مراجعة Semantic Kernel 2026: الميزات والتسعير والبدائل

من طوّر Semantic Kernel، وماذا يحدث له الآن؟

ما هو Semantic Kernel؟

• الـKernel: الكائن المركزي الذي يحتفظ بخدمات الذكاء الاصطناعي المسجَّلة (إكمال المحادثة، embeddings) والإضافات والإعدادات — يبني كل تطبيق Semantic Kernel واحدًا منها
• الإضافات Plugins: دوال كود أصلية أو قوالب تعليمات، موسومة ببيانات وصفية (@kernel_function في Python، `[KernelFunction]` في C#)، يمكن للنموذج اكتشافها واستدعاؤها — ما يعادل "tools" في أطر أخرى
• المخططات Planners: منطق يقرر أي إضافات يجب استدعاؤها لتلبية طلب ما؛ يعتمد الافتراضي الحديث على استدعاء الدوال الأصلي من مزوّد النموذج (FunctionChoiceBehavior.Auto()) بدلًا من فئات المخططات المخصصة القديمة
• موصلات مخازن المتجهات (الذاكرة): واجهات موحّدة لتخزين واسترجاع embeddings عبر قواعد بيانات المتجهات المدعومة، تُستخدم في التوليد المعزز بالاسترجاع
• إطار العمليات Process Framework: تجريد لسير العمل مبني فوق الـKernel لعمليات الأعمال الأطول ومتعددة الخطوات
• مكوّنات المؤسسات: مرشحات مدمجة، وآليات للمراقبة والقياس عن بُعد، وتسجيل منظّم مصمَّم لنشرات Azure الإنتاجية

import asyncio
from semantic_kernel import Kernel
from semantic_kernel.connectors.ai.open_ai import AzureChatCompletion
from semantic_kernel.connectors.ai.function_choice_behavior import FunctionChoiceBehavior
from semantic_kernel.contents.chat_history import ChatHistory
from semantic_kernel.functions import kernel_function

class LightsPlugin:
    @kernel_function(description="Turns a light on or off")
    def change_state(self, is_on: bool) -> str:
        return f"Light is now {'on' if is_on else 'off'}"

async def main():
    kernel = Kernel()
    kernel.add_service(AzureChatCompletion(deployment_name="gpt-4o-mini", api_key="...", base_url="..."))
    kernel.add_plugin(LightsPlugin(), plugin_name="Lights")

    history = ChatHistory()
    history.add_user_message("Turn on the light")

    chat = kernel.get_service(type=AzureChatCompletion)
    result = await chat.get_chat_message_contents(
        chat_history=history,
        settings=AzureChatCompletion.get_prompt_execution_settings_class()(
            function_choice_behavior=FunctionChoiceBehavior.Auto()
        ),
        kernel=kernel,
    )
    print(result[0])

asyncio.run(main())

كم تكلفة Semantic Kernel؟

• Semantic Kernel (الـ SDK): مجاني إلى الأبد، برخصة MIT، سواء استضافة ذاتية أو سحابية، دون حدود استخدام على الإطار
• تكاليف واجهة برمجة النموذج: دفع حسب الاستخدام لأي مزوّد LLM تتصل به (Azure OpenAI Service وOpenAI وغيرهما) — لا يستضيف Semantic Kernel الوصول إلى النماذج ولا يعيد بيعه
• تكاليف استضافة Azure (اختيارية): النشر على Azure App Service أو Azure Functions أو Azure Kubernetes Service يتحمّل أسعار الحوسبة القياسية في Azure — لا يفرض Semantic Kernel استخدام Azure، لكن أمثلة Microsoft الخاصة ومكوّنات المؤسسات تفترضه افتراضيًا
• تكاليف قواعد بيانات المتجهات (اختيارية): توصيل Azure AI Search أو مخزن متجهات آخر للذاكرة/RAG له تسعيره الخاص المنفصل
• الدعم: نافذة الصيانة التي التزمت بها Microsoft (إصلاحات أخطاء حرجة وتصحيحات أمان) لنشرات Semantic Kernel الحالية تمتد حتى 2027 على الأقل، دون تكلفة إضافية بخلاف اتفاقياتك الحالية مع Microsoft أو Azure

