《AI大模型应知应会100篇》第58篇：Semantic Kernel：微软的大模型应用框架

带娃的IT创业者2025-05-12 9:00

第58篇：Semantic Kernel：微软的大模型应用框架

------用C#和Python构建下一代AI应用的统一编程范式

📌 摘要

随着大模型（LLM）技术的快速发展，如何将这些强大的语言模型与传统代码系统进行无缝集成，成为开发者面临的核心挑战。为此，微软推出了 Semantic Kernel（简称SK） ------ 一个融合了语义逻辑与程序逻辑的轻量级 SDK，支持 C# 和 Python，是连接传统开发与生成式 AI 的桥梁。

本文将带你从零开始，深入理解 Semantic Kernel 的核心架构、关键组件和实战开发流程，并通过多个真实代码示例帮助你快速上手这一前沿框架。

✅ 适合对象：AI初中级开发者、熟悉C#/Python的工程人员

🧪 实战内容：Kernel配置、语义函数定义、Planner调度、Plugin开发

🛠️ 工具链完整：OpenAI/Azure OpenAI接入、Docker部署、日志监控

🎯 场景覆盖：智能助手、企业自动化、多模态处理

🔍 核心概念与知识点

1. Semantic Kernel架构基础【实战部分】

1.1 核心概念：Kernel、Plugins、Functions与Planners
组件 功能
Kernel 核心运行时，管理模型、插件、上下文等
Function 最小可执行单元，可以是语义函数或原生函数
Plugin 一组相关功能的集合，用于组织和封装
Planner 负责解析用户意图并生成执行计划

📌 示例结构：

复制代码 
Kernel
├── Model: gpt-4 / Azure OpenAI
├── Plugins:
│   ├── SummarizerPlugin
│   └── NewsSearchPlugin
└── Planner: SequentialPlanner / ActionPlanner
1.2 跨语言设计：C#与Python实现的对比与选择
特性 C# Python
性能 更高（.NET生态） 灵活易读
社区 微软生态强 开源社区活跃
部署 Windows/.NET 兼容性好 多平台通用
IDE 支持 VS/VS Code 强大 Jupyter/JetBrains 支持良好

📌 建议使用场景：

  • C#：企业内部系统、Windows服务、.NET微服务；
  • Python：原型开发、研究实验、Jupyter Notebook 快速验证；
1.3 与传统编程的融合：编程范式转变与思维模型

Semantic Kernel 的最大亮点在于其 混合编程范式：

  • 传统编程：控制流、数据结构、状态管理；
  • 语义编程：自然语言描述任务、自动编排、推理决策；

📌 示例：使用语义函数替代硬编码逻辑

csharp 复制代码 
// 传统方式
string summary = SummarizeText(text);

// 使用 SK
var result = await kernel.InvokeAsync("Summarizer", "Summarize", new() { ["input"] = text });
1.4 与其他框架的区别：与LangChain/LlamaIndex的对比
框架 设计理念 优势 不足
LangChain 流程驱动、模块化 插件丰富、生态成熟 学习曲线陡峭
LlamaIndex 数据驱动、检索优化 知识库能力强 编排能力弱
Semantic Kernel 混合编程、跨语言统一 易于集成、微软生态友好 生态仍在成长中

🧩 核心组件开发【实战部分】

2.1 Kernel配置：连接不同模型的设置方法

C# 示例
csharp 复制代码 
using Microsoft.SemanticKernel;

var builder = Kernel.CreateBuilder();
builder.AddOpenAIChatCompletion(
    "gpt-4",
    Environment.GetEnvironmentVariable("OPENAI_API_KEY")
);
builder.AddAzureOpenAIChatCompletion(
    "deployment-name",
    "https://your-endpoint.openai.azure.com/",
    Environment.GetEnvironmentVariable("AZURE_OPENAI_KEY")
);

var kernel = builder.Build();

📌 解释说明：

  • AddOpenAIChatCompletion 连接 OpenAI；
  • AddAzureOpenAIChatCompletion 支持 Azure；
  • 支持多模型共存，便于切换测试。
Python 示例
python 复制代码 
import semantic_kernel as sk
from semantic_kernel.connectors.ai.open_ai import OpenAIChatCompletion

kernel = sk.Kernel()
kernel.add_chat_service(
    "chat_completion",
    OpenAIChatCompletion("gpt-4", api_key="your-api-key")
)

