Agent-Frameworks · Foto: m4rlonj, CC BY 2.0
Microsoft Semantic Kernel
Zuletzt aktualisiert:
Typ
Code-Beispiel
Lizenz
MIT
Quelle
Anwendungsfeld
Agenten-Bibliotheken
Entwickler in Unternehmen, die KI robust und wartbar in bestehende Software integrieren wollen.
Voraussetzungen
- Grundkenntnisse in Python, C# oder Java
- Zugang zu einem KI-Modell, das eingebunden werden soll
- Vertrautheit mit der bestehenden Anwendungsarchitektur (z. B. .NET- oder Java-Backend)
Microsofts quelloffenes SDK, um KI-Modelle sauber in eigene Anwendungen einzubauen — mit Plugins, Planern und Speicher. Verfügbar für Python, C# und Java.
Für wen: Entwickler in Unternehmen, die KI robust und wartbar in bestehende Software integrieren wollen.
Installation
Python:
pip install semantic-kernelFür .NET: dotnet add package Microsoft.SemanticKernel. Modelle: OpenAI, Azure oder lokal über einen OpenAI-kompatiblen Endpunkt.
Erste Schritte
Semantic Kernel bündelt Fähigkeiten als Plugins (Funktionen, die das Modell aufrufen kann) und kann mit einem Planer mehrschrittige Aufgaben selbst zerlegen. Die Doku führt mit kleinen Beispielen vom ersten Prompt bis zum werkzeugnutzenden Agenten.
Plattformen: Python / C# / Java
Im Detail
Semantic Kernel ist Microsofts SDK, um LLMs verschiedener Anbieter strukturiert in bestehende Anwendungen einzubinden – mit Plugins für eigene Funktionen, Planern, die Aufgaben in Teilschritte zerlegen, und Speicher-Anbindung für Kontext. Anders als schlanke Frameworks zielt es auf Enterprise-Umgebungen: sauber typisiert, mit offiziellem Support für Python, C# und Java, was es zur naheliegenden Wahl macht, wenn ein Unternehmen bereits auf .NET oder Java setzt. Der Preis dafür ist mehr Boilerplate und eine steilere Lernkurve als bei minimalistischen Alternativen. Sinnvoll für Teams, die KI-Funktionen dauerhaft in Produktivsoftware pflegen müssen, weniger für schnelle Experimente.
Beispiel aus der Praxis
Ein .NET-Team will eine Kundenservice-Funktion ergänzen: Über ein Plugin wird der Abruf des Bestellstatus als Funktionsaufruf eingebunden, der Planner entscheidet automatisch, wann dieser Aufruf innerhalb einer Anfrage nötig ist.
Praxis-Tipp
In einer bestehenden C#-Anwendung eine Funktion als Plugin registrieren (z. B. “GetInventory”) und den Planer selbst entscheiden lassen, wann er sie bei einer Nutzeranfrage aufruft.
Stolperfallen
Die Lernkurve wird oft unterschätzt – die Architektur ist auf Wartbarkeit und Testbarkeit in großen Codebasen ausgelegt, nicht auf schnelle Prototypen. Wer nur schnell etwas ausprobieren will, ist mit einer einfacheren Wrapper-Bibliothek zunächst besser bedient.
Siehe auch
Lizenz & Quelle
Erfahrungen & Kommentare.
Funktioniert der Code-Beispiel bei Ihnen? Tipps, Stolperfallen, Varianten — teilen Sie es mit der Community.
Lade Kommentare …
Passt dazu.
Hugging Face smolagents
Ein bewusst minimalistisches Agenten-Framework von Hugging Face: Agenten, die Aufgaben lösen, indem sie kurzen Python-Code schreiben und ausführen — in wenigen Zeilen aufgesetzt.
Letta (MemGPT)
Ein Framework für Agenten mit Langzeitgedächtnis: Die KI merkt sich über Sitzungen hinweg, was besprochen wurde, indem sie ihren eigenen Speicher aktiv verwaltet.