BotSharp框架示例 ——实现聊天机器人，并通过 DeepSeek V3实现 function calling


本文通过仔细研究 BotSharp 框架的示例代码PizzaBot，实现以下内容：
1、分析Botsharp实现聊天机器人的基本组成部分；
2、模仿PizzaBot一步一步搭建自己的聊天机器人；
3、通过分析PizzaBot，实现控制agent 驱动不同的大模型；
4、实现大模型调用本地函数的示例。

一、一点点感悟

深刻感觉.Net在AI领域已经有很多优秀的框架可以使用，但是苦于资料太少，本人就研究这一个小小的例子，就花费了很长的时间。
真希望 出现以前那种一步一步学xxx 类似的文章，能引导学习的人快速上手。
真希望本例子能够作为一个投石问路，会有更多的人来分享实际的案例，清晰的使用指南。

二、创建项目

闲言少叙，开始模仿。
本文 参考
1、Botsharp的示例 PizzaBot
2、Botsharp的官方文档：https://botsharp.verdure-hiro.cn/guide/agent/hook

1、创建项目

目标是搭建一个关于天气咨询的一个聊天机器人，
所以 模仿PizzaBot 创建了三个项目
1、创建类库MyWeatherPlugin（主要部分，承载AgentHook、ConversationHook，以及本地Function的定义）
2、创建类库WeatherApiDefaultService（用于模拟PizzaBot，实现默认的服务注册和方法–此处经过测试，也可以不添加，不是必须要执行的步骤）
3、创建WebAPI项目MyWeatherAPI（通过配置、启动聊天机器人，主要关注配置文件和启动类）

2、添加引用

通过测试，需要添加以下 引用：
1、MyWeatherPlugin中需要添加 BotSharp.Core的引用
2、WeatherApiDefaultService 因为 是非必须的，可以不用添加这个项目了，如果添加了，可以 照着PizzaBot照搬下
3、MyWeatherAPI 需要添加 以下类库引用：

 BotSharp.Core
 BotSharp.Abstraction
 BotSharp.Logger
 BotSharp.OpenAPI
 BotSharp.Plugin.ChatHub

由于本例中使用到了 DeepSeek，所以要引用

BotSharp.Plugin.DeepSeekAI

在之前的探索中还使用过 llama本地模型，如果要用llama模型的话，要引用 以下的库

BotSharp.Plugin.LLamaSharp
LLamaSharp
LLamaSharp.Backend.Cpu
LLamaSharp.Backend.Cuda12

3、MyWeatherPlugin项目代码编写

模拟Pizzabot，添加 以下内容
1）添加公共using文件
2）添加MyWeatherPlugin
注意，MyWeatherPlugin文件中需要注册注册一些AgentId，示例中使用的 是 启动后通过postman 创建agent的方法（引用见 Botsharp的官方文档：https://botsharp.verdure-hiro.cn/guide/agent/hook，有启动postman workspace的链接）

using BotSharp.Abstraction.Agents;
using BotSharp.Abstraction.Conversations;
using BotSharp.Abstraction.Plugins;
using MyWeatherPlugin.Hooks;

namespace MyWeatherPlugin
{
    public class MyWeatherPlugin: IBotSharpPlugin
    {
        public string Id => "1c8270eb-de63-4ca0-8903-654d83ce5ece";
        public string Name => "MyWeather AI Assistant";
        public string Description => "An example of an Weather AI Chatbot.";
        public string IconUrl => "https://cdn-icons-png.flaticon.com/512/6978/6978255.png";
        public string[] AgentIds => new[]
        {
            "01fcc3e5-0af7-49e6-ad7a-a760bd12dc4d",
            "01fcc3e5-9af7-49e6-ad7a-a760bd12dc4a",
            "6745151e-6d46-4a02-8de4-1c4f21c7da95",
            "dfd9b46d-d00c-40af-8a75-3fbdc2b89869"
        };

        public void RegisterDI(IServiceCollection services, IConfiguration config)
        {
            // Register hooks
            services.AddScoped<IAgentHook, MyWeatherAgentHook>();
            //services.AddScoped<IConversationService, MyWeatherConversationHook>();
        }
    }
}