📌 解释说明：

  • add_chat_service() 添加 LLM；
  • 支持多种后端（如 HuggingFace、本地模型）；
  • 可结合 LangChain 使用。

2.2 语义函数构建：定义、调用与组合模式

C# 示例
csharp 复制代码 
var summarizeFunction = kernel.CreateFunctionFromPrompt(
    "请总结以下内容：{{$input}}",
    new OpenAIPromptExecutionSettings { Temperature = 0.1 }
);

var result = await kernel.InvokeAsync(summarizeFunction, new() { ["input"] = "需要总结的长文本..." });
Console.WriteLine(result);

📌 解释说明：

  • CreateFunctionFromPrompt 将 Prompt 转为 Function；
  • 支持变量替换（{``{$input}}）；
  • 可以设定温度、最大输出长度等参数。
Python 示例
python 复制代码 
from semantic_kernel.functions import kernel_function

@kernel_function()
async def summarize(input: str, kernel: sk.Kernel) -> str:
    """总结提供的文本内容"""
    template = "请总结以下内容：{{$input}}"
    prompt_config = sk.PromptTemplateConfig(template=template)
    prompt_template = sk.PromptTemplate(prompt_config)
    function_config = sk.SemanticFunctionConfig(prompt_config)
    summary_function = kernel.register_semantic_function("Summarizer", "Summarize", function_config)
    return await kernel.invoke(summary_function, input=input)

📌 解释说明：

  • 使用装饰器定义语义函数；
  • register_semantic_function() 注册到命名空间；
  • 支持异步调用。

2.3 Plugins开发：原生函数与语义函数集成

python 复制代码 
class NewsSearchPlugin:
    @kernel_function(name="SearchNews", description="搜索互联网上的新闻")
    async def search_news(self, query: str) -> str:
        # 模拟搜索
        return f"搜索结果：{query}"

kernel.import_plugin_from_object(NewsSearchPlugin(), plugin_name="News")

📌 解释说明：

  • @kernel_function 定义 Plugin 中的方法；
  • import_plugin_from_object() 注册插件；
  • 可结合外部 API（如 Bing Search、Google Custom Search）扩展功能。

2.4 记忆组件：嵌入式存储与检索系统实现

python 复制代码 
from semantic_kernel.memory import VolatileMemoryStore
from semantic_kernel.connectors.memory.volatile import VolatileMemoryStore

memory = VolatileMemoryStore()
kernel.register_memory_store(memory)

# 保存记忆
await memory.save_information("general", id="news_001", text="AI 技术正在改变世界")

# 检索记忆
results = await memory.search("general", "AI", limit=5)
for result in results:
    print(result.text)

📌 解释说明：

  • 内置 VolatileMemoryStore 支持短期记忆；
  • 可扩展为 Redis、Chroma、Pinecone 等持久化方案；
  • 支持多命名空间、关键词搜索。

🧠 高级功能应用【实战部分】

3.1 Planner使用：ActionPlanner与SequentialPlanner实现

C# 示例
csharp 复制代码 
using Microsoft.SemanticKernel.Planning;

var planner = new SequentialPlanner(kernel);
var plan = await planner.CreatePlanAsync("查找关于人工智能的最新新闻，然后总结成中文");

var result = await kernel.InvokeAsync(plan);
Console.WriteLine(result);
Python 示例
python 复制代码 
from semantic_kernel.planning import SequentialPlanner

planner = SequentialPlanner(kernel)
plan = await planner.create_plan("查找关于人工智能的最新新闻，然后总结成中文")

result = await kernel.invoke(plan)
print(result)

