适用于 PowerShell 7.0 及以上版本

随着大语言模型（LLM）的快速普及，Prompt Engineering 已经成为运维工程师不可或缺的技能。在
PowerShell 生态中，我们可以将提示词工程与自动化脚本深度结合，构建出智能化的运维工具链。无论是在
Azure 资源管理、日志分析还是故障诊断场景中，精心设计的 Prompt 都能大幅提升 LLM 输出的准确性和可用性。

传统的运维脚本通常依赖固定逻辑处理已知场景，但面对模糊的故障描述或复杂的架构问题时往往力不从心。
通过 Prompt Engineering，我们可以让 LLM 理解系统上下文，生成符合 PowerShell 风格的命令和脚本，
甚至自动分析错误日志并给出修复建议。关键在于如何用结构化的方式管理与 LLM 的交互。

本文将从模板管理、结构化输出控制和运维 Copilot 实现三个层面，展示如何在 PowerShell 中系统化地
应用 Prompt Engineering 最佳实践。

适用于 PowerShell 7.0 及以上版本，需要 Ollama 或 LM Studio

适用于 PowerShell 7.0 及以上版本，需要 Az.Search 模块

Azure AI Search（原名 Azure 认知搜索）是微软 Azure 云平台中的企业级搜索服务，近年来随着大语言模型的爆发，它在检索增强生成（RAG）架构中扮演着越来越关键的角色。传统企业内部拥有海量非结构化文档，从技术手册到合同范本，从会议纪要到产品规格，这些知识长期”沉睡”在文件服务器和 SharePoint 中，难以被高效检索和利用。Azure AI Search 通过集成文本分词、语义排序和向量检索能力，为这些数据赋予了”可搜索”的生命力。

将 PowerShell 与 Azure AI Search 结合，能够实现搜索服务的全生命周期自动化管理。运维团队可以用脚本一键创建索引、批量导入文档、配置向量字段，甚至搭建完整的 RAG 管道，而无需在 Azure 门户中手动点选。这种方式特别适合 CI/CD 集成和大规模知识库的定期更新场景，让企业知识管理真正做到”基础设施即代码”。

本文将通过三个核心示例，逐步演示如何用 PowerShell 管理 Azure AI Search 的搜索服务与索引结构、实现文档导入与向量化处理，以及构建关键词加向量的混合搜索与 RAG 管道。

适用于 PowerShell 7.0 及以上版本

MCP（Model Context Protocol）是 Anthropic 于 2024 年底发布的开放协议，旨在为大语言模型（LLM）提供标准化的上下文获取和工具调用接口。通过 MCP，AI 应用可以统一地连接数据源、调用外部工具、访问资源，而不必为每个集成编写专用的适配代码。协议本身基于 JSON-RPC 2.0，传输层支持 stdio 和 SSE（Server-Sent Events）两种模式，非常适合构建可组合的 AI 工具生态。

对于 PowerShell 用户来说，MCP 带来了一个令人兴奋的可能性：我们可以用 PowerShell 脚本直接构建 MCP 服务端，将系统管理能力以标准化工具的形式暴露给 AI 助手；同时也能编写 MCP 客户端，让 PowerShell 脚本调用任何符合 MCP 规范的 AI 服务和工具集。这种双向集成使得 PowerShell 成为 AI 工具链中一等公民。

本文将通过三个实际示例，展示如何用 PowerShell 7 搭建 MCP 服务端、编写 MCP 客户端，以及打包一套实用的系统管理工具集，帮助读者快速上手 MCP 与 PowerShell 的结合使用。

适用于 PowerShell 7.0 及以上版本

AI Agent（智能代理）是当前大语言模型应用的热门方向。与传统的”单次问答”不同，Agent 能够自主规划任务步骤、调用外部工具、根据执行结果进行推理，最终完成复杂目标。对于系统运维工程师来说，这意味着可以将 LLM 的理解能力与 PowerShell 强大的系统管理能力结合起来，构建出真正”懂意图”的自动化框架。

PowerShell 作为 Windows/Linux/macOS 通用的脚本语言，天生具备丰富的系统管理 cmdlet（如文件操作、进程管理、网络请求、注册表读写等），这些都可以作为 Agent 的”工具”暴露给 LLM。通过精心设计的工具调用协议，Agent 可以根据用户的自然语言描述，自动选择合适的命令并执行。

