摘要：在AI应用开发领域，.NET开发者如今有了更高效的选择——.NET官方推出的AI Chat模板，该模板以Blazor为核心构建Web交互界面，能帮助开发者快速搭建支持自定义数据对话的AI应用，大幅简化了AI服务集成、向量存储配置等复杂流程。本文将从模板核心优势
在AI应用开发领域，.NET开发者如今有了更高效的选择——.NET官方推出的AI Chat模板，该模板以Blazor为核心构建Web交互界面，能帮助开发者快速搭建支持自定义数据对话的AI应用，大幅简化了AI服务集成、向量存储配置等复杂流程。本文将从模板核心优势、环境准备、安装与创建、多AI服务配置、功能探索及运行测试等方面，全面解析这一工具的使用方法。
该模板基于Blazor Interactive Server架构开发，专为.NET AI应用打造，核心优势体现在“开箱即用”和“高度适配”两大维度，能解决开发者在AI应用开发中的多个痛点：
1. 自动化配置，减少重复工作：模板已预设Microsoft.Extensions.AI系列核心依赖包，自动注册AI服务（如对话客户端、嵌入生成器）、向量存储和数据库上下文，无需手动编写基础配置代码。 2. 完整UI组件，无需从零设计：内置Blazor聊天界面，支持AI回复的富文本格式化（如列表、引用），并自动添加数据引用标注（点击可跳转至原始文档段落），满足对话场景的交互需求。 3. 多AI服务兼容，灵活切换：官方支持GitHub Models、Azure OpenAI、openai、Ollama四大主流AI服务提供商，开发者可根据需求选择云端或本地模型，无需修改整体架构。 4. 本地向量存储，降低原型成本：默认提供本地磁盘向量存储（JSONVectorStore），适合快速原型开发，无需额外部署分布式向量数据库。 5. 自动文档解析：预设SQLite数据库上下文，可自动解析项目指定目录（如）中的文档（支持示例文件及自定义上传文件），生成向量数据用于后续检索。在使用模板前，需确保本地环境满足以下要求，避免后续出现兼容性问题：
必备组件
具体要求
说明
.NET SDK .NET 9.0 SDK 模板基于.NET 9.0开发，低版本SDK可能导致模板安装或项目运行失败，可通过 dotnet --version命令验证版本。开发工具（可选） Visual Studio 2022 / Visual Studio Code（需安装C# Dev Kit） 支持UI界面操作（如创建项目、管理用户密钥），也可仅使用终端通过.NET CLI完成所有操作。额外依赖（按AI服务选择）
- GitHub Models：需GitHub账号- Azure OpenAi：需Azure账号及OpenAI资源
- OpenAI：需OpenAI API密钥
- Ollama：需本地安装Ollama客户端
不同AI服务的认证方式不同，需提前准备对应账号或本地环境。
该AI Chat模板通过NuGet发布，需使用.NET CLI命令全局安装，操作步骤如下：
1. 打开终端（Windows：PowerShell/命令提示符；macOS/Linux：Terminal）。
2. 执行以下命令，安装模板包：
dotnet new install Microsoft.Extensions.AI.Templates 3. 安装完成后，可通过 dotnet new list命令验证，若输出中包含AI Chat Web App (aichatweb)，则说明模板安装成功。模板支持通过Visual Studio、Visual Studio Code、.NET CLI三种方式创建项目，其中Visual Studio和.NET CLI支持自定义AI服务提供商和向量存储，VS Code暂仅支持默认配置。以下分场景说明关键步骤：
4.1 通用配置说明无论选择哪种方式，创建项目时需确认三个核心参数：
• Framework：固定选择.NET 9.0（模板仅支持该版本）。 • AI服务提供商（Provider）：可选githubmodels（GitHub Models）、azureopenai（Azure OpenAI）、openai（OpenAI）、ollama（本地Ollama）。 • 向量存储（Vector Store）：默认选择local（本地磁盘，适合原型开发）。4.2 方式1：使用Visual Studio（推荐，可视化配置）1. 打开Visual Studio 2022，点击「File > New > Project」。
2. 在“创建新项目”页面搜索「AI Chat Web App」，选择匹配模板后点击「Next」。
3. 配置项目名称和存储路径，点击「Next」。
4. 在“附加信息”页面：
• 框架选择「.NET 9.0」。
• AI服务提供商选择目标平台（如「GitHub Models」）。
• 向量存储选择「Local on-disc (for prototyping)」。
• （Azure OpenAI专属）勾选「Use keyless authentication for Azure services」（基于Microsoft Entra ID免密钥认证）。
