Semantic Kernel：微软的AI应用开发框架

可视化演示

动态演示Semantic Kerne的核心机制，通过采集/分析/决策/反馈四种模式展示关键概念与交互流程。

核心架构：管家的大脑与工具箱

老K要管好一个家，首先得有个清晰的“班子结构”：大脑负责决策，工具箱负责收纳工具，工具负责具体干活。在 Semantic Kernel 里，这个班子就是 Kernel、Plugin、Function 三层结构。

Kernel 是整个框架的心脏，所有 AI 服务、模型连接、插件注册都汇总到这里；Plugin 是技能包，可以按业务域分成“餐饮技能包”“日程技能包”；Function 是技能包里的最小动作，比如“查询菜谱”“预订蛋糕”。

技术上，Kernel 通过依赖注入把聊天模型、嵌入模型等组装起来。开发者用 KernelFunction 特性标出方法，Kernel 启动时扫描并注册这些函数。调用关系通常是：用户请求进入 Kernel，Kernel 把任务交给 Function 或 Planner，最后由 Function 返回结果。

老K的故事告诉我们：三层架构的妙处在于“各司其职”——大脑不亲自下厨，工具箱不抢角色的活，工具只管把事干完。

插件开发：给工具箱添新工具

想让老K会新技能，就往他工具箱里加一件“工具”。SK 的插件开发有两种常见的“工具”：原生函数和语义函数。

原生函数是一段传统代码，例如用 C# 的 HttpClient 查询订单、用 Python 的 datetime 计算日期，适合确定性强的任务；语义函数则是一段带提示词模板的自然语言描述，让大模型来生成结果，适合开放性任务，比如“帮我写一段生日致辞”。

开发时，开发者只需要定义一个普通类，类里的方法标注为 KernelFunction，然后把这个类作为 Plugin 注册到 Kernel。Kernel 会自动收集可用函数，并在后续调用中按“插件名。函数名”定位。

这就好比给老K的说明书上写清“拉环朝上、按三秒”，工具的作用和用法都清清楚楚，管家才敢放心下单。

规划器设计：拆解任务的小能手

生日派对不会自己办，老K会在计划板上写下：先订场地，再生请柬，最后安排蛋糕。SK 的 Planner 就是这个计划板。

Planner 拿到用户目标后，会利用大模型把目标翻译成一组函数调用步骤。它不像固定接线那样写死流程，而是根据当前可用插件动态生成计划。常见的规划策略包括顺序规划、并行规划和手动规划：顺序规划适合步骤有先后的场景，并行规划适合相互独立的工具调用，手动规划则让开发者显式指定步骤。

实现时，开发者把 Kernel 和插件列表交给 Planner，Planner 返回一个 Plan 对象。这个 Plan 可以被继续嵌套、组合，最终在 Kernel 中逐步执行。步骤越多，Planner 越需要精准的上下文，否则容易“拆错方案”。

老K的计划板不是万能魔法：它只负责“计划”，真正动手还是工具箱里的工具。

记忆系统：管家的小本本

老K能猜中主人想吃巧克力蛋糕，不是因为他聪明到能掐指一算，而是因为他有一个写满偏好记录的小本本。SK 的记忆系统就是这个本本。

SK 把记忆分成两类：对话记忆负责记住对话过程中的线索，比如“刚才说过不吃花生”；语义记忆负责保存长期知识，比如客户偏好、项目资料。语义记忆通常先把文本交给嵌入模型转成向量，再存入向量数据库，检索时同样把提问转为向量，通过相似度找出最相关的记忆。

构建记忆时，常见的做法是切分文本、向量化、写入索引。检索打分用余弦相似度，公式如下：

对老K来说，向量数据库就像一本“可以按意思翻页”的活页本：不用记住页码，只要把问题变成向量，就能找到最相近的那一页。这比人类管家翻本子更快，也更适合企业海量知识。

Agent构建：从顾问到跑腿

如果说前三部分是能力，那么 Agent 就是把能力串起来独立跑腿的老K。Agent 可以理解用户上下文、规划步骤、调用插件、查记忆，最后反馈结果。

SK 构建 Agent 时，通常用聊天模式把 Planner、插件和记忆聚合到一个循环里：大模型每轮根据对话历史决定调用哪个函数，函数结果再作为上下文传回模型。若任务更复杂，还可以拆成多个 Agent 协作，比如一个 Agent 负责查资料，另一个负责写总结，最后由主 Agent 汇总。