📌 解释说明：

  • SequentialPlanner 按顺序执行步骤；
  • ActionPlanner 支持更复杂的条件分支；
  • 自动识别所需插件并组合调用。

3.2 外部工具集成：结合API与现有系统的方法

python 复制代码 
import requests

class WeatherPlugin:
    @kernel_function(description="获取天气信息")
    async def get_weather(self, city: str) -> str:
        response = requests.get(f"https://api.weatherapi.com/v1/current.json?key=YOUR_KEY&q={city}")
        data = response.json()
        return f"{city} 当前温度为 {data['current']['temp_c']}℃"

📌 解释说明：

  • 可轻松对接 RESTful API；
  • 支持同步/异步调用；
  • 适用于企业已有系统集成。

3.3 会话与上下文：多轮对话状态管理技术

python 复制代码 
from semantic_kernel.core_skills.conversation_summary_skill import ConversationSummarySkill

summary_skill = ConversationSummarySkill(kernel)
context = kernel.create_new_context()

context.variables.update("user_input", "你喜欢什么样的音乐？")
response = await kernel.run_async("ConversationSummary", "SummarizeConversations", input_vars=context.variables)
print(response)

📌 解释说明：

  • 支持上下文管理；
  • 可用于构建聊天机器人、客服代理；
  • 支持历史压缩、摘要生成。

3.4 嵌入与向量搜索：知识库集成实现

python 复制代码 
from semantic_kernel.memory import MemoryStore, MemoryRecord
from semantic_kernel.connectors.memory.volatile import VolatileMemoryStore

memory = VolatileMemoryStore()
record = MemoryRecord(id="doc1", text="量子计算的基本原理", embedding=[0.1, 0.2, 0.3])
await memory.save_record(record)

results = await memory.search("default", "量子计算", limit=5)
for r in results:
    print(r.text)

📌 解释说明：

  • 支持自定义 Embedding；
  • 可对接 FAISS、Weaviate、Pinecone；
  • 构建 RAG 应用的基础组件。

🧩 企业级应用架构【实战部分】

4.1 微服务集成：分布式系统中的部署模式

  • 使用 ASP.NET Core + SK 构建 REST API；
  • 使用 FastAPI + SK 构建 Python 微服务；
  • 支持 gRPC、Kafka 等通信协议；
  • 可部署在 Azure Functions 或 AWS Lambda 上。

4.2 容器化部署：Docker与Kubernetes环境配置

dockerfile 复制代码 
FROM mcr.microsoft.com/dotnet/sdk:7.0 AS build
WORKDIR /app
COPY *.csproj ./
RUN dotnet restore
COPY . .
RUN dotnet publish -c Release -o out

FROM mcr.microsoft.com/dotnet/runtime:7.0
WORKDIR /app
COPY --from=build /app/out .
ENTRYPOINT ["dotnet", "MyApp.dll"]

📌 解释说明：

  • 支持 Docker 化部署；
  • 可部署至 Kubernetes 集群；
  • 支持自动扩缩容。

4.3 日志与监控：可观测性与性能分析

  • 使用 Application Insights（C#）；
  • 使用 Prometheus + Grafana（Python）；
  • 支持 Trace、Metrics、Logs；
  • 可追踪每个 Function 的执行路径与耗时。

4.4 安全最佳实践：企业环境中的安全控制

  • 敏感信息加密（如 API Key）；
  • RBAC 权限控制；
  • 请求频率限制；
  • HTTPS 加密通信。

🧩 案例与实例

5.1 智能助手应用：多功能代理的完整实现

  • 使用 Planner 解析用户请求；
  • 集成天气、新闻、翻译等插件；
  • 支持多轮对话与记忆管理；
  • 可部署为 Web API 或桌面应用。

5.2 企业工作流自动化：与现有系统集成的案例

  • 结合 SharePoint 获取文档；
  • 使用 Outlook 发送邮件；
  • 自动提取发票信息并分类；
  • 提升办公效率。

5.3 多模态内容处理：结合图像分析的应用示例

  • 使用 Vision Plugin 分析图片；
  • 结合 GPT-4-Vision 描述图像；
  • 支持图像转文字、图表解读等；
  • 适用于教育、医疗、金融等领域。

