Rocky Linux 9 Semantic Kernel 安装配置一条龙教程 (含疑难解答)

引言

Semantic Kernel 是微软推出的一个轻量级 SDK，用于将大型语言模型(LLM)集成到应用程序中。本教程将指导你在 Rocky Linux 9 系统上完成 Semantic Kernel 的完整安装和配置过程，包括常见问题的解决方案。

准备工作

在开始之前，请确保你的系统满足以下要求：

Rocky Linux 9 (已安装并更新到最新版本)
Python 3.8 或更高版本
.NET SDK 6.0 或更高版本 (可选，如果你计划使用C#)
Git
root或sudo权限

步骤1：系统更新和环境准备

首先，让我们更新系统并安装必要的依赖：

代码片段

# 更新系统软件包
sudo dnf update -y

# 安装基础开发工具和依赖
sudo dnf groupinstall "Development Tools" -y
sudo dnf install python3 python3-devel git openssl-devel bzip2-devel libffi-devel -y

# 验证Python版本
python3 --version

步骤2：安装Python虚拟环境

推荐使用虚拟环境来管理Python依赖：

代码片段

# 安装Python虚拟环境工具
sudo dnf install python3-virtualenv -y

# 创建并激活虚拟环境
mkdir ~/semantic_kernel_project && cd ~/semantic_kernel_project
python3 -m venv skenv
source skenv/bin/activate

# (可选)升级pip到最新版本
pip install --upgrade pip

步骤3：安装Semantic Kernel Python包

现在我们可以安装Semantic Kernel的Python包：

代码片段

pip install semantic-kernel

如果你想安装特定版本的Semantic Kernel：

代码片段

pip install semantic-kernel==0.9.0b1  # 示例版本号，替换为最新版本

步骤4：验证安装

创建一个简单的测试脚本来验证安装是否成功：

代码片段

#!/usr/bin/env python3

import semantic_kernel as sk

def main():
    # 初始化内核
    kernel = sk.Kernel()

    # 创建简单的技能函数
    @sk.function(
        description="返回输入的字符串",
        name="echo"
    )
    async def echo(input: str) -> str:
        return input

    # 注册技能到内核
    kernel.register_function(echo)

    # 调用技能并打印结果
    result = kernel.run_async(echo, input_str="Hello, Semantic Kernel!")
    print(result)

if __name__ == "__main__":
    main()

保存为test_sk.py并运行：

代码片段

python test_sk.py

你应该看到输出：”Hello, Semantic Kernel!”

步骤5：配置API密钥（可选）

如果你想使用OpenAI或其他LLM服务，需要配置API密钥：

OpenAI API密钥配置:

代码片段

from semantic_kernel.connectors.ai.open_ai import OpenAIChatCompletion, OpenAITextEmbedding

api_key = "你的OpenAI_API_KEY"
kernel.add_chat_service("chat_completion", OpenAIChatCompletion("gpt-3.5-turbo", api_key))
kernel.add_text_embedding_generation_service("text_embedding", OpenAITextEmbedding("text-embedding-ada-002", api_key))

Azure OpenAI服务配置:

代码片段

from semantic_kernel.connectors.ai.open_ai import AzureChatCompletion, AzureTextEmbedding

kernel.add_chat_service(
    "chat_completion",
    AzureChatCompletion(
        deployment_name="你的部署名称",
        endpoint="你的终结点URL",
        api_key="你的API密钥"
    )
)

C#开发环境设置（可选）

如果你计划使用C#开发：

安装.NET SDK:

代码片段

sudo rpm -Uvh https://packages.microsoft.com/config/rhel/9/packages-microsoft-prod.rpm
sudo dnf install dotnet-sdk-6.0 -y

# 验证安装
dotnet --version

创建C#项目:

代码片段

mkdir SKDotNetApp && cd SKDotNetApp
dotnet new console -n SKDotNetApp --force --use-program-main=true --language "C#"
dotnet add package Microsoft.SemanticKernel --version <最新版本号>

示例C#代码:

代码片段

using Microsoft.SemanticKernel;

class Program {
    static async Task Main(string[] args) {
        var kernel = Kernel.Builder.Build();

        // OpenAI配置（可选）
        // var openAIConfiguration = new OpenAIConfiguration("your-api-key");
        // kernel.Config.AddOpenAITextCompletionService("davinci", openAIConfiguration);

        string input = "Hello, Semantic Kernel in C#!";

        var result = await kernel.RunAsync(input);
        Console.WriteLine(result);
    }
}

常见问题解答（疑难解答）

Q1: ModuleNotFoundError: No module named ‘semantic_kernel’

解决方案:
1. 确保你已激活正确的虚拟环境：source skenv/bin/activate
2. 检查是否成功安装了semantic-kernel包：pip show semantic-kernel
3. Python路径问题尝试：python -m pip install semantic-kernel

Q2: SSL证书验证失败错误

解决方案:
1. Linux系统可能需要更新证书：

代码片段

sudo dnf install ca-certificates -y && sudo update-ca-trust force-enable && sudo update-ca-trust extract`<br>

2. （临时方案）在代码中禁用SSL验证（不推荐生产环境）：

代码片段

import ssl; ssl._create_default_https_context = ssl._create_unverified_context`<br>

Q3: Python版本兼容性问题

解决方案:
1. Rocky Linux默认可能使用较旧Python版本，考虑使用pyenv管理多版本：

代码片段

curl https://pyenv.run | bash`<br>

2. Follow pyenv setup instructions then:

代码片段

pyenv install <较新版本> && pyenv global <较新版本>`<br>

Q4: API调用速率限制错误

解决方案:
1. Implement retry logic in your code with exponential backoff.
2. Consider caching responses where possible.
3. Monitor your API usage and adjust accordingly.