上下文管理是 Agent 稳定运转的关键。函数返回的中间结果、历史对话和记忆片段必须结构化地塞进上下文，否则模型容易被无关信息带偏。

老K从一个“只能听懂命令”的管家，变成了“能自己跑腿办事”的管家；AI Agent 也是如此，关键在于把调度、工具和记忆这三样东西缝合在一起。

企业落地：把管家带进公司

老K的个人能力再强，进入公司也要遵守考勤、保密和汇报制度。SK 能在企业落地，靠的正是这类“制度保障”。

首先，SK 同时支持 C# 与 Python，能融入 .NET 和 Python 两大生态；其次，模型层通过连接器解耦，可以从 Azure OpenAI 切换到其他兼容模型，避免供应商锁定。安全合规方面，SK 提供日志、过滤器、权限校验等机制，让每个函数调用都可审计、可控。性能优化上，则要注意函数粒度、缓存和并发策略，避免大模型重复推理拖慢响应。

更进一步，企业可以把 SK 接入内部知识库、工单系统、CRM，让老K在不越权的前提下帮忙查资料、填工单、写摘要。

老K进公司后终于明白：真正让 AI 生产力落地的，不是单个模型的聪明程度，而是框架对流程、权限和集成的精细管理。

AI 应用场景

Python 演示

class Function:    """单个技能动作."""    def __init__(self, name, fn, description=""):        self.name = name        self.fn = fn        self.description = description     def invoke(self, **kwargs):        return self.fn(**kwargs)  class Plugin:    """一组相关技能."""    def __init__(self, name):        self.name = name        self.functions = {}     def add(self, function):        self.functions[function.name] = function        return self  class Kernel:    """核心调度器."""    def __init__(self):        self.plugins = {}        self.memory = {}     def add_plugin(self, plugin):        self.plugins[plugin.name] = plugin        return self     def get_function(self, full_name):        plugin_name, function_name = full_name.split(".", 1)        return self.plugins[plugin_name].functions[function_name]  def build_planner():    """用映射模拟 Planner 按目标选函数."""    plan_map = {        "birthday": ["birthday.generate_card", "catering.order_cake"],        "meeting": ["meeting.summarize", "meeting.schedule"],    }    return plan_map  def plan_and_run(kernel, planner, goal):    kernel.memory["last_goal"] = goal    for full_name in planner.get(goal, []):        func = kernel.get_function(full_name)        result = func.invoke(goal=goal)        kernel.memory[full_name] = result        print(f"[{full_name}] -> {result}")  def main():    kernel = Kernel()    birthday = Plugin("birthday")    birthday.add(Function("generate_card",                          lambda goal, **kw: "卡片: 祝你生日快乐!",                          "生成祝福卡片"))    catering = Plugin("catering")    catering.add(Function("order_cake",                          lambda goal, **kw: "已订草莓蛋糕.",                          "预订蛋糕"))    meeting = Plugin("meeting")    meeting.add(Function("summarize",                         lambda goal, **kw: "会议纪要: 3条待办.",                         "生成纪要"))    meeting.add(Function("schedule",                         lambda goal, **kw: "已安排会议室.",                         "安排日程"))    kernel.add_plugin(birthday).add_plugin(catering).add_plugin(meeting)    planner = build_planner()    plan_and_run(kernel, planner, "birthday")    print("记忆:", kernel.memory)  if __name__ == "__main__":    main()

1. self.functions[function.name] = function把函数登记进插件，等价于给老K的工具箱贴标签。
2. self.plugins[plugin.name] = plugin把插件挂到 Kernel 上，老K才知道家里有哪些工具箱。
3. self.plugins[plugin_name].functions[function_name]按“插件名。函数名”两级路径找到目标工具。
4. planner.get(goal, [])模拟 Planner 根据目标选择函数调用序列。
5. func.invoke(goal=goal)真正执行函数，也就是管家拿起工具干活。
6. kernel.memory[full_name] = result把结果写进记忆，方便下次直接复用。
7. kernel.add_plugin(birthday).add_plugin(catering)一次注册多个插件，Kernel 统一管理。
8. plan_and_run(kernel, planner, "birthday")从用户目标出发，跑通“计划-调用-记忆”全链路。

常见误区

面试题