Semantic Kernel 2026: Funktionen, Preise, Alternativen im Test

Wer hat Semantic Kernel entwickelt, und was passiert jetzt damit?

Was ist Semantic Kernel?

• Kernel: das zentrale Objekt, das registrierte KI-Dienste (Chat Completion, Embeddings), Plugins und Konfiguration verwaltet — jede Semantic-Kernel-Anwendung baut einen auf
• Plugins: native Codefunktionen oder Prompt-Vorlagen, mit Metadaten versehen (@kernel_function in Python, `[KernelFunction]` in C#), die das Modell entdecken und aufrufen kann — Semantic Kernels Entsprechung zu "Tools" in anderen Frameworks
• Planner: Logik, die entscheidet, welche Plugins zur Erfüllung einer Anfrage aufgerufen werden; der moderne Standard verlässt sich auf natives Function-Calling des Modellanbieters (FunctionChoiceBehavior.Auto()) statt auf die älteren dedizierten Planner-Klassen
• Vector-Store-Konnektoren (Memory): standardisierte Schnittstellen zum Speichern und Abrufen von Embeddings über unterstützte Vektordatenbanken, genutzt für Retrieval-Augmented Generation
• Process Framework: eine auf dem Kernel aufbauende Workflow-Abstraktion für längerlaufende, mehrstufige Geschäftsprozesse
• Enterprise-Komponenten: integrierte Filter, Observability- und Telemetrie-Hooks sowie strukturiertes Logging für produktive Azure-Bereitstellungen

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())

Was kostet Semantic Kernel?

• Semantic Kernel (das SDK): für immer kostenlos, MIT-Lizenz, selbst gehostet oder in der Cloud, keine Nutzungsobergrenzen für das Framework
• Kosten für Modell-APIs: Pay-as-you-go für den jeweils angebundenen LLM-Anbieter (Azure OpenAI Service, OpenAI und andere) — Semantic Kernel hostet oder vermittelt keinen Modellzugang selbst
• Azure-Hosting-Kosten (optional): Deployment auf Azure App Service, Azure Functions oder Azure Kubernetes Service kostet reguläre Azure-Rechenpreise — Semantic Kernel setzt Azure nicht voraus, aber Microsofts eigene Beispiele und Enterprise-Komponenten gehen standardmäßig davon aus
• Kosten für Vektordatenbanken (optional): das Anbinden von Azure AI Search oder einem anderen Vector Store für Memory/RAG kostet gemäß der jeweils eigenen Preisstruktur
• Support: Microsofts zugesagtes Wartungsfenster (kritische Bugfixes und Sicherheitsupdates) für bestehende Semantic-Kernel-Bereitstellungen läuft mindestens bis 2027, ohne Zusatzkosten über bestehende Microsoft- oder Azure-Verträge hinaus

Wie installieren und starten Sie Semantic Kernel?

1. 1
   Installieren Sie das SDK für Ihre Sprache: dotnet add package Microsoft.SemanticKernel (.NET), pip install semantic-kernel (Python), oder fügen Sie die com.microsoft.semantic-kernel-Abhängigkeit hinzu (Java).
2. 2
   Hinterlegen Sie die Zugangsdaten Ihres Modellanbieters als Umgebungsvariablen oder Konfiguration — Semantic Kernel stellt selbst keinen Modellzugang bereit; verbinden Sie Azure OpenAI, OpenAI oder einen anderen unterstützten Konnektor.
3. 3
   Erstellen Sie einen Kernel, fügen Sie einen KI-Dienst hinzu (z. B. AddAzureOpenAIChatCompletion in .NET oder AzureChatCompletion in Python) und registrieren Sie die Plugins, die das Modell aufrufen können soll.
4. 4
   Aktivieren Sie automatisches Function-Calling (FunctionChoiceBehavior.Auto()), damit das Modell registrierte Plugins direkt aufrufen kann, ohne einen dedizierten Planner zu schreiben.
5. 5
   Prüfen Sie bei einem völlig neuen Projekt, ob Sie direkt mit dem Microsoft Agent Framework starten sollten — Microsofts erklärtem Nachfolger, allgemein verfügbar seit April 2026 —, statt auf einem SDK im Wartungsmodus aufzubauen.
6. 6
   Lesen Sie die offizielle Semantic-Kernel-Dokumentation und das GitHub-Repository für die aktuelle API-Referenz und Migrationsleitfäden.

Für wen eignet sich Semantic Kernel?

Wann sollten Sie Semantic Kernel NICHT verwenden?

• Neustart 2026 ohne bestehende Semantic-Kernel-Investition — gehen Sie direkt zum Microsoft Agent Framework, Microsofts eigenem allgemein verfügbaren Nachfolger, statt auf einem SDK im Wartungsmodus aufzubauen
• Ein Team außerhalb des .NET-/Azure-Ökosystems, das von der größeren Community, den Tutorials und dem Integrationskatalog rund um LangChain oder LlamaIndex profitieren würde
• Ein Projekt, das speziell AutoGen-/AG2-artige Multi-Agenten-Konversationsmuster benötigt — benannte Agenten, die in einem Gruppen-Chat diskutieren oder verhandeln — statt eines einzelnen Kernels, der Plugins aufruft
• Ein leichtgewichtiges Skript oder Prototyp, bei dem ein direkter API-Aufruf beim Modellanbieter einfacher ist als die Kernel-/Plugin-/Planner-Abstraktion
• Nutzen Sie Semantic Kernel statt eines Mittendrin-Wechsels nur, wenn Sie bereits eine funktionierende Produktivbereitstellung haben und das zugesagte Support-Fenster Ihren Zeitrahmen abdeckt

Semantic Kernel vs. Alternativen

Häufige Fehler bei der Bewertung von Semantic Kernel

Häufig gestellte Fragen

Quellen

Weiterführende Artikel

• LangChain im Test: Funktionen, Preise, Alternativen — die größte Allzweck-Alternative, Python-/JavaScript-first mit größerer Community als Semantic Kernel.
• AutoGen im Test: Microsofts Multi-Agenten-Framework — das andere Microsoft-Research-Projekt, das das Microsoft Agent Framework mit Semantic Kernel zusammenführt.
• CrewAI im Test: Rollenbasiertes Multi-Agenten-Framework — eine Python-first-Alternative rund um rollenbasierte Agenten-"Crews" statt eines Kernel-/Plugin-Modells.
• LangGraph im Test: Funktionen, Preise, Alternativen — eine graphbasierte Agenten-Laufzeitumgebung für Teams, die explizite Zustandskontrolle, Zyklen oder Human-in-the-Loop benötigen.
• LlamaIndex im Test: RAG-Framework im Vergleich — eine retrieval-fokussierte Alternative für Teams, deren Hauptbedarf Dokumenten-Indexierung und RAG ist.
• Local LLM Software-Verzeichnis — der vollständige Katalog lokaler KI-Tools, zu dem dieser Artikel gehört, einschließlich der Einordnung von Semantic Kernel unter den Agenten-Frameworks.