug 目录下能找到生成的数据库文件：

打开数据库，可以看到向量数据已经正确写入：

最后验证 RAG 回答流程——上传文档后提问，系统能基于文档内容给出精准回答：

其他配置

除了在线 API，您完全可以根据实际场景自由替换配置。例如在本地离线环境下，可以使用 Ollama 中提供的对话模型和嵌入模型，只要保持 OpenAI 兼容的接口格式，修改配置即可运行。同样，也可以切换其他在线服务商，或者把嵌入模型换成本地 Ollama 版本——灵活性远比您想象的更大。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：从零开始基于WPF与Semantic Kernel实现SimpleRAG简易RAG应用的完整教程要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题