Semantic Kernel 2026 : fonctionnalités, tarifs, alternatives

Qui a créé Semantic Kernel, et que devient-il maintenant ?

Qu'est-ce que Semantic Kernel ?

• Kernel : l'objet central qui détient les services IA enregistrés (complétion de chat, embeddings), les plugins et la configuration — chaque application Semantic Kernel en construit un
• Plugins : des fonctions de code natif ou des modèles de prompts, annotés de métadonnées (@kernel_function en Python, `[KernelFunction]` en C#), que le modèle peut découvrir et appeler — l'équivalent des « outils » (tools) d'autres frameworks
• Planners : la logique qui décide quels plugins invoquer pour satisfaire une requête ; le standard actuel s'appuie sur le function calling natif du fournisseur de modèle (FunctionChoiceBehavior.Auto()) plutôt que sur les anciennes classes de planners dédiées
• Connecteurs de bases vectorielles (mémoire) : interfaces standard pour stocker et récupérer des embeddings sur les bases vectorielles supportées, utilisées pour la génération augmentée par récupération
• Process Framework : une abstraction de workflow construite sur le Kernel pour des processus métier longs et multi-étapes
• Composants d'entreprise : filtres intégrés, hooks d'observabilité et de télémétrie, et journalisation structurée pensés pour les déploiements Azure en production

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())

Combien coûte Semantic Kernel ?

• Semantic Kernel (le SDK) : gratuit pour toujours, licence MIT, auto-hébergé ou cloud, sans plafond d'utilisation sur le framework
• Coûts d'API modèle : paiement à l'usage selon le fournisseur LLM connecté (Azure OpenAI Service, OpenAI et autres) — Semantic Kernel n'héberge ni ne revend l'accès aux modèles
• Coûts d'hébergement Azure (optionnel) : déployer sur Azure App Service, Azure Functions ou Azure Kubernetes Service coûte le tarif standard de calcul Azure — Semantic Kernel n'impose pas Azure, mais les exemples et composants d'entreprise de Microsoft le supposent par défaut
• Coûts de base vectorielle (optionnel) : connecter Azure AI Search ou une autre base vectorielle pour la mémoire/RAG a son propre tarif séparé
• Support : la fenêtre de maintenance engagée par Microsoft (correctifs critiques et mises à jour de sécurité) pour les déploiements Semantic Kernel existants court au moins jusqu'en 2027, sans coût supplémentaire au-delà des accords Microsoft ou Azure existants

Comment installer et démarrer avec Semantic Kernel ?

1. 1
   Installez le SDK pour votre langage : dotnet add package Microsoft.SemanticKernel (.NET), pip install semantic-kernel (Python), ou ajoutez la dépendance com.microsoft.semantic-kernel (Java).
2. 2
   Renseignez les identifiants de votre fournisseur de modèle en variables d'environnement ou configuration — Semantic Kernel ne fournit pas l'accès aux modèles lui-même ; connectez Azure OpenAI, OpenAI ou un autre connecteur supporté.
3. 3
   Créez un Kernel, ajoutez un service IA (par exemple AddAzureOpenAIChatCompletion en .NET ou AzureChatCompletion en Python), et enregistrez les plugins que le modèle doit pouvoir appeler.
4. 4
   Activez le function calling automatique (FunctionChoiceBehavior.Auto()) pour que le modèle invoque directement les plugins enregistrés, sans écrire de planner dédié.
5. 5
   Pour un projet entièrement nouveau, évaluez s'il faut démarrer directement sur Microsoft Agent Framework — le successeur désigné par Microsoft, en disponibilité générale depuis avril 2026 — plutôt que de construire sur un SDK désormais en mode maintenance.
6. 6
   Consultez la documentation officielle de Semantic Kernel et le dépôt GitHub pour la référence API actuelle et les guides de migration.

Pour qui est fait Semantic Kernel ?

Quand ne PAS utiliser Semantic Kernel ?

• Démarrer en 2026 sans investissement Semantic Kernel existant — allez directement sur Microsoft Agent Framework, le successeur en disponibilité générale de Microsoft, plutôt que de construire sur un SDK en mode maintenance
• Une équipe hors de l'écosystème .NET/Azure qui bénéficierait de la communauté, des tutoriels et du catalogue d'intégrations plus larges de LangChain ou LlamaIndex
• Un projet nécessitant spécifiquement des schémas de conversation multi-agents à la AutoGen/AG2 — des agents nommés débattant ou négociant dans un chat de groupe — plutôt qu'un kernel unique appelant des plugins
• Un script léger ou un prototype où un appel API direct au fournisseur de modèle est plus simple qu'adopter l'abstraction Kernel/plugin/planner
• Utilisez Semantic Kernel plutôt que de changer en cours de route uniquement si vous avez déjà un déploiement en production fonctionnel et que la fenêtre de support engagée couvre votre calendrier

Semantic Kernel vs. alternatives

Erreurs courantes dans l'évaluation de Semantic Kernel

Questions fréquemment posées

Sources

Lectures complémentaires

• Avis LangChain : fonctionnalités, tarifs, alternatives — la plus grande alternative généraliste, Python/JavaScript-first, avec une communauté plus large que Semantic Kernel.
• Avis AutoGen : le framework multi-agents de Microsoft — l'autre projet Microsoft Research que Microsoft Agent Framework fait converger avec Semantic Kernel.
• Avis CrewAI : framework multi-agents basé sur les rôles — une alternative Python-first construite autour de « crews » d'agents basées sur les rôles plutôt qu'un modèle kernel/plugin.
• Avis LangGraph : fonctionnalités, tarifs, alternatives — un moteur d'agents graphique pour les équipes ayant besoin d'un contrôle d'état, de cycles ou d'un humain dans la boucle explicites.
• Avis LlamaIndex : comparatif de frameworks RAG — une alternative orientée récupération pour les équipes dont le besoin principal est l'indexation de documents et le RAG.
• Annuaire de logiciels LLM locaux — le catalogue complet d'outils d'IA locale auquel appartient cet article, avec la place de Semantic Kernel parmi les frameworks d'agents.