3）新建 Hooks的目录，参考Pizzabot，添加agenthook和 conversationhook
CommonAgentHook
MyWeatherAgentHook
MyWeatherConversationHook
agent是一个智能体，可以决定调用某一个具体的大模型，决定使用什么provider。
conversation是一个会话，也就是一个上下文，是LLM模型都需要的一个参数，用于通过上下文来推理用户的问题。
所以这里的agentHook 是botsharp中用于注册agent和agent行为的 程序，能决定 agent在创建时、加载时等各个事件发生时的一些自定义行为。
本例中没有涉及，但是在实验的时候，通过添加不同的方法，是能够验证，这些事件是能够顺利被触发的。
conversationhook 同理

代码分别是：

using BotSharp.Abstraction.Agents;

namespace MyWeatherPlugin.Hooks
{
    public class CommonAgentHook : AgentHookBase
    {
        public override string SelfId => string.Empty;

        public CommonAgentHook(IServiceProvider services, AgentSettings settings)
            : base(services, settings)
        {
        }

        public override bool OnInstructionLoaded(string template, Dictionary<string, object> dict)
        {
            dict["current_date"] = DateTime.Now.ToString("MM/dd/yyyy");
            dict["current_time"] = DateTime.Now.ToString("hh:mm tt");
            dict["current_weekday"] = DateTime.Now.DayOfWeek;
            return base.OnInstructionLoaded(template, dict);
        }
    }

}


using BotSharp.Abstraction.Agents.Enums;
using BotSharp.Abstraction.Agents;
using BotSharp.Abstraction.Functions.Models;

namespace MyWeatherPlugin.Hooks
{
    public class MyWeatherAgentHook : AgentHookBase
    {
        public override string SelfId => BuiltInAgentId.AIAssistant;

        public MyWeatherAgentHook(IServiceProvider services, AgentSettings settings)
            : base(services, settings)
        {
        }

        public override bool OnInstructionLoaded(string template, Dictionary<string, object> dict)
        {
            return base.OnInstructionLoaded(template, dict);
        }

       
    }

}


using BotSharp.Abstraction.Conversations.Models;
using BotSharp.Abstraction.Conversations;

namespace MyWeatherPlugin.Hooks
{
    public class MyWeatherConversationHook : ConversationHookBase
    {
        private readonly IServiceProvider _services;
        private readonly IConversationStateService _states;

        public MyWeatherConversationHook(IServiceProvider services,
            IConversationStateService states)
        {
            _services = services;
            _states = states;
        }

        public override async Task OnPostbackMessageReceived(RoleDialogModel message, PostbackMessageModel replyMsg)
        {
            if (replyMsg.FunctionName == "get_my_weather_type")
            {
                // message.StopCompletion = true;
            }
            return;
        }

        public override Task OnTaskCompleted(RoleDialogModel message)
        {
            return base.OnTaskCompleted(message);
        }

#if USE_BOTSHARP
    public override async Task OnResponseGenerated(RoleDialogModel message)
    {
        var agentService = _services.GetRequiredService<IAgentService>();
        var state = _services.GetRequiredService<IConversationStateService>();
        var agent = await agentService.LoadAgent(message.CurrentAgentId);

        if (agent.McpTools.Any(item => item.Functions.Any(x => x.Name == message.FunctionName)))
        {
            var data = JsonDocument.Parse(JsonSerializer.Serialize(message.Data));
            state.SaveStateByArgs(data);
        }

        await base.OnResponseGenerated(message);
    }
#endif
    }

}

4）添加Functions目录， 参考Pizzabot 添加几个function，
这里是本例子的一个重点，这里主要是 通过 function定义，决定一些在本地可以被调用到的自定义行为。这是非常重要的。本例中添加了三个方法：
GetMyWeatherTypeFn
GetWeatherDesFn（这是本例中最后实现调用的方法）
GetWeatherToolFn
方法中的 Execute 方法，决定了最终方法 最终返回给大模型的 文本内容

