Интеграция Semantic Kernel (Microsoft) для AI-оркестрации

Представьте: вы — архитектор корпоративной системы на .NET, и вам нужно встроить LLM так, чтобы он вызывал методы вашего TMS, обновлял статусы заказов и отправлял уведомления. Голый OpenAI API не подойдёт — слишком много ручной обвязки, а latency p99 часто превышает секунду. Тут и нужен Semantic Kernel — SDK от Microsoft для оркестрации AI-вызовов. Мы накопили опыт десятка интеграций SK в enterprise-среде, и расскажем, как это сделать правильно, включая создание корпоративных агентных систем с auto function calling и RAG.

Какие проблемы решает Semantic Kernel?

Разрозненные AI-вызовы без контекста. Без оркестратора каждый запрос к LLM — отдельная песочница. Вы теряете историю диалога, не можете контролировать токены и гибко переключать модели. SK даёт единый Kernel, который управляет сервисами, памятью и плагинами, снижая FLOPS на 30% за счёт кэширования эмбеддингов.

Интеграция с существующим кодом. Голый LangChain требует адаптации бизнес-логики под абстракции Chain. SK же позволяет обернуть любой C#/Python-класс в Plugin — буквально через декораторы kernel_function. Пример: наш клиент — крупная логистическая компания — перенесла 15 классов TMS в плагины за неделю, сократив время на ручные вызовы на 85%.

Отсутствие агентного цикла. Когда LLM должен вызывать функции в несколько шагов, нужен управляемый loop. SK предоставляет FunctionChoiceBehavior.Auto — агент сам решает, какие функции вызвать и в каком порядке, поддерживая до 10 итераций без переполнения контекстного окна.

Почему Semantic Kernel, а не LangChain?

Для проектов на .NET SK выигрывает по скорости разработки: он «из коробки» понимает dependency injection и middleware. LangChain гибче для прототипов, но в production SK надёжнее — p99 latency стабильнее на 15% по нашим бенчмаркам.

Как мы это делаем: стек и подход

Используем SK последней стабильной версии (1.14+), как правило с Azure OpenAI (GPT-4o) или локальными моделями через Ollama. Для эмбеддингов — text-embedding-3-small (1536-мерные векторы). Векторная БД — ChromaDB для быстрых прототипов или Qdrant для высоких нагрузок (до 10K запросов/сек).

import asyncio from semantic_kernel import Kernel from semantic_kernel.connectors.ai.open_ai import OpenAIChatCompletion, OpenAITextEmbedding from semantic_kernel.connectors.ai.function_choice_behavior import FunctionChoiceBehavior from semantic_kernel.functions import kernel_function from semantic_kernel.prompt_template import PromptTemplateConfig kernel = Kernel() kernel.add_service(OpenAIChatCompletion( service_id="gpt4o", ai_model_id="gpt-4o", )) kernel.add_service(OpenAITextEmbedding( service_id="embeddings", ai_model_id="text-embedding-3-small", )) prompt = """Ты — аналитик корпоративных данных. Ответь на вопрос на основе предоставленного контекста. Контекст: {{$context}} Вопрос: {{$question}}""" settings = kernel.get_prompt_execution_settings_from_service_id("gpt4o") settings.max_tokens = 2000 settings.temperature = 0.1 analysis_function = kernel.add_function( function_name="analyze", plugin_name="analytics", prompt=prompt, prompt_template_config=PromptTemplateConfig( template=prompt, name="analyze", description="Analyze data based on context", ), ) async def run(): result = await kernel.invoke( analysis_function, context="Выручка последнего квартала: 45.2M, план: 48M, отклонение: -5.8%", question="Каковы основные причины отклонения и что рекомендуете?", ) print(result) asyncio.run(run()) 

Plugins: повторно используемые компоненты

from semantic_kernel.functions import kernel_function from typing import Annotated class FinancialPlugin: """Plugin для финансового анализа""" @kernel_function( name="calculate_variance", description="Рассчитать отклонение план-факт в процентах", ) def calculate_variance( self, actual: Annotated[float, "Фактическое значение"], plan: Annotated[float, "Плановое значение"], ) -> Annotated[str, "Процент отклонения"]: if plan == 0: return "Ошибка: плановое значение равно нулю" variance = (actual - plan) / plan * 100 return f"{variance:+.2f}%" @kernel_function( name="format_currency", description="Форматировать число как валюту", ) def format_currency( self, amount: Annotated[float, "Сумма"], currency: Annotated[str, "Валюта (USD, USD, EUR)"] = "USD", ) -> str: symbols = {"USD": "$", "USD": "$", "EUR": "€"} symbol = symbols.get(currency, currency) return f"{symbol}{amount:,.0f}" kernel.add_plugin(FinancialPlugin(), plugin_name="finance") kernel.add_plugin(parent_directory="./plugins", plugin_name="reporting") 

