Что такое Semantic Kernel и чем отличается от LangChain?

Краткий тезис

Semantic Kernel — это фреймворк от Microsoft для интеграции LLM в приложения, написанный на C# и Python. Его ключевое отличие от LangChain — архитектура на плагинах-контейнерах навыков (Plugins), тесная интеграция с экосистемой Microsoft (Azure, .NET, Copilot) и явное разделение на оркестратор, семантические функции и функции нативного кода. LangChain, напротив, более модульный, гибкий и имеет огромное сообщество, что делает его предпочтительным для экспериментов и прототипирования в не-Microsoft средах. На практике выбор зависит от стека: если у вас сплошной C# и Azure — Kernel|Semantic Kernel даёт нативные преимущества; если Python и открытая экосистема — LangChain остаётся стандартом.

1. Термин: Semantic Kernel (SK)

Semantic Kernel — это open-source AI-оркестратор от Microsoft, впервые анонсированный в 2023 году. Он позволяет разработчикам объединять LLM, подсказки (prompts) и обычный код в единый конвейер. Основная идея — представить каждую единицу логики как функцию, которую можно вызывать как в плане (plan), так и в цепочке (chain). SK поддерживает C# и Python, но ориентирован в первую очередь на .NET-экосистему.

Ключевые концепции

• Kernel — центральный объект, который управляет памятью, подключением к LLM и регистрацией плагинов.
• Plugin — контейнер, содержащий набор функций (семантических и/или нативных). Это аналог «навыка» в экосистеме Copilot.
• Semantic function — функция, определённая через шаблон промпта (например, на основе Jinja2 или Handlebars). Выполняется через LLM.
• Native function — обычная функция на C# или Python, которая может быть вызвана в конвейере.
• Planner — компонент, который на основе запроса автоматически строит план из зарегистрированных функций (идея автоматической оркестрации).

Пример простого использования на Python

import asyncio
from semantic_kernel import Kernel
from semantic_kernel.connectors.ai.open_ai import AzureChatCompletion
from semantic_kernel.plugins.core import PromptPlugin

kernel = Kernel()
kernel.add_chat_service("chat", AzureChatCompletion(deployment_name="gpt-4", endpoint="...", api_key="..."))

plugin = kernel.import_plugin_from_prompt_directory("./plugins", "MyPlugins")
# Внутри плагина лежит файл skprompt.txt с промптом
# Функция вызывается так:
response = await kernel.run_async(plugin["MyFunction"], input_variables={"topic": "AI"})
print(response)

2. Термин: LangChain

LangChain — это фреймворк с открытым исходным кодом (Python и TypeScript) для построения приложений на основе LLM. Он де-факто стал стандартом в сообществе ML/AI благодаря модульной архитектуре: Chain, Agent, Tool, Memory, Retriever и т.д. LangChain позволяет комбинировать вызовы LLM с внешними инструментами и источниками данных, поддерживает сотни провайдеров (OpenAI, Anthropic, HuggingFace, локальные модели) и обладает огромной экосистемой сторонних интеграций.

Ключевые концепции

• Chain — последовательность шагов (промпт → LLM → парсинг), можно объединять в цепочки.
• Agent — автономная сущность, которая решает, какие инструменты вызывать и в каком порядке (ReAct, OpenAI Functions).
• Tool — функция, которую агент может использовать (например, веб-поиск, калькулятор, вызов API).
• Memory — способ сохранять историю диалога между вызовами.

Пример простого использования LangChain (Python):

from langchain.chat_models import ChatOpenAI
from langchain.agents import AgentExecutor, create_react_agent
from langchain.tools import tool
from langchain.prompts import PromptTemplate

llm = ChatOpenAI(model="gpt-4")
@tool
def search(query: str) -> str:
    """Поиск в интернете"""
    return f"Результаты по запросу: {query}"

tools = [search]
agent = create_react_agent(llm, tools, prompt=PromptTemplate.from_template("..."))
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
result = agent_executor.invoke({"input": "Найди последние новости про AI"})
print(result["output"])

3. Сравнение: Semantic Kernel vs LangChain

Ниже приведена таблица ключевых различий.

4. Глубокое отличие: плагины как контейнеры навыков

В Semantic Kernel плагины — это первоклассная сущность. Плагин может содержать как семантические функции (определённые через промпты), так и нативные функции (обычный код). Это напоминает модули в Microsoft Bot Framework или навыки в Cortana/Copilot. Пример структуры папок плагина:

Plugins/
  MyPlugin/
    skprompt.txt          # семантическая функция "GeneratePoem"
    config.json           # настройки (max_tokens, temperature)
    MyNativeSkill.py      # нативная функция "CountTokens"

В LangChain нет такого чёткого контейнера; функции (инструменты) регистрируются отдельно, а промпты привязываются к цепочкам или агентам. Это даёт больше гибкости, но меньше структуры.

Практическое следствие в Semantic Kernel легче организовать переиспользование навыков между проектами (как NuGet-пакеты), в LangChain — проще динамически комбинировать инструменты.

5. Оркестрация: Planner vs Agent

Planner в Semantic Kernel — это механизм, который по запросу пользователя автоматически строит последовательность вызовов функций (план). Он использует LLM для выбора правильных функций и порядка их выполнения. План может быть выполнен как есть или разветвлён на подзадачи.