本文将分三个部分逐步构建一个轻量级 AI Agent 框架：首先实现与 LLM API 的对话集成，然后定义工具调用机制，最后实现 ReAct（Reasoning + Acting）循环，使 Agent 具备多步推理和自主执行的能力。

适用于 PowerShell 5.1 及以上版本

2026 年第一季度即将画上句号。回顾这三个月，PowerShell 生态在多个方向上都有值得关注的进展：PowerShell 7.x 持续迭代，跨平台能力进一步增强；AI 辅助编程工具链加速成熟，越来越多团队开始将大语言模型嵌入到自动化工作流中；社区在安全基线、基础设施即代码（IaC）等领域的最佳实践也在不断沉淀。

每个季度末做一次技术盘点，不仅是对过往工作的梳理，更是为下个阶段的学习和工作明确方向。本文将分三个部分展开：Q1 技术盘点、实战经验总结以及 Q2 学习路线规划，并附上可直接运行的 PowerShell 脚本来帮助你完成自己的回顾与展望。

适用于 PowerShell 7.0 及以上版本

Polyglot Notebooks（前身 .NET Interactive）是微软推出的一款交互式笔记本工具，它将 Jupyter 笔记本的理念带入了 .NET 生态。与传统的 Jupyter 仅支持 Python 等单一内核不同，Polyglot Notebooks 的核心优势在于多语言互操作：你可以在同一个笔记本中无缝切换 PowerShell、C#、F#、JavaScript、HTML 等语言，并通过变量共享机制让不同语言的代码块协同工作。

对于 PowerShell 用户而言，这意味着你不必再在”用 PowerShell 写脚本”和”用 Jupyter 做数据分析”之间做选择。你可以直接在笔记本中用 PowerShell 获取系统数据、调用 REST API、操作文件系统，然后用 C# 处理复杂的计算逻辑，最后用 JavaScript 生成可交互的可视化图表——所有这些都在同一个文档中完成。

本文将从三个方面介绍 Polyglot Notebooks 的实战用法：首先搭建环境并掌握基础的 Magic Commands，然后演示多语言协作与变量共享的技巧，最后通过一个数据分析实战案例展示完整的工作流。

适用于 PowerShell 5.1 及以上版本

2025 年对 PowerShell 社区而言是里程碑式的一年。PowerShell 7.5 正式发布，全面拥抱 .NET 8 带来的性能提升与新 API，同时官方团队持续推动跨平台体验的统一。云原生、容器化和 GitOps 已经不再只是 buzzword，而是日常运维的基本范式，PowerShell 在其中扮演了越来越重要的胶水语言角色。

与此同时，AI 大模型的爆发深刻改变了自动化脚本的工作方式。从调用 OpenAI API 做日志分析，到用本地模型生成配置模板，再到 IDE 中的智能补全，AI 工具链已经深度融入 PowerShell 开发者的日常工作流。这一年我们见证了脚本编写方式从”查文档写代码”到”描述需求生成代码”的范式转变。

站在岁末年初的节点，本文将回顾 2025 年 PowerShell 生态的关键技术变化，梳理当前最实用的 AI 集成与云原生实战技巧，并展望 2026 年值得关注的趋势和学习方向。

适用于 PowerShell 7.0 及以上版本，需要安装 Ollama

数据安全和隐私合规要求使得很多企业无法使用云端 AI 服务。本地部署的大语言模型（如通过 Ollama 运行的 Llama、Qwen、DeepSeek 等）提供了完全内网的 AI 能力——日志智能分析、故障根因推理、脚本自动生成、配置合规审查，所有数据不出内网。结合 PowerShell 的系统管理能力和本地 AI 的推理能力，可以构建强大的智能运维助手。

本文将讲解如何使用 PowerShell 构建基于本地大模型的运维自动化工具。

适用于 PowerShell 5.1 及以上版本，调用 AI API 需要网络访问和 API 密钥

2025 年，大语言模型（LLM）已经从实验性工具变成了生产力基础设施的一部分。PowerShell 作为自动化运维的核心语言，可以很自然地与 AI 服务集成——用自然语言生成运维脚本、让 AI 分析日志错误、构建智能告警系统、甚至搭建本地的 AI 助手。无论是调用云端 API（OpenAI、Azure OpenAI）还是本地模型（Ollama），PowerShell 都能胜任。

本文将讲解如何在 PowerShell 中调用 AI 服务、处理响应流，以及构建实用的 AI 驱动运维工具。