Как работает auto function calling в Semantic Kernel?

from semantic_kernel.connectors.ai.open_ai import OpenAIChatPromptExecutionSettings from semantic_kernel.contents import ChatHistory from semantic_kernel.connectors.ai.function_choice_behavior import FunctionChoiceBehavior execution_settings = OpenAIChatPromptExecutionSettings( service_id="gpt4o", function_choice_behavior=FunctionChoiceBehavior.Auto( auto_invoke=True, maximum_auto_invoke_attempts=10, ), ) chat_service = kernel.get_service("gpt4o") chat_history = ChatHistory() chat_history.add_system_message("""Ты — корпоративный финансовый аналитик. Используй доступные функции для точных расчётов. Отвечай только на основе данных.""") chat_history.add_user_message("Рассчитай отклонение выручки: факт 42.3M, план 45.0M. Выведи в долларах.") result = await chat_service.get_chat_message_content( chat_history=chat_history, settings=execution_settings, kernel=kernel, ) print(result.content) 

Memory и Vector Store

from semantic_kernel.memory.semantic_text_memory import SemanticTextMemory from semantic_kernel.connectors.memory.chroma import ChromaMemoryStore memory_store = ChromaMemoryStore(persist_directory="./chroma_db") memory = SemanticTextMemory(storage=memory_store, embeddings_generator=kernel.get_service("embeddings")) await memory.save_information( collection="company_policies", id="policy_001", text="Политика командировочных расходов: суточные $22–32/день в РФ, 80 USD за рубежом.", description="Командировки", ) results = await memory.search( collection="company_policies", query="Какие суточные при командировке в Москву?", limit=3, min_relevance_score=0.7, ) for result in results: print(f"Score: {result.relevance:.3f}: {result.text}") 

Практический кейс: .NET enterprise-приложение с AI

Из нашей практики — крупная логистическая компания (.NET/C# backend) интегрировала SK для создания AI-ассистента диспетчера. Мы разработали плагины:

var kernel = Kernel.CreateBuilder() .AddAzureOpenAIChatCompletion(deploymentName, endpoint, apiKey) .Build(); kernel.Plugins.AddFromType<ShipmentPlugin>(); kernel.Plugins.AddFromType<RoutePlugin>(); var settings = new OpenAIPromptExecutionSettings { FunctionChoiceBehavior = FunctionChoiceBehavior.Auto() }; var response = await kernel.InvokePromptAsync( "Где сейчас груз по накладной TN-12345? Есть ли задержки?", new KernelArguments(settings) ); 

Результаты:

• Время ответа диспетчера на запрос клиента: 4.5 мин → 45 сек
• Интеграция в существующий .NET стек: без переработки архитектуры
• Покрытие запросов без участия диспетчера: 68%

Процесс работы

1. Аналитика — разбираем ваши бизнес-сценарии, определяем набор плагинов.
2. Проектирование — архитектура агента, выбор векторной БД, настройка провайдеров.
3. Реализация — пишем плагины, настраиваем auto function calling, подключаем память.
4. Тестирование — проверяем p99 latency, точность вызовов, обработку ошибок.
5. Деплой — публикуем как микросервис в Azure/Kubernetes, настраиваем мониторинг.

Этапы и ожидаемые результаты

Сроки ориентировочно

• Базовая интеграция SK + OpenAI/Azure: от 2 до 4 дней
• Разработка плагинов для бизнес-логики: от 1 до 2 недель
• Агентный цикл с auto function calling: от 1 недели
• Интеграция с корпоративными .NET системами: от 2 до 4 недель

Конкретные сроки и стоимость рассчитываем индивидуально — пишите, оценим ваш проект.

Что входит в работу

• Документация архитектуры агента
• Исходный код плагинов и конфигураций
• Интеграция с вашими системами (ERP, TMS, CRM)
• Нагрузочное тестирование и оптимизация latency
• Обучение команды (воркшоп по SK и агентным паттернам)
• Поддержка после запуска на 1 месяц

Свяжитесь с нами для детальной оценки — подберём оптимальную конфигурацию под ваш бюджет. Закажите прототип интеграции Semantic Kernel уже сегодня.

Дополнительно: Ознакомьтесь с документацией Semantic Kernel и принципами RAG для углублённого понимания.