كيف تثبّت Semantic Kernel وتبدأ استخدامه؟

1. 1
   ثبّت الـ SDK للغتك: dotnet add package Microsoft.SemanticKernel (لـ.NET)، أو pip install semantic-kernel (لـPython)، أو أضف تبعية com.microsoft.semantic-kernel (لـJava).
2. 2
   اضبط بيانات اعتماد مزوّد النموذج كمتغيرات بيئة أو إعدادات — لا يوفّر Semantic Kernel الوصول إلى النماذج بنفسه؛ اتصل بـAzure OpenAI أو OpenAI أو أي موصل آخر مدعوم.
3. 3
   أنشئ Kernel، وأضف خدمة ذكاء اصطناعي (مثل AddAzureOpenAIChatCompletion في .NET أو AzureChatCompletion في Python)، وسجّل الإضافات التي يجب أن يستطيع النموذج استدعاءها.
4. 4
   فعِّل استدعاء الدوال التلقائي (FunctionChoiceBehavior.Auto()) حتى يتمكن النموذج من استدعاء الإضافات المسجَّلة مباشرة، دون كتابة مخطِّط مخصص.
5. 5
   بالنسبة لمشروع جديد تمامًا، قيّم ما إذا كان يجب البدء مباشرة على Microsoft Agent Framework — الخليفة الذي أعلنته Microsoft، والمتاح عمومًا منذ أبريل 2026 — بدلًا من البناء على SDK أصبح الآن في وضع الصيانة.
6. 6
   اقرأ الوثائق الرسمية لـSemantic Kernel ومستودع GitHub للحصول على مرجع الواجهة البرمجية الحالي وأدلة الترحيل.

لمن يناسب Semantic Kernel؟

متى لا يجب استخدام Semantic Kernel؟

• البدء من الصفر في 2026 دون استثمار قائم في Semantic Kernel — انتقل مباشرة إلى Microsoft Agent Framework، الخليفة المتاح عمومًا من Microsoft نفسها، بدلًا من البناء على SDK في وضع الصيانة
• فريق خارج نظام .NET/Azure سيستفيد من مجتمع وبرامج تعليمية وكتالوج تكاملات أكبر حول LangChain أو LlamaIndex
• مشروع يحتاج تحديدًا إلى أنماط محادثة متعددة الوكلاء على طراز AutoGen/AG2 — وكلاء مسمّون يتناقشون أو يتفاوضون في دردشة جماعية — بدلًا من kernel واحد يستدعي إضافات
• سكربت خفيف أو نموذج أولي حيث يكون الاستدعاء المباشر لواجهة برمجة مزوّد النموذج أبسط من اعتماد تجريد Kernel/الإضافة/المخطِّط
• استخدم Semantic Kernel بدلًا من التبديل في منتصف المشروع فقط عندما يكون لديك بالفعل نشر إنتاجي عامل وتغطي نافذة الدعم المُلتزَم بها جدولك الزمني

Semantic Kernel مقابل البدائل

أخطاء شائعة عند تقييم Semantic Kernel

الأسئلة الشائعة

المصادر

قراءات ذات صلة

• مراجعة LangChain: الميزات والتسعير والبدائل — أكبر بديل عام الغرض، يعطي الأولوية لـPython/JavaScript، بمجتمع أكبر من Semantic Kernel.
• مراجعة AutoGen: إطار Microsoft متعدد الوكلاء — مشروع Microsoft Research الآخر الذي يدمجه Microsoft Agent Framework مع Semantic Kernel.
• مراجعة CrewAI: إطار متعدد الوكلاء قائم على الأدوار — بديل يعطي الأولوية لـPython ومبني حول "طواقم" وكلاء قائمة على الأدوار بدلًا من نموذج kernel/إضافة.
• مراجعة LangGraph: الميزات والتسعير والبدائل — بيئة تشغيل وكلاء قائمة على الرسوم البيانية للفرق التي تحتاج إلى تحكم صريح في الحالة أو الدورات أو مشاركة بشرية.
• مراجعة LlamaIndex: مقارنة أطر RAG — بديل يركّز على الاسترجاع للفرق التي تكون حاجتها الأساسية فهرسة المستندات وRAG.
• دليل برامج LLM المحلية — الكتالوج الكامل لأدوات الذكاء الاصطناعي المحلية الذي ينتمي إليه هذا المقال، بما في ذلك موقع Semantic Kernel بين أطر الوكلاء.