5. 点击「Create」，项目将自动生成并加载所有依赖。
4.3 方式2：使用.NET CLI（跨平台，命令行高效创建）cd ~/Projects/AIApps # 示例路径，可自定义 2. 执行 dotnet new命令，指定参数创建项目（以Ollama为例）：dotnet new aichatweb --Framework net9.0 --provider ollama --vector-store local • 若需创建GitHub Models项目，将 --provider ollama替换为--provider githubModels；Azure OpenAI替换为--provider azureopenai，以此类推。code .4.4 方式3：使用Visual Studio Code（默认配置，适合快速尝试）
1. 打开VS Code，按下「Ctrl+Shift+P」（macOS：「Cmd+Shift+P」）打开命令面板。
2. 搜索「.NET: New Project」并选择。
3. 搜索「AI」过滤模板，选择「AI Chat Web App」并按回车。
4. 选择项目存储路径，等待项目生成（默认使用OpenAI作为服务提供商，本地向量存储）。注意：VS Code命令面板创建的项目无法自定义参数，若需指定AI服务或框架，需后续手动修改配置文件，或改用前两种方式。
项目创建后，需根据选择的AI服务提供商完成认证配置，确保应用能正常调用AI模型。以下分四大场景详解配置步骤：
5.1 场景1：对接GitHub Models（需个人访问令牌）步骤1：创建GitHub个人访问令牌（PAT）1. 登录GitHub，进入「Settings > Developer settings > Personal access tokens」。
2. 点击「Generate new token」，输入令牌名称（如「.NET AI App」）。
3. 在「Permissions」中找到「Models」，勾选「Access: Read-only」（仅需只读权限）。
4. 点击「Generate token」，复制生成的令牌（仅显示一次，需立即保存）。
步骤2：配置令牌到项目（二选一）打开Program.cs，找到以下代码，可替换为GitHub Models支持的其他模型：// 默认使用gpt-4o-mini（对话）和text-embedding-3-small（嵌入）var chatClient = ghModelsClient.AsChatClient("gpt-4o-mini");
var embeddingGenerator = ghModelsClient.AsEmbeddingGenerator("text-embedding-3-small");5.2 场景2：对接Azure OpenAI（免密钥+角色授权）
Azure OpenAI支持基于Microsoft Entra ID的免密钥认证，无需手动配置API密钥，步骤如下：
步骤1：创建Azure OpenAI资源与模型部署1. 登录Azure门户（ portal.azure.com ），搜索「Azure OpenAI」并创建资源。
2. 资源创建后，进入「Model deployments」，点击「Create deployment」：
• 部署「gpt-4o-mini」（对话模型），部署名称保持与模型名一致。
• 再部署「text-embedding-3-small」（嵌入模型），部署名称同样保持一致。
步骤2：分配Azure AI Developer角色1. 在Azure OpenAI资源页面，点击左侧「Access control (IAM)」。
2. 点击「Add > Add role assignment」，搜索「Azure AI Developer」角色并选择。
3. 选择「User, group, or service principal」，添加你的Azure账号（需与本地开发工具登录账号一致）。
4. 完成角色分配（通常5分钟内生效）。
步骤3：配置Azure OpenAI端点 • Visual Studio：右键项目 > 「Manage User Secrets」，添加端点：{"AzureOpenAi:Endpoint": "https://你的资源名.openai.azure.com/"
} • .NET CLI：执行命令：dotnet user-secrets set AzureOpenAi:Endpoint "https://你的资源名.openai.azure.com/"5.3 场景3：对接OpenAI（需API密钥）步骤1：获取OpenAI API密钥
1. 登录OpenAI官网（ platform.openai.com ），进入「API keys」页面。
2. 点击「Create new secret key」，输入名称并复制密钥（保存备用）。
步骤2：配置API密钥到项目 • Visual Studio：「Manage User Secrets」中添加：{"OpenAi:Key": "你的OpenAI API密钥"
