semantic-kernel
微软开源的轻量级AI Agent编排SDK，支持Python/C#/Java多语言，通过Kernel
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
微软开源的轻量级AI Agent编排SDK，支持Python/C#/Java多语言，通过Kernel
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
图1：Semantic Kernel 官方 Logo
想象一下：你正在开发一款企业客服系统，市面上有十几种大语言模型（OpenAI GPT、Azure OpenAI、Hugging Face、开源模型），每家的API格式、调用方式各不相同。如果每次切换模型都要重写大段代码，你的团队会不会崩溃？
Semantic Kernel（简称SK）正是来解决这个痛点的。它是微软开源的轻量级SDK，核心理念是充当应用程序与各种AI能力之间的「中间层」，让开发者像搭积木一样灵活组合AI能力，而无需被某一家模型绑定。
Semantic Kernel最初由微软内部团队于2019年左右启动，最初是作为Copilot（副驾驶）功能的底层编排引擎。随着微软内部对AI集成的需求激增，团队将这套框架逐步通用化，最终于2022年正式开源并发布首个正式版本。
项目由微软多个团队联合维护，包括Azure AI、Microsoft Copilot和.NET团队。截至目前，GitHub星标数突破27000，是AI Agent编排领域最受关注的开源项目之一。
重要更新（2025年）： Semantic Kernel已升级为 Microsoft Agent Framework（MAF），MAF v1.0已作为生产级版本正式发布，带来企业级多Agent编排、多模型支持以及A2A/MCP协议互通。Semantic Kernel本身仍持续维护，作为MAF的前身和过渡版本。
Semantic Kernel的架构设计可以用一句话概括：以Kernel（内核）为中枢，以Connectors（连接器）为触手，以Skills（技能）为工具箱。
Kernel（内核）：是整个框架的中央调度器，负责管理AI服务（LLM）、内存存储和技能注册。你可以把它理解为一个「AI总线」，所有AI相关请求都经过它路由。开发者可以注册多个AI服务（如同时接入OpenAI和Azure OpenAI），Kernel会自动选择或路由请求。
Connectors（连接器）：负责对接具体的AI服务商。目前官方支持的主流连接器包括：
这种设计让「换模型」变得极为简单——只需在配置中新增一个连接器，代码几乎不需要改动。
Skills（技能）：是SK最具特色的扩展机制，分两类：
Semantic Skills（语义技能）：基于提示词模板（Prompt Template）的技能包，定义输入输出格式，让AI执行特定任务（如翻译、摘要）。开发者只需提供高质量的提示词，SK自动管理上下文和调用逻辑。
Native Skills（原生技能）：用C#、Python或Java编写的原生函数，封装为AI可调用的工具。例如一个「计算航班价格」的Python函数，可以直接被AI Agent调用，无需额外胶水代码。
Memory（记忆）：SK内置了向量记忆系统，支持与Azure AI Search、Elasticsearch、Chroma、Pinecone、Qdrant等向量数据库集成，为Agent提供长期记忆和上下文检索能力。
微软为SK提供了三套官方SDK，覆盖最主流的企业开发语言：
python/ 子目录）：基于Python 3.10+，依赖Pydantic v2、OpenAI SDK、OpenTelemetry等主流库，提供完整Agent、Process、Memory支持dotnet/ 子目录）：基于.NET 10.0+，面向企业级.NET应用java/ 子目录）：JDK 17+，面向Java企业生态所有SDK共享相同的概念模型和API设计模式，开发者可以在不同语言间平滑迁移。Python版本是目前社区最活跃、文档最完善的版本。
1. AI Agent框架：SK提供了完整的Agent抽象，支持单Agent和多Agent协作。开发者可以定义Agent的角色（System Prompt）、可调用的技能、记忆系统和行为策略。
2. Process Framework（流程框架）：支持声明式定义多步骤AI工作流，类似于BPMN流程图。你可以用YAML或代码描述「步骤A -> 步骤B（失败则C）」的复杂流程，SK自动管理状态和错误处理。
3. Plugin系统：原生支持OpenAPI规范导入和MCP（Model Context Protocol），可以将任意REST API转化为AI可调用的工具。目前已有GitHub、Azure、Slack等主流服务的Plugin集成。
4. 观测性（Observability）：内置OpenTelemetry支持，自动追踪LLM调用、Agent决策和工具调用链路，方便接入Prometheus、Grafana、Application Insights等监控平台。
5. 规划器（Planners）：实验性功能，让AI自动分解用户模糊需求并生成执行计划。例如用户说「帮我规划周末行程」，Planner自动调用日历、技能和搜索工具协作完成。
SK的文档质量在微软开源项目中属于上乘。官方提供了Getting Started系列教程，覆盖从「第一个AI聊天机器人」到「构建多Agent协作系统」的完整路径。
推荐学习顺序：
python/samples/getting_started/下的Jupyter Notebooks（动手第一课）Python版本还提供了make install一键安装脚本，基于uv包管理器，适合快速搭建开发环境。
1. 微软生态绑定：尽管SK强调「模型无关」，但在实践中，Azure AI相关的功能（Azure OpenAI、Azure AI Search、Azure Identity）集成度最深、最成熟。纯开源路线（如完全使用本地模型）的体验相对弱一些。
2. 概念演进快：SK的API在过去两年经历了多次重大变更（如Planner被Process Framework取代），版本迁移有时需要较大改动。微软也坦诚表示，MAF是「后继者」，新项目建议直接用MAF。
3. 非开箱即用：SK本质是SDK，不是一个「运行中的服务」。如果你的团队只是想快速体验AI对话，没有AI开发经验，直接部署SK并不能降低太多门槛——你仍需要编写代码接入。
Semantic Kernel在AI Agent编排领域的影响力不容小觑。它的核心价值在于将「AI能力集成」这件事从艺术变成工程：
从GitHub星标增长曲线看，SK在2023-2024年经历了爆发式增长，与GPT-4发布和AI Agent概念爆发的时间节点高度吻合。可以预见，随着Agentic AI继续火热，SK/MAF将成为企业AI转型的重要基础设施。
Semantic Kernel是一款定位清晰、工程扎实的AI Agent编排SDK。它不是又一个「AI对话框」，而是一套面向开发者的AI能力集成框架。如果你正在构建需要接入大模型、管理AI流程、构建多Agent系统的应用，SK值得认真评估。
不过需要注意的是：项目正在向Microsoft Agent Framework演进，新项目建议直接评估MAF v1.0是否满足需求，以获得更长的维护周期和更好的长期支持。