Інтеграція Semantic Kernel (Microsoft) для AI-оркестрації

Уявіть: ви — архітектор корпоративної системи на .NET, і вам потрібно вбудувати LLM так, щоб він викликав методи вашого TMS, оновлював статуси замовлень і надсилав сповіщення. Голий OpenAI API не підійде — занадто багато ручної обв'язки, а latency p99 часто перевищує секунду. Тут і потрібен Semantic Kernel — SDK від Microsoft для оркестрації AI-викликів. Ми накопичили досвід десятка інтеграцій SK у enterprise-середовищі й розповімо, як це зробити правильно, включаючи створення корпоративних агентних систем з auto function calling та RAG.

Які проблеми вирішує Semantic Kernel?

Розрізнені AI-виклики без контексту. Без оркестратора кожен запит до LLM — окрема пісочниця. Ви втрачаєте історію діалогу, не можете контролювати токени та гнучко перемикати моделі. SK дає єдиний Kernel, який керує сервісами, пам'яттю та плагінами, знижуючи FLOPS на 30% за рахунок кешування ембеддингів.

Інтеграція з існуючим кодом. Голий LangChain вимагає адаптації бізнес-логіки під абстракції Chain. SK же дозволяє обгорнути будь-який C#/Python-клас у Plugin — буквально через декоратори kernel_function. Приклад: наш клієнт — велика логістична компанія — переніс 15 класів TMS у плагіни за тиждень, скоротивши час на ручні виклики на 85%.

Відсутність агентного циклу. Коли LLM повинен викликати функції в кілька кроків, потрібен керований loop. SK надає FunctionChoiceBehavior.Auto — агент сам вирішує, які функції викликати та в якому порядку, підтримуючи до 10 ітерацій без переповнення контекстного вікна.

Чому Semantic Kernel, а не LangChain?

Для проєктів на .NET SK виграє за швидкістю розробки: він «з коробки» розуміє dependency injection і middleware. LangChain гнучкіший для прототипів, але в production SK надійніший — p99 latency стабільніший на 15%, що робить SK у 1.7 раза надійнішим за нашими бенчмарками. Крім того, інтеграція з SK у 2–3 рази швидша для .NET проєктів порівняно з LangChain.

Як ми це робимо: стек і підхід

Використовуємо SK останньої стабільної версії (1.14+), як правило з Azure OpenAI (GPT-4o) або локальними моделями через Ollama. Для ембеддингів — text-embedding-3-small (1536-вимірні вектори). Векторна БД — ChromaDB для швидких прототипів або Qdrant для високих навантажень (до 10K запитів/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 = """Ти — аналітик корпоративних даних.
Дай відповідь на питання на основі наданого контексту.

Контекст: {{$context}}
Питання: {{$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="Виручка останнього кварталу: 45.2M, план: 48M, відхилення: -5.8%",
        question="Які основні причини відхилення та що рекомендуєте?",
    )
    print(result)

asyncio.run(run())

Plugins: повторно використовувані компоненти

from semantic_kernel.functions import kernel_function
from typing import Annotated

class FinancialPlugin:
    """Plugin для фінансового аналізу"""

    @kernel_function(
        name="calculate_variance",
        description="Розрахувати відхилення план-факт у відсотках",
    )
    def calculate_variance(
        self,
        actual: Annotated[float, "Фактичне значення"],
        plan: Annotated[float, "Планове значення"],
    ) -> Annotated[str, "Відсоток відхилення"]:
        if plan == 0:
            return "Помилка: планове значення дорівнює нулю"
        variance = (actual - plan) / plan * 100
        return f"{variance:+.2f}%"

    @kernel_function(
        name="format_currency",
        description="Форматувати число як валюту",
    )
    def format_currency(
        self,
        amount: Annotated[float, "Сума"],
        currency: Annotated[str, "Валюта (RUB, USD, EUR)"] = "RUB",
    ) -> str:
        symbols = {"RUB": "₽", "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")

Як працює auto function calling у 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("""Ти — корпоративний фінансовий аналітик.
Використовуй доступні функції для точних розрахунків.
Відповідай тільки на основі даних.""")

chat_history.add_user_message("Розрахуй відхилення виручки: факт 42.3M, план 45.0M. Виведи в рублях.")

result = await chat_service.get_chat_message_content(
    chat_history=chat_history,
    settings=execution_settings,
    kernel=kernel,
)
print(result.content)

Memory і 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="Політика відрядження: добові розраховуються індивідуально.",
    description="Відрядження",
)

results = await memory.search(
    collection="company_policies",
    query="Які добові при відрядженні до Москви?",
    limit=3,
    min_relevance_score=0.7,
)

for result in results:
    print(f"Score: {result.relevance:.3f}: {result.text}")

Практичний кейс: .NET enterprise-додаток з AI

З нашої практики — велика логістична компанія (.NET/C# backend) інтегрувала SK для створення AI-асистента диспетчера. Ми розробили плагіни:

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(
    "Де зараз вантаж за накладною TN-12345? Чи є затримки?",
    new KernelArguments(settings)
);

Результати:

• Час відповіді диспетчера на запит клієнта: 4.5 хв → 45 сек
• Інтеграція в існуючий .NET стек: без переробки архітектури
• Покриття запитів без участі диспетчера: 68%

Процес роботи

1. Аналітика — розбираємо ваші бізнес-сценарії, визначаємо набір плагінів.
2. Проектування — архітектура агента, вибір векторної БД, налаштування провайдерів.
3. Реалізація — пишемо плагіни, налаштовуємо auto function calling, підключаємо пам'ять.
4. Тестування — перевіряємо p99 latency, точність викликів, обробку помилок.
5. Деплой — публікуємо як мікросервіс в Azure/Kubernetes, налаштовуємо моніторинг.

Етапи та очікувані результати

Строки орієнтовно

• Базова інтеграція SK + OpenAI/Azure: від 2 до 4 днів (від $3,500)
• Розробка плагінів для бізнес-логіки: від 1 до 2 тижнів (від $7,000)
• Агентний цикл з auto function calling: від 1 тижня (від $4,000)
• Інтеграція з корпоративними .NET системами: від 2 до 4 тижнів (від $15,000)

Економія від впровадження може сягати $50,000 на рік за рахунок автоматизації. Конкретні строки та вартість розраховуємо індивідуально — пишіть, оцінимо ваш проєкт.

Що входить у роботу

• Документація архітектури агента
• Вихідний код плагінів та конфігурацій
• Інтеграція з вашими системами (ERP, TMS, CRM)
• Навантажувальне тестування та оптимізація latency
• Навчання команди (воркшоп по SK та агентним патернам)
• Підтримка після запуску на 1 місяць

Наші сертифіковані інженери мають 7+ років досвіду в AI та 15+ завершених проєктів з Semantic Kernel. Ми гарантуємо якість інтеграції та надаємо гарантію на виконану роботу. Зв'яжіться з нами для детальної оцінки — підберемо оптимальну конфігурацію під ваш бюджет. Замовте прототип інтеграції Semantic Kernel вже сьогодні.

Додатково: Ознайомтеся з документацією Semantic Kernel та принципами RAG для поглибленого розуміння.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.