首页> 都市> KingFlow AI API中转站接入 Semantic Kernel 教程

KingFlow AI API中转站接入 Semantic Kernel 教程

著

本文标签：

KingFlow AI API中转站接入 Semantic Kernel 教程使用 OpenAI 兼容接口构建多轮对话与可治理的模型调用 Semantic Kernel 用服务、提示和会话历史组织模型调用。KingFlow AI 提供 OpenAI Chat Completions 兼容接口。Python 版接入时，可以把带有自定义 base_url 的

来源：KingFlow AI 主角: 更新: 2026-11-05 10:22:35

在线阅读

【扫一扫】手机随心读

读书简介

KingFlow AI API中转站接入 Semantic Kernel 教程

KingFlow AI API中转站接入 Se**ntic Kernel 教程

使用 OpenAI 兼容接口构建多轮对话与可治理的模型调用

Se**ntic Kernel 用服务、提示和会话历史组织模型调用。KingFlow AI 提供 OpenAI Chat Completions 兼容接口。Python 版接入时，可以把带有自定义 *ase_url 的 AsyncOpenAI 客户端交给 OpenAIChatCompletion。本文从基础接口验证开始，完成单轮与多轮对话，并说明密钥、超时、重试、会话裁剪和上线验收。

Claude中转、Claude中转站、API中转和API中转站的实际接入均需核对协议与模型权限。

内容核验日期 2026-11-05

常用接入术语

名称	常见含义	使用提示
Claude中转	把请求转发到可用 Claude 模型的接入方式	核对协议和模型权限
Claude中转站	提供 Claude 密钥、额度和路由管理的平台	Claude 客户端通常关注 Anthropic 协议
API中转	通过兼容接口转发不同模型请求	需要核对协议和端点格式
API中转站	提供统一 API 接入、模型选择和用量管理的服务	本文标题使用这一常见称呼

接入架构

环节	职责	注意事项
Python 应用	保存业务逻辑、提示和会话入口	密钥不写入源码
Se**ntic Kernel	注册****并管理 ChatHistory	使用明确的 service_id
AsyncOpenAI	承载 API Key、*ase_url 和连接配置	ase *L 填写到 /v1
OpenAIChatCompletion	把兼容客户端接入 Kernel	模型 ID 以控制台为准
KingFlow AI	认证密钥并路由模型请求	ase *L 填写到 /v1
目标模型	生成单轮和多轮对话结果	完整模型 ID 以控制台为准

接入优势

Se**ntic Kernel 用 service_id 区分不同模型服务，测试、生产或不同模型可以独立配置。
ChatHistory 明确保存系统、用户和助手消息，适合构建可检查的多轮对话。
自定义 AsyncOpenAI 客户端可以显式设置兼容端点，也可以统一设置超时和有限重试。
Kernel 还能继续接入提示函数和插件；基础连接验证通过后再增加自动函数调用更容易排错。
KingFlow 控制台集中管理模型、密钥和用量，便于隔离不同环境。

开始前的准备

准备 Python 3.10 或更高版本，并安装 uv。
在 KingFlow AI 控制台创建以 sk- 开头的 API Key，确认余额和模型分组可用。
复制目标模型的完整模型 ID，并确认上下文窗口满足待处理文档长度。
准备少量脱敏测试文本，首次联调不要直接加载生产知识库。
确认运行环境可以访问 api.**nju**shen.com。

创建 Se**ntic Kernel 测试项目

uv init se**ntic-kernel-kingflow-demo
cd se**ntic-kernel-kingflow-demo
uv add se**ntic-kernel openai python-dotenv

验证 KingFlow 基础接口

curl https://api.**nju**shen.com/v1/chat/completions \
  -H "Authorization: *earer sk-你的密钥" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "<KingFlow控制台中的完整模型ID>",
    "messages": [{"role": "user", "content": "只回复 SK_READY"}],
    "stream": false
  }'

配置环境变量

KINGFLOW_*ASE_**L=https://api.**nju**shen.com/v1
KINGFLOW_API_KEY=sk-你的密钥
KINGFLOW_MODEL=<KingFlow控制台中的完整模型ID>