using BotSharp.Abstraction.Conversations.Models;
using BotSharp.Abstraction.Conversations;
using BotSharp.Abstraction.Messaging.Models.RichContent.Template;
using BotSharp.Abstraction.Messaging.Models.RichContent;
using BotSharp.Abstraction.Messaging;
using System.Text.Json;

namespace MyWeatherPlugin.Functions
{
    public class GetMyWeatherTypeFn : IFunctionCallback
    {
        public string Name => "get_my_weather_type";

        private readonly IServiceProvider _services;
        public GetMyWeatherTypeFn(IServiceProvider services)
        {
            _services = services;
        }

        public async Task<bool> Execute(RoleDialogModel message)
        {
            var states = _services.GetRequiredService<IConversationStateService>();
            var weatherTypes = new List<string>
            {
                "晴天",
                "雨天",
                "雪天"
            };
            message.Content = JsonSerializer.Serialize(weatherTypes);
            message.RichContent = new RichContent<IRichMessage>
            {
                Recipient = new Recipient
                {
                    Id = states.GetConversationId()
                },
                FillPostback = true,
                Message = new ButtonTemplateMessage
                {
                    Text = "Please select a weather type",
                    Buttons = weatherTypes.Select(x => new ElementButton
                    {
                        Type = "text",
                        Title = x,
                        Payload = x
                    }).ToArray()
                }
            };

          

            return true;
        }
    }

}


using BotSharp.Abstraction.Conversations.Models;
using System.Text.Json;

namespace MyWeatherPlugin.Functions;

public class GetWeatherDesFn : IFunctionCallback
{
    public string Name => "get_weather_des";

    public async Task<bool> Execute(RoleDialogModel message)
    {
        message.Data = new
        {
            sunny_desc = "晴空万里，万里无云，艳阳高照，碧海蓝天",
            rainny_desc = "大雨倾盆，电闪雷鸣，乌云密闭，水位猛涨",
            snowny_desc = "鹅毛大雪，原驰蜡象，瑞雪丰年，一片雪白"
        };
        message.Content =JsonSerializer.Serialize(message.Data);
        return true;
    }
}


using BotSharp.Abstraction.Conversations;
using BotSharp.Abstraction.Conversations.Models;

namespace MyWeatherPlugin.Functions;

public class GetWeatherToolFn : IFunctionCallback
{
    public string Name => "get_weather_tool";

    private readonly IServiceProvider _service;
    public GetWeatherToolFn(IServiceProvider service)
    {
        _service = service;
    }

    public async Task<bool> Execute(RoleDialogModel message)
    {
        message.Content = "The weather date is 2025-04-25";
        var state = _service.GetRequiredService<IConversationStateService>();
        state.SetState("weather_date", "2025-04-25");

        return true;
    }
}

最终 MyWeatherPlugin 的结构如图：
在这里插入图片描述

4、WeatherApiDefaultService项目代码编写

因为是非必须的，而且完全参考 Pizzabot中的 defaultservice的，所以这部分就略过了

5、WebAPI MyWeatherAPI 的项目代码编写

看下配置文件： appsettings.json
这是 经过实验，需要保留的一些节点，
保留 jwt节点 是因为botsharp框架中涉及到用户认证
LlmProviders 中保留 本例中用到LLM模型的驱动
PluginLoader 是加载的所有库
注意 填上 自己的 appkey

{
  "Logging": {
    "LogLevel": {
      "Default": "Information",
      "Microsoft.AspNetCore": "Warning"
    }
  },
  "AllowedHosts": "*",
  "AllowedOrigins": [
    "http://localhost:5015",
    "http://0.0.0.0:5015",
    "https://botsharp.scisharpstack.org",
    "https://chat.scisharpstack.org"
  ],

  "Jwt": {
    "Issuer": "botsharp",
    "Audience": "botsharp",
    "Key": "31ba6052aa6f4569901facc3a41fcb4adfd9b46dd00c40af8a753fbdc2b89869"
  },