Agent в LangChain — более гибкая концепция: агент принимает решение на каждом шаге, какой инструмент вызвать и когда остановиться (например, ReAct-цикл). LangChain поддерживает несколько типов агентов: Zero-Shot ReAct, OpenAI Functions, Plan-and-Execute.

Пример плана в Semantic Kernel (упрощённо):
Запрос: "Напиши стих про LLM и переведи его на французский" → План: GeneratePoem(input) -> TranslateToFrench(poem) -> output.

6. Интеграция с Microsoft и Azure

Semantic Kernel нативно интегрируется с:

• Azure OpenAI (управление ключами, эндпоинты, content safety)
• Microsoft Graph (доступ к данным пользователя)
• Copilot (расширение возможностей через плагины)
• Semantic Memory (векторная БД на Azure Cognitive Search)
• NET Core (async/await, dependency injection)

LangChain, напротив, предоставляет базовые коннекторы к Azure, но без глубокой интеграции с корпоративными сервисами Microsoft (например, нет встроенной поддержки Azure AD или Managed Identity). Если ваше приложение уже на C# и использует Azure, Semantic Kernel даёт более гладкий опыт.

7. Сообщество и документация: почему можно вернуться к LangChain

Несмотря на сильные стороны Semantic Kernel, многие практики (включая автора) после попытки внедрения возвращаются к LangChain по следующим причинам:

• Размер сообщества LangChain — тысячи вопросов на Stack Overflow, множество туториалов, готовые интеграции с любыми сервисами. Semantic Kernel пока имеет ограниченный круг пользователей.
• Документация LangChain документирует каждый модуль с примерами, есть официальные курсы. У Semantic Kernel документация сосредоточена на сценариях .NET, а Python-версия отстаёт.
• Гибкость LangChain позволяет легко заменить LLM-провайдера, добавить новый инструмент или изменить цепочку без переписывания архитектуры. Semantic Kernel жёстче завязан на концепцию плагинов и центрального Kernel.
• Экосистема LangChain поддерживает LangServe (деплой как API), LangSmith (мониторинг), LangGraph (графы потоков). Semantic Kernel пока не имеет такого набора сопутствующих продуктов.

Однако для продуктов, где C# — основной язык, а инфраструктура целиком на Azure, Semantic Kernel даёт значительное преимущество в производительности и надёжности.

8. Практические сценарии использования

Когда выбирать Semantic Kernel

• Приложение на .NET (WPF, ASP.NET Core, MAUI) — нативный вызов без P/Invoke.
• Используете Azure Cognitive Services, Azure OpenAI, Microsoft Graph.
• Хотите строго типизированные плагины с конфигурацией в JSON.
• Разрабатываете плагин для Microsoft Copilot.

Когда выбирать LangChain

• Python-стек (FastAPI, Django, асинхронка).
• Нужна поддержка множества LLM-провайдеров (OpenAI, Anthropic, Ollama, Gemini).
• Экспериментируете с новыми архитектурами (multi-agent, RAG, ReAct).
• Хотите быстрое прототипирование и широкий набор готовых цепочек.

9. Дополнительные возможности Semantic Kernel (в контексте оркестрации)

• Memory — встроенная семантическая память (поддержка векторных БД через VectorStore).
• Filter — цепочка фильтров до и после вызова LLM (логирование, безопасность).
• Planner — можно строить иерархические планы, разбивать задачу на подзадачи.
• OpenAPI Plugin — импорт REST API как плагинов (через OpenAPI спецификацию).

Пет-проект для закрепления

Задача Создайте телеграм-бота (или веб-приложение), который может составлять расписание встреч и интегрироваться с календарём (например, Google Calendar). Используйте Semantic Kernel (Python), а затем ту же логику на LangChain, чтобы сравнить удобство.

Инструменты

• Python 3.10+
• Semantic Kernel (Python) pip install semantic-kernel
• LangChain pip install langchain
• LLM: OpenAI или Azure OpenAI
• Для календаря: google-auth, google-api-python-client

Шаги:

1. Создайте в Semantic Kernel плагин CalendarPlugin с нативными функциями: create_event, list_events, delete_event.
2. Определите семантическую функцию parse_meeting_request (из текста извлекает дату, время, участников).
3. Настройте Planner, чтобы при запросе "Запланируй встречу со Светой в пятницу в 15:00" он автоматически строил план: parse_meeting_request -> create_event.
4. Аналогично реализуйте на LangChain: создайте те же функции как Tool, оберните в Agent (тип OpenAI Functions).
5. Сравните количество кода, читаемость, простоту отладки и гибкость добавления новых функций (например, проверка доступности).

Ожидаемый результат

• Получите два работающих микросервиса с одинаковой функциональностью.
• Вы увидите, что в Semantic Kernel плагины легче группировать и переиспользовать, но для нетривиальной логики (условия, циклы) приходится использовать Planner с кастомными промптами.
• В LangChain агент проще расширять новыми инструментами, но структура кода менее централизована.

Связь с другими вопросами

Навигация

• Предыдущий: 53
• Следующий: 55
• Индекс: 00. Индекс разборов