Rocky Linux特定优化建议

性能调优:

代码片段

# Increase file descriptor limits for high concurrency apps 
echo "* soft nofile <数值>" | sudo tee -a /etc/security/limits.conf`

# Check current limits with `ulimit -n`

安全加固:

代码片段

# SELinux策略调整（如需要）
sudo setsebool -P httpd_can_network_connect on`

# Firewall规则（如需要开放端口）
sudo firewall-cmd --permanent --add-port=5000/tcp && sudo firewall-cmd --reload`

Docker容器化部署（可选）

如果你想在Docker中运行Semantic Kernel应用：

Dockerfile示例:

代码片段

FROM rockylinux:9 

RUN dnf update -y && \
    dnf install python39 python39-devel git openssl-devel bzip2-devel libffi-devel gcc make -y && \
    alternatives --set python /usr/bin/python3 

WORKDIR /app 

COPY requirements.txt . 
RUN python -m pip install --upgrade pip && \
    pip install virtualenv && \
    python -m virtualenv venv && \
    source venv/bin/activate && \
    pip install -r requirements.txt 

COPY . . 

CMD ["venv/bin/python", "your_app.py"]

构建并运行：

代码片段

docker build -t semantic-kernel-app . 
docker run -it semantic-kernel-app

Systemd服务管理（生产部署）

对于生产环境部署，可以创建systemd服务单元文件：

代码片段

[Unit] 
Description=Semantic Kernel Application Service 

[Service] 
User=appuser 
Group=appuser 
WorkingDirectory=/opt/semantic_kernel_app 

ExecStart=/opt/semantic_kernel_app/skenv/bin/python /opt/semantic_kernel_app/app.py 

Restart=always 

[Install] 
WantedBy=multi-user.target

保存为/etc/systemd/system/semantickernel.service后执行：

代码片段

sudo systemctl daemon-reload 
sudo systemctl enable semantickernel.service 
sudo systemctl start semantickernel.service 

# Check status with: sudo systemctl status semantickernel.service

GPU加速支持（高级）

如果你的Rocky Linux服务器有NVIDIA GPU：

CUDA工具包安装:

首先按照NVIDIA官方文档添加CUDA仓库，然后：

代码片段

sudo dnf module install nvidia-driver:latest-dkms  
sudo dnf install cuda  

nvidia-smi # Verify installation

GPU加速的Python库:

在虚拟环境中重新安装支持GPU的PyTorch等库：

代码片段

pip uninstall torch torchvision torchaudio  
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

注意检查与Semantic Kernel版本的兼容性。

CI/CD集成建议（DevOps）

对于持续集成和部署考虑：

GitHub Actions工作流示例片段：

代码片段

jobs:  
 test:  
 runs-on: ubuntu-latest  
 steps:  
 - uses: actions/checkout@v4  

 - name: Set up Python  
 uses: actions/setup-python@v4  
 with:  
 python-version: '3.x'  

 - name: Install dependencies  
 run: |  
 python -m pip install --upgrade pip  
 pip install flake8 pytest pytest-cov semantic-kernel  

 - name: Run tests  
 run: |  
 pytest tests/ --cov=./src/ --cov-report=xml  

 # Add additional steps for deployment as needed

2.Ansible Playbook示例片段:

对于大规模部署可以使用Ansible自动化：

代码片段

---   
- hosts: all    
 become: yes    
 tasks:    
 - name: Install dependencies    
 yum:    
 name: ['python39', 'git', 'gcc', 'make']    
 state: present    

 - name: Clone repo    
 git:    
 repo: 'https://github.com/your/repo.git'    
 dest: /opt/app    

 # Additional configuration steps...

Monitoring and Logging

生产环境监控建议设置：

1.日志记录配置:

在Python代码中添加结构化日志记录：

代码片段

import logging   

logging.basicConfig(level=logging.DEBUG)   

logger = logging.getLogger(__name__)   

try:
 kernel.run(...)     
except Exception as e:
 logger.error(f"Kernel execution failed {str(e)}")

2.Prometheus监控指标:

添加prometheus_client暴露指标端点：

代码片段

from prometheus_client import start_http_server   

start_http_server(8000) # Metrics available on port8000/metrics

结合Grafana仪表板进行可视化监控。

通过以上完整指南，你应该能够在Rocky Linux9上成功搭建和运行SemanticKernal应用。根据你的具体需求选择适合的组件和配置方式。

微信扫码登录

Rocky Linux 9Semantic Kernel安装配置一条龙教程 (含疑难解答)

Rocky Linux 9 Semantic Kernel 安装配置一条龙教程 (含疑难解答)

引言

准备工作

步骤1：系统更新和环境准备

步骤2：安装Python虚拟环境

步骤3：安装Semantic Kernel Python包

步骤4：验证安装

步骤5：配置API密钥（可选）

C#开发环境设置（可选）

常见问题解答（疑难解答）

Q1: ModuleNotFoundError: No module named ‘semantic_kernel’

Q2: SSL证书验证失败错误

Q3: Python版本兼容性问题

Q4: API调用速率限制错误

Rocky Linux特定优化建议

Docker容器化部署（可选）

Systemd服务管理（生产部署）

GPU加速支持（高级）

CI/CD集成建议（DevOps）

Monitoring and Logging