n 在人工智能技術急速發展的時代，真正掌握新函式庫和架構的最佳方式是動手實踐。作為一名軟體開發者，我啟動了 .NET AI 架構實驗室專案，旨在揭開整合大語言模型至我們應用程式的底層機制，並探索建立靈活、模組化架構的絕對邊界。

對我而言，這間實驗室遠非商業行為；它是一段個人學習旅程，我在其中發現新技術、記錄我的發現，並建立一個基於企業級架構標準的沙盒.

🎯 為何這間實驗室？

我這個專案的主要動機是超越標準「快速啟動」文件，真正掌握AI整合背後的工程哲學。我為這個實驗室設立的核心理目標包括：

理解廚房：超越基本的API呼叫，深入理解將LLMs視為即插即用引擎的建築成本和機制。

鍛鍊我自己的標準：手工製作和測試最乾淨、最可持續的設計模式，用於.NET生態系統中的AI整合.

為未來的科技做準備：超越成為現成庫的消費者，達到一個我可以在從頭開始設計端到端AI數據流程、協調和安全的能力水平.

🧠 我的學習旅程如何進行中

這個過程是極其有收穫、充滿教育意義和發現的經驗。這段旅程至今的幾個亮點：

適應一個不斷發展的生態系統：經歷 live 版本升級、變更方法名稱以及在像 Microsoft.Extensions.AI 和最新官方供應商 SDK（例如 Google.GenAI）這樣高度初創的庫中出現的破壞性變更，是一段非凡的學習經驗。

迎娶剛性與流動性：我學習了如何建立一個翻譯橋樑，連接嚴謹、型態安全的 .NET 世界和高度流動、不可預測的生成式 AI 輸出特性.

從失敗中學習：在開發過程中遇到角色匹配差異、驗證障礙以及模式對齊問題，讓我能夠更深入地理解這些函式庫背後的運作方式。

🛠️ 我在第一階段所達成的

實驗室的第一次階段完全專注於建立一個乾淨的「腦」架構，完全隔離外部供應商鎖定：

企業設置 & 安全性：我使用 .NET 10 最小 API 建立基礎。而不是透過程式碼傳遞脆弱的 API 金鑰，我透過應用程式預設認證 (ADC) 並利用 Google Vertex AI 透過 IAM 和服務帳戶 (vertex-key.json) 機制，建立企業安全標準。

透過適配器模式進行抽象：為了避免 API 端點與原生 Google SDK 緊密耦合，我開發了一個自定義適配器 (GoogleGenAIChatClient)，該適配器實現了 Microsoft 的標準 IChatClient 接口。

型安全 JSON 管理：為了確保原始 AI 輸出能夠安全且直接地反序列化為 C# 物件（架構審查），我實施了嚴格的模式控制。透過微調參數（例如溫度降低至 0.2f）並設定回應 MIME 類型，我成功地鎖定了模型的輸出格式。

動態提供者路由：我設計了一個優雅的依賴注入 (DI) 架構，能夠在執行時切換不同的底層 AI 引擎，只需修改 appsettings.json 中的一行即可（例如，SelectedProvider: "Gemini"）。

🚀 下一個步驟是？（第二階段及以後）

現在核心基礎設施已經完全與提供者無關，是時候在實驗室內測試更多自主工作流程了：

賦予 AI 手腳（協調）：我將整合 Microsoft.SemanticKernel 到專案中，向模型呈現原生 C# 函數（原生插件），開啟自主執行迴圈實驗的大门.

程式碼分析能力（函數呼叫）：我將開發的第一個插件將測試模型的能夠掃描儲存庫中的真實 C# 源檔案並生成自主架構審查。

UI & 可視化：為了可視化分析結果並追蹤模型性能指標隨時間的變化，我將建立一個由 Angular 19 驅動的架構儀表板。

先進記憶 & 代理機構 (RAG &) 代理): 在後期階段，我計劃探索向量數據庫整合（PostgreSQL/pgvector）並透過模型上下文協議（MCP）進入多代理系統。

🔗 探索程式碼

第一階段的完整藍圖、架構藍圖和逐步實現文件都是開源的。隨意探索、克隆或隨著實驗室發展一起跟進：

👉 GitHub Repository: github.com/muratsuzen/dotnet-ai-lab