  "LlmProviders": [
    
    {
      "Provider": "llama-sharp",
      "Models": [
        {
          "Name": "llama-2-7b-guanaco-qlora.Q2_K.gguf",
          "Type": "chat"
        }
      ]
    },
  
    {
      "Provider": "deepseek-ai",
      "Models": [
        {
          "Name": "deepseek-chat",
          "ApiKey": "xxxxx",
          "Endpoint": "https://api.deepseek.com/v1/",
          "Type": "chat",
          "PromptCost": 0.0015,
          "CompletionCost": 0.002
        }
      ]
    }
  ],

  "Router": {
  },

  "Evaluator": {
    "AgentId": "dfd9b46d-d00c-40af-8a75-3fbdc2b89869"
  },

  "Agent": {
    "DataDir": "agents",
    "TemplateFormat": "liquid",
    "HostAgentId": "01fcc3e5-0af7-49e6-ad7a-a760bd12dc4d",
    "EnableTranslator": false,
    "LlmConfig": {
      //"Provider": "llama-sharp",
      //"Model": "llama-2-7b-guanaco-qlora.Q2_K.gguf"
      "Provider": "deepseek-ai",
      "Model": "deepseek-chat"
    }
  },

  "MCP": {
    "Enabled": false,
    "McpClientOptions": {
      "ClientInfo": {
        "Name": "SimpleToolsBotsharp",
        "Version": "1.0.0"
      }
    },
    "McpServerConfigs": [
      {
        "Id": "WeatherServer",
        "Name": "WeatherServer",
        "TransportType": "sse",
        "TransportOptions": [],
        "Location": "http://localhost:58905/sse"
      }
    ]
  },

  "Conversation": {
    "DataDir": "conversations",
    "ShowVerboseLog": false,
    "EnableLlmCompletionLog": false,
    "EnableExecutionLog": true,
    "EnableContentLog": true,
    "EnableStateLog": true,
    "EnableTranslationMemory": false,
    "CleanSetting": {
      "Enable": true,
      "BatchSize": 50,
      "MessageLimit": 2,
      "BufferHours": 12,
      "ExcludeAgentIds": []
    },
    "RateLimit": {
      "MaxConversationPerDay": 100,
      "MaxInputLengthPerRequest": 256,
      "MinTimeSecondsBetweenMessages": 2
    }
  },

  "SideCar": {
    "Conversation": {
      "Provider": "botsharp"
    }
  },



  "ChatHub": {
    "EventDispatchBy": "group"
  },


  "LlamaSharp": {
    "Interactive": true,
    "ModelDir": "F:/models",
    "DefaultModel": "llama-2-7b-guanaco-qlora.Q2_K.gguf",
    "MaxContextLength": 1024,
    "NumberOfGpuLayer": 20
  },

  "AzureOpenAi": {
  },


  "RoutingSpeeder": {
  },


  "Database": {
    "Default": "FileRepository",
    "TablePrefix": "BotSharp",
    "BotSharpMongoDb": "",
    "Redis": "botsharp.redis.cache.windows.net:6380,password=,ssl=True,abortConnect=False",
    "FileRepository": "data",
    "Assemblies": [ "BotSharp.Core" ]
  },


  "Interpreter": {
    "Python": {
      "PythonDLL": "C:/Python313/python313.dll"
    }
  },

  "PluginLoader": {
    "Assemblies": [
      "BotSharp.Core",
      "BotSharp.Core.SideCar",
      "BotSharp.Core.Crontab",     
      "BotSharp.Logger",    
      "BotSharp.Plugin.OpenAI",
      "BotSharp.Plugin.AzureOpenAI",     
      "BotSharp.Plugin.DeepSeekAI",
      "BotSharp.Plugin.MetaMessenger",
      "BotSharp.Plugin.ChatHub",    
      "MyWeatherPlugin",    
      "BotSharp.Plugin.LLamaSharp" 
    ],
    "ExcludedFunctions": [
      "McpToolAdapter"
    ]
  }
}

progam.cs 是启动程序，代码如下

using BotSharp.Abstraction.Conversations;
using BotSharp.Abstraction.Messaging.JsonConverters;
using BotSharp.Abstraction.Users;
using BotSharp.Core;
using BotSharp.Core.Agents;
using BotSharp.Core.MCP;
using BotSharp.Logger;
using BotSharp.OpenAPI;
using BotSharp.Plugin.ChatHub;
using MyWeatherPlugin.Hooks;

var builder = WebApplication.CreateBuilder(args);