.env
.venv/
__pycache__/
logs/

编写多轮对话示例

import asyncio
import os

from dotenv import load_dotenv
from openai import AsyncOpenAI
from se**ntic_kernel import Kernel
from se**ntic_kernel.connectors.ai.open_ai import (
    OpenAIChatCompletion,
    OpenAIChatPromptExecutionSettings,
)
from se**ntic_kernel.contents import ChatHistory

load_dotenv()

async def **in():
    client = AsyncOpenAI(
        api_key=os.environ["KINGFLOW_API_KEY"],
        *ase_url=os.environ["KINGFLOW_*ASE_**L"],
        timeout=60.0,
        **x_retries=2,
    )
    service = OpenAIChatCompletion(
        ai_model_id=os.environ["KINGFLOW_MODEL"],
        service_id="kingflow-chat",
        async_client=client,
    )
    kernel = Kernel()
    kernel.add_service(service)
    settings = OpenAIChatPromptExecutionSettings(
        service_id="kingflow-chat",
        temperature=0.2,
        **x_tokens=800,
    )

    history = ChatHistory(system_message="回答简洁；不确定时明确说明。")
    history.add_user_message("只回复 SEMANTIC_KERNEL_CONNECTED")
    first = await service.get_chat_message_content(
        chat_history=history, settings=settings, kernel=kernel
    )
    print(first.content)
    history.add_assistant_message(first.content or "")

    history.add_user_message("上一条要求你回复什么？")
    second = await service.get_chat_message_content(
        chat_history=history, settings=settings, kernel=kernel
    )
    print(second.content)

asyncio.run(**in())

观察流式输出

async for chunk in service.get_streaming_chat_message_content(
    chat_history=history,
    settings=settings,
    kernel=kernel,
):
    print(chunk.content or "", end="", flush=True)

Semantic Kernel 治理流程三维图 — 图二 Se**ntic Kernel 多轮会话、密钥、额度、重试和审计流程。AI 生成示意图。

运行和验证

uv run python **in.py

先执行 KingFlow 基础请求，确认返回 SK_READY。
创建 .env 和 .gitignore，再将完整示例保存为 **in.py。
运行程序，确认第一轮返回 SEMANTIC_KERNEL_CONNECTED。
检查第二轮是否能根据 ChatHistory 复述上一条要求。
在 KingFlow 控制台核对模型、密钥、调用次数和 Token 用量。

检查点	预期结果	判断依据
基础接口	返回 SK_READY	端点、密钥和模型可用
****	返回 SEMANTIC_KERNEL_CONNECTED	兼容客户端配置生效
会话历史	第二轮能复述上一条要求	用户和助手消息已写入历史
服务选择	请求由 kingflow-chat 处理	service_id 与设置一致
平台记录	控制台出现对应调用	模型、密钥与用量符合预期

正式环境配置

ChatHistory 会随轮次增长；生产环境应按 Token 预算裁剪、摘要或归档旧消息。
不同环境使用独立 service_id、密钥和额度，避免测试流量进入生产账单。
先验证聊天补全，再启用插件和自动函数调用；函数调用还需要模型支持与参数校验。
工具或插件执行前检查用户权限，高风险操作需要人工确认并记录审计事件。
为 429 和 503 设置有限退避重试，并同时限制并发、请求时长和 Token 预算。
记录查询 ID、文档版本、模型、状态码、耗时和用量，但不要记录完整密钥和敏感原文。

文档与密钥安全

只在 .env、密钥管理器或部署平台 Secret 中保存 API Key，并定期轮换。
把系统提示、用户输入和工具返回值视为不可信数据，进入日志前完成脱敏。
插件执行前验证参数、身份和权限，禁止模型直接拼接系统命令或数据库语句。
多轮会话设置过期时间和删除机制，不把敏感历史长期保存在进程内存。
为开发、测试和生产设置独立密钥、额度和告警，异常用量出现后立即停用旧密钥。

上线检查清单

基础接口已经返回 SK_READY。
KINGFLOW_*ASE_**L 为 https://api.**nju**shen.com/v1。
KINGFLOW_MODEL 使用控制台中的完整模型 ID。
AsyncOpenAI 已设置 *ase_url、超时和有限重试。
.env 已被 .gitignore 排除，仓库中没有明文密钥。
Se**ntic Kernel 使用明确的 service_id 注册服务。
ChatHistory 已通过两轮对话验证上下文连续性。
KingFlow 控制台的模型、密钥和用量符合预期。

常见故障排查

现象	常见原因	处理方法
返回 401	密钥错误、停用或 .env 未加载	检查变量名与文件位置，必要时重新创建密钥
返回 404	ase *L 或模型 ID 错误	保留 /v1，并复制控制台中的完整模型 ID
返回 429	额度不足、余额不足或请求过快	检查用量并降低并发，采用有限退避
返回 503	模型通道暂时不可用	稍后有限重试或切换已开通模型
ase *L 不生效	把 *ase_url 写给了错误的构造器	在 AsyncOpenAI 中设置 *ase_url，再传入 async_client
返回 None	服务无文本内容或请求异常	检查状态码和 finish_reason，输出前处理空值
多轮失忆	未把助手回复写回 ChatHistory	每轮完成后追加 assistant 消息
上下文过长	历史消息持续累积	按 Token 预算裁剪、摘要或开启新会话

《KingFlow AI API中转站接入 Semantic Kernel 教程》资讯列表：

KingFlow AI API中转站接入 Semantic Kernel 教程

相关小说

为您推荐

小说标签