🛠️ 实战代码与项目模板

6.1 完整应用脚手架：快速启动项目模板

GitHub 示例地址（假设）：https://github.com/yourname/sk-starter-kit

6.2 自定义Plugin开发：扩展功能的示例代码

  • 天气查询插件；
  • 新闻搜索插件；
  • 文档解析插件；
  • 图像识别插件。

6.3 测试框架：单元测试与集成测试最佳实践

  • 使用 xUnit/NUnit（C#）；
  • 使用 pytest（Python）；
  • 模拟 LLM 返回值进行测试；
  • 支持 Mocking 与断言。

6.4 性能优化指南：大规模应用的配置建议

  • 启用缓存（Redis）；
  • 使用异步接口提升吞吐；
  • 控制并发请求数；
  • 使用批量处理降低延迟。

🧠 总结与扩展思考

7.1 Semantic Kernel在企业环境中的独特优势

  • 微软生态无缝集成：Azure、Office 365、Teams；
  • 跨语言统一接口：C# 与 Python 一致性高；
  • 易于扩展与维护：插件机制清晰；
  • 低门槛入门：无需复杂编排即可上手。

7.2 与微软AI服务生态的集成策略

  • Azure Cognitive Services；
  • Microsoft Graph；
  • Power Platform；
  • Copilot Studio；
  • Microsoft Viva & Dynamics 365。

7.3 混合编程范式的未来发展趋势

  • 语义逻辑 + 程序逻辑深度融合；
  • AutoGen + SK 构建高级代理系统；
  • RAG + Planning 构建智能决策系统；
  • 多模态 + 多模型协同推理。

📚 参考资料

🧑‍💻 结语

Semantic Kernel 是一个极具潜力的大模型开发框架，它不仅简化了 AI 应用的开发流程，还实现了语义逻辑与传统编程的完美融合。无论你是 C# 开发者还是 Python 工程师，都可以借助 SK 快速构建强大的 AI 应用。

💬 如果你想了解某个平台的深度评测、定制化训练或私有化部署方案，欢迎留言，我们将安排专题深入讲解！

✅ 关注《AI大模型应知应会100篇》专栏，持续更新前沿技术干货！

相关推荐
银河以北呀15 分钟前
通过推测搜索加速大型语言模型推理 (SpecSearch) 论文总结
人工智能·语言模型·论文笔记
妄想成为master26 分钟前
快速入门深度学习系列(2)----损失函数、逻辑回归、向量化
人工智能·深度学习·神经网络
武乐乐~26 分钟前
YOLO-World：基于YOLOv8的开放词汇目标检测
人工智能·yolo·目标检测
打小就很皮...1 小时前
使用 React 实现语音识别并转换功能
人工智能·语音识别
老朋友此林1 小时前
MiniMind：3块钱成本 + 2小时！训练自己的0.02B的大模型。minimind源码解读、MOE架构
人工智能·python·nlp
LitchiCheng2 小时前
复刻低成本机械臂 SO-ARM100 单关节控制（附代码）
人工智能·机器学习·机器人
微学AI2 小时前
大模型的应用中A2A（Agent2Agent）架构的部署过程，A2A架构实现不同机器人之间的高效通信与协作
人工智能·架构·机器人·a2a
AI视觉网奇2 小时前
MoE 学习笔记
人工智能
多巴胺与内啡肽.2 小时前
Opencv进阶操作：图像拼接
人工智能·opencv·计算机视觉
小草cys3 小时前
查看YOLO版本的三种方法
人工智能·深度学习·yolo
热门推荐
01KGG转MP3工具|非KGM文件|解密音频02从零安装 LLaMA-Factory 微调 Qwen 大模型成功及所有的坑03YOLOv8入门 | 重要性能衡量指标、训练结果评价及分析及影响mAP的因素【发论文关注的指标】04【分布式】Hadoop完全分布式的搭建（零基础）05【SpeedAI科研小助手】2分钟极速解决知网维普重复率、AIGC率过高，一键全文降！文件格式不变，公式都保留的！06西电B测-计算机网络综合实验(含验收问题)07Coze扣子平台完整体验和实践（附国内和国际版对比）08苍穹外卖面试总结09DeepSeek各版本说明与优缺点分析10最新 Kubernetes 集群部署 + flannel 网络插件（保姆级教程，最新 K8S 版本）