// Add services to the container.

builder.Services.AddBotSharpCore(builder.Configuration, options =>
{
    options.JsonSerializerOptions.Converters.Add(new RichContentJsonConverter());
    options.JsonSerializerOptions.Converters.Add(new TemplateMessageJsonConverter());
}).AddBotSharpOpenAPI(builder.Configuration,
builder.Configuration.GetSection("AllowedOrigins").Get<string[]>() ?? new[]
    {
        "http://0.0.0.0:5015",
        "https://botsharp.scisharpstack.org",
        "https://chat.scisharpstack.org"
    }, builder.Environment, true)
 .AddBotSharpLogger(builder.Configuration);

builder.Services.AddControllers();

builder.AddServiceDefaults();
builder.Services.AddSignalR();
var app = builder.Build();

// Configure the HTTP request pipeline.
app.MapHub<SignalRHub>("/chatHub");
app.UseMiddleware<WebSocketsMiddleware>();

app.UseBotSharp()
    .UseBotSharpOpenAPI(app.Environment);

//app.MapControllers();

app.Run();

6、data文件夹中声明agent 、conversation、functions

这是这个例子中 最重要的部分，
1、程序运行
2、通过 官方文档：https://botsharp.verdure-hiro.cn/guide/quick-start/get-started
中的 postman 链接 如下：
在这里插入图片描述
调整成自己的 Host等参数

3）依次 执行
New User Account
Get Access Token
Create Agent
的操作 ，如图：
4
4）这时候要查找下 创建的 agent目录在哪里，应该在 webAPI的bin目录下
\bin\Debug\net9.0\data\agents
我把这个目录 拷贝到 webAPI的根目录 以及 Myweatherplugin项目的根目录下了
注意每次修改的时候 我都同步拷贝了。（实验是有效的，可能不需要，但是这么做是不出错的）

5）假设创建的agentId是本例的 01fcc3e5-0af7-49e6-ad7a-a760bd12dc4d
注意要修改 appsettings.json 中的 agent节点，修改 MyWeatherPlugin 项目中的 MyWeatherPlugin 类中 加载的 agentid数组
然后拷贝 webAPI目录下的 \MyWeatherAPI（解决方案目录）\MyWeatherAPI（webAPI项目目录）\bin\Debug\net9.0\data\agents\01fcc3e5-0af7-49e6-ad7a-a760bd12dc4d
到
\MyWeatherAPI（解决方案目录）\MyWeatherAPI （webAPI项目目录）\data\agents 目录下
同时拷贝到 \MyWeatherAPI\MyWeatherPlugin\data\agents 目录下
以上步骤 可能不是必须的，但是这么做 不出错。（注意后面改了之后 也同步拷贝下）

6）选择修改 MyWeatherPlugin\data\agents\01fcc3e5-0af7-49e6-ad7a-a760bd12dc4d下的配置信息
结构如图：
在这里插入图片描述
改动信息 如下：
functions/get_my_weather_type.json

{
  "name": "get_my_weather_type",
  "description": "获取所有的天气类型，您可以选择后返回响应的描述",
  "parameters": {
    "type": "object",
    "properties": {},
    "required": []
  }
}

functions/get_weather_des.json

{
  "name": "get_weather_des",
  "description": "用户选择了天气后，获取关于天气的描述",
  "parameters": {
    "type": "object",
    "properties": {
      "weather_type": {
        "type": "string",
        "description": "The type of the weather."
      }
    },
    "required": [ "weather_type" ]
  }
}

