Semantic Kernel 2026: funciones, precios y alternativas

¿Quién creó Semantic Kernel, y qué pasa con él ahora?

¿Qué es Semantic Kernel?

• Kernel: el objeto central que aloja los servicios de IA registrados (chat completion, embeddings), plugins y configuración — cada aplicación de Semantic Kernel construye uno
• Plugins: funciones de código nativo o plantillas de prompts, marcadas con metadatos (@kernel_function en Python, `[KernelFunction]` en C#), que el modelo puede descubrir y llamar — el equivalente de "tools" en otros frameworks
• Planners: lógica que decide qué plugins invocar para satisfacer una solicitud; el estándar actual se apoya en el function calling nativo del proveedor del modelo (FunctionChoiceBehavior.Auto()) en lugar de las antiguas clases de planners dedicadas
• Conectores de bases vectoriales (memoria): interfaces estándar para almacenar y recuperar embeddings en bases vectoriales compatibles, usadas para generación aumentada por recuperación
• Process Framework: una abstracción de flujo de trabajo construida sobre el Kernel para procesos de negocio más largos y de múltiples pasos
• Componentes empresariales: filtros integrados, hooks de observabilidad y telemetría, y registro estructurado pensados para despliegues de producción en Azure

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())

¿Cuánto cuesta Semantic Kernel?

• Semantic Kernel (el SDK): gratis para siempre, licencia MIT, autoalojado o en la nube, sin límites de uso en el framework
• Costos de API del modelo: pago por uso según el proveedor de LLM que conectes (Azure OpenAI Service, OpenAI y otros) — Semantic Kernel no aloja ni revende el acceso a modelos
• Costos de hospedaje en Azure (opcional): desplegar en Azure App Service, Azure Functions o Azure Kubernetes Service tiene el precio estándar de cómputo de Azure — Semantic Kernel no requiere Azure, pero los ejemplos y componentes empresariales propios de Microsoft lo asumen por defecto
• Costos de base de datos vectorial (opcional): conectar Azure AI Search u otra base vectorial para memoria/RAG tiene su propio precio independiente
• Soporte: la ventana de mantenimiento comprometida por Microsoft (correcciones críticas y parches de seguridad) para los despliegues existentes de Semantic Kernel corre al menos hasta 2027, sin costo adicional más allá de tus acuerdos existentes con Microsoft o Azure

¿Cómo instalar y empezar con Semantic Kernel?

1. 1
   Instala el SDK para tu lenguaje: dotnet add package Microsoft.SemanticKernel (.NET), pip install semantic-kernel (Python), o añade la dependencia com.microsoft.semantic-kernel (Java).
2. 2
   Configura las credenciales de tu proveedor de modelo como variables de entorno o configuración — Semantic Kernel no proporciona acceso a modelos por sí mismo; conecta Azure OpenAI, OpenAI u otro conector compatible.
3. 3
   Crea un Kernel, añade un servicio de IA (por ejemplo AddAzureOpenAIChatCompletion en .NET o AzureChatCompletion en Python), y registra los plugins que el modelo deba poder llamar.
4. 4
   Activa el function calling automático (FunctionChoiceBehavior.Auto()) para que el modelo invoque directamente los plugins registrados, sin escribir un planner dedicado.
5. 5
   Para un proyecto completamente nuevo, evalúa si conviene empezar directamente en Microsoft Agent Framework — el sucesor declarado por Microsoft, disponible con carácter general desde abril de 2026 — en lugar de construir sobre un SDK ya en modo mantenimiento.
6. 6
   Lee la documentación oficial de Semantic Kernel y el repositorio de GitHub para la referencia de API actual y las guías de migración.

¿Para quién es Semantic Kernel?

¿Cuándo NO deberías usar Semantic Kernel?

• Empezar de cero en 2026 sin inversión existente en Semantic Kernel — ve directo a Microsoft Agent Framework, el sucesor con disponibilidad general propio de Microsoft, en lugar de construir sobre un SDK en modo mantenimiento
• Un equipo fuera del ecosistema .NET/Azure que se beneficiaría de la comunidad, los tutoriales y el catálogo de integraciones más amplios de LangChain o LlamaIndex
• Un proyecto que necesita específicamente patrones de conversación multiagente al estilo AutoGen/AG2 — agentes con nombre debatiendo o negociando en un chat grupal — en lugar de un solo kernel llamando plugins
• Un script ligero o prototipo donde una llamada directa a la API del proveedor del modelo es más simple que adoptar la abstracción Kernel/plugin/planner
• Usa Semantic Kernel en vez de cambiar a mitad de proyecto solo cuando ya tengas un despliegue de producción funcionando y la ventana de soporte comprometida cubra tu calendario

Semantic Kernel vs. alternativas

Errores comunes al evaluar Semantic Kernel

Preguntas frecuentes

Fuentes

Lecturas relacionadas

• Reseña de LangChain: funciones, precios, alternativas — la mayor alternativa de propósito general, Python/JavaScript-first, con una comunidad más grande que Semantic Kernel.
• Reseña de AutoGen: el framework multiagente de Microsoft — el otro proyecto de Microsoft Research que Microsoft Agent Framework converge con Semantic Kernel.
• Reseña de CrewAI: framework multiagente basado en roles — una alternativa Python-first construida alrededor de "crews" de agentes basadas en roles en lugar de un modelo kernel/plugin.
• Reseña de LangGraph: funciones, precios, alternativas — un motor de agentes basado en grafos para equipos que necesitan control explícito de estado, ciclos o humano en el bucle.
• Reseña de LlamaIndex: comparativa de frameworks RAG — una alternativa centrada en recuperación para equipos cuya necesidad principal es la indexación de documentos y RAG.
• Directorio de software LLM local — el catálogo completo de herramientas de IA local al que pertenece este artículo, con el lugar de Semantic Kernel entre los frameworks de agentes.