} • .NET CLI：执行：dotnet user-secrets set OpenAi:Key "你的OpenAI API密钥"5.4 场景4：对接本地Ollama（无需云端，隐私优先）
Ollama是本地AI模型运行工具，适合对数据隐私有要求的场景，配置步骤如下：
步骤1：启动Ollama服务1. 确保已本地安装Ollama（下载地址： ollama.com ）。
2. 打开终端，执行以下命令启动Ollama服务：
步骤2：拉取默认模型模板默认使用若需使用其他模型（如），可执行，并修改Program.cs中的模型名称。打开Program.cs，确认Ollama客户端配置与本地模型匹配：// 若更换模型，修改第二个参数（如"mistral"）IChatClient chatClient = new OllamaApiClient(
new Uri("http://localhost:11434"),
"llama3.2");
IEmbeddingGeneratorstring, Embeddingfloat>> embeddingGenerator = new OllamaApiClient(
"all-minilm");
生成的项目为Blazor Interactive Server应用，核心结构和预设功能如下，帮助开发者快速定位关键代码：
6.1 核心目录与文件路径
作用
Program.cs核心配置文件：注册AI服务（IChatClient、IEmbeddingGenerator）、向量存储（JsonVectorStore）、SQLite数据库上下文。 文档存储目录：放入的文档（如PDF、TXT）会被自动解析为向量数据，用于AI对话的上下文检索。 Components/Pages/Chat.razor聊天界面组件：包含消息输入框、对话历史展示、引用标注等UI元素，逻辑与UI分离。 Services/ 业务服务目录：包含文档处理（如 DocumentIngestionService）、AI对话逻辑等自定义服务。obj/Debug/net9.0/ 编译输出目录：包含生成的向量数据（ JsonVectorStore文件）和SQLite数据库文件。6.2 预设核心服务模板在中自动注册了三大关键服务，无需手动注入： 1. IChatClient：对话客户端，负责与AI模型交互，发送用户prompt并接收回复。 2. IEmbeddingGenerator：嵌入生成器，将文档内容和用户问题转换为向量，用于向量搜索匹配相关文档片段。 3. JsonVectorStore：本地向量存储，以JSON格式存储向量数据，适合小规模原型开发（生产环境可替换为Azure Cognitive Search等）。 4. SQLite数据库上下文：负责文档元数据的存储和查询，支持批量导入多格式文档。配置完成后，即可启动应用并测试自定义数据对话功能，步骤如下：
7.1 启动应用 • Visual Studio：点击顶部「启动」按钮（或按F5），自动编译并在浏览器打开应用。 • .NET CLI：在项目根目录执行：dotnet run执行成功后，终端会显示应用访问地址（如），复制到浏览器打开。
7.2 测试对话功能1. 浏览器中会显示Blazor聊天界面，包含「New chat」按钮、对话历史区和输入框。
2. 输入与示例文档相关的问题（如模板自带“生存工具包”示例文档，可输入「生存工具包中有哪些必备工具？」）。
3. 点击发送后，应用会先检索 中的文档向量，再结合AI模型生成回复，并在回复下方显示数据来源（如「Example.pdf」，点击可查看原文片段）。7.3 自定义文档测试 1. 将自定义文档（如 产品手册.pdf）放入目录。2. 重启应用（确保文档被解析）。
3. 输入与文档相关的问题（如「产品手册中提到的保修政策是什么？」），AI会基于该文档内容生成回复并标注来源。
完成基础功能测试后，可基于模板进行进一步扩展，满足生产环境需求：
1. 替换向量存储：将本地JsonVectorStore替换为Azure Cognitive Search、Pinecone等分布式向量数据库，支持大规模文档检索。 2. 优化UI体验：基于Blazor组件自定义聊天界面，添加消息加载动画、主题切换、历史对话保存等功能。 3. 支持更多文档格式：扩展DocumentIngestionService，增加对Word、Excel、Markdown等格式的解析支持。 4. 集成.NET Aspire：通过.NET Aspire实现应用的容器化部署和服务编排，简化多环境配置管理。 5. 添加用户认证：集成Microsoft Entra ID或Identity Server，实现多用户访问控制和对话数据隔离。通过.NET官方AI Chat模板，开发者无需从零搭建AI应用架构，只需聚焦业务逻辑和自定义数据，即可快速实现具备“文档检索+AI对话”能力的Web应用。无论是原型验证还是小规模生产部署，该模板都能大幅提升开发效率，是.NET生态中AI应用开发的重要工具。
来源：opendotnet