functions/get_weather_tool.json

{
  "name": "get_weather_tool",
  "description": "提供一个适合天气出行的外带工具.",
  "parameters": {
    "type": "object",
    "properties": {
      "weather_type": {
        "type": "string",
        "description": "天气类型."
      },
      "weather_desc": {
        "type": "string",
        "description": "天气描述."
      }
    },
    "required": [ "weather_type", "weather_desc" ]
  }
}

instructions/instructions.liquid

你是一个关于天气资讯的小助手，你可以根据用户的天气问题，回复天气的描述和不同的天气要带什么工具出门。

根据一下步骤进行操作:
1: 首先回答下用户今天是 {{current_date}},时间是 {{current_time}}.
2: 如果用户一些需求，你需要询问用户是否需要相关帮助。
3: 如果的问题中包含了关键词 {{weather_type}}，你就执行函数 get_my_weather_type 。

response/func.get_weather_des.0.liquid

{% assign weather_type = weather_type | downcase %}
{% if weather_type contains "晴天" -%}
    关于 {{weather_type}} 的描述是 is ${{ sunny_desc }}.您觉得满意吗?
{%- elsif weather_type contains "雨天" -%}
    关于 {{weather_type}} 的描述是 is ${{ rainny_desc }}.您觉得满意吗??
{%- elsif weather_type contains "雪天" -%}
    关于 {{weather_type}} 的描述是 is ${{ snowny_desc }}.您觉得满意吗??
{%- else -%}
    我们没有 {{weather_type}} 您天气的描述
{%- endif %}
{% if quantity == nil -%}
    How many slices would you like to order?
{%- endif %}

agent.json ---- 这个最重要，定义了 需要大模型回调的函数声明

{
  "id": "01fcc3e5-0af7-49e6-ad7a-a760bd12dc4d",
  "name": "Weather About",
  "description": "weather.Talk",
  "createdDateTime": "2024-05-07T10:00:00Z",
  "updatedDateTime": "2024-05-07T10:00:00Z",
  "disabled": false,
  "isPublic": true,
  "llmConfig": {
    "provider": "deepseek-ai",
    "model": "deepseek-chat"
  },
  "profiles": [ "weather" ],
  "functions": [
    {
      "name": "get_my_weather_type",
      "description": "获取所有的天气类型，您可以选择后返回响应的描述",
      "parameters": {
        "type": "object",
        "properties": {},
        "required": []
      }
    },
      {
        "name": "get_weather_des",
        "description": "用户选择了天气后，获取关于天气的描述",
        "parameters": {
          "type": "object",
          "properties": {
            "weather_type": {
              "type": "string",
              "description": "The type of the weather."
            }
          },
          "required": [ "weather_type" ]
        }
      },
    {
      "name": "get_weather_tool",
      "description": "提供一个适合天气出行的外带工具.",
      "parameters": {
        "type": "object",
        "properties": {
          "weather_type": {
            "type": "string",
            "description": "天气类型."
          },
          "weather_desc": {
            "type": "string",
            "description": "天气描述."
          }
        },
        "required": [ "weather_type", "weather_desc" ]
      }
    }
  ],
  "labels": [ "about" ]
}

其他基本不再重要了。

三、运行程序 进行测试

刚刚 postman已经执行了 createagent 操作了。
继续执行 接下来的 New Conversation 和 sendMessage 测试
在这里插入图片描述
执行结果如图：
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

四、总结

1、实现了 通过 agent 控制调用不同的 大模型。
2、通过 conversation 控制 不同的 会话上下文，相当于session，
3、通过输入内容，控制了 让 大模型来调用本地的函数，输出准确的结果。

# 开发语言 # .net
Logo
DeepSeek技术社区

欢迎加入DeepSeek 技术社区。在这里，你可以找到志同道合的朋友，共同探索AI技术的奥秘。

更多推荐

cover

CRM系统接入DeepSeek大模型应用场景方案

avatar DeepSeek技术社区
cover

Qwen3 发布，阿里也要靠多模态和性价比打天下了

avatar DeepSeek技术社区
cover

【dify—4】安装Ollama，部署Deepseek-R1模型

avatar DeepSeek技术社区