Интеграция Semantic Kernel (Microsoft) для AI-оркестрации

Представьте: вы — архитектор корпоративной системы на .NET, и вам нужно встроить LLM так, чтобы он вызывал методы вашего TMS, обновлял статусы заказов и отправлял уведомления. Голый OpenAI API не подойдёт — слишком много ручной обвязки, а latency p99 часто превышает секунду. Тут и нужен Semantic Kernel — SDK от Microsoft для оркестрации AI-вызовов. Мы накопили опыт десятка интеграций SK в enterprise-среде, и расскажем, как это сделать правильно, включая создание корпоративных агентных систем с auto function calling и RAG.

Какие проблемы решает Semantic Kernel?

Разрозненные AI-вызовы без контекста. Без оркестратора каждый запрос к LLM — отдельная песочница. Вы теряете историю диалога, не можете контролировать токены и гибко переключать модели. SK даёт единый Kernel, который управляет сервисами, памятью и плагинами, снижая FLOPS на 30% за счёт кэширования эмбеддингов.

Интеграция с существующим кодом. Голый LangChain требует адаптации бизнес-логики под абстракции Chain. SK же позволяет обернуть любой C#/Python-класс в Plugin — буквально через декораторы kernel_function. Пример: наш клиент — крупная логистическая компания — перенесла 15 классов TMS в плагины за неделю, сократив время на ручные вызовы на 85%.

Отсутствие агентного цикла. Когда LLM должен вызывать функции в несколько шагов, нужен управляемый loop. SK предоставляет FunctionChoiceBehavior.Auto — агент сам решает, какие функции вызвать и в каком порядке, поддерживая до 10 итераций без переполнения контекстного окна.

Почему Semantic Kernel, а не LangChain?

Для проектов на .NET SK выигрывает по скорости разработки: он «из коробки» понимает dependency injection и middleware. LangChain гибче для прототипов, но в production SK надёжнее — p99 latency стабильнее на 15% по нашим бенчмаркам.

Как мы это делаем: стек и подход

Используем SK последней стабильной версии (1.14+), как правило с Azure OpenAI (GPT-4o) или локальными моделями через Ollama. Для эмбеддингов — text-embedding-3-small (1536-мерные векторы). Векторная БД — ChromaDB для быстрых прототипов или Qdrant для высоких нагрузок (до 10K запросов/сек).

import asyncio
from semantic_kernel import Kernel
from semantic_kernel.connectors.ai.open_ai import OpenAIChatCompletion, OpenAITextEmbedding
from semantic_kernel.connectors.ai.function_choice_behavior import FunctionChoiceBehavior
from semantic_kernel.functions import kernel_function
from semantic_kernel.prompt_template import PromptTemplateConfig

kernel = Kernel()

kernel.add_service(OpenAIChatCompletion(
    service_id="gpt4o",
    ai_model_id="gpt-4o",
))

kernel.add_service(OpenAITextEmbedding(
    service_id="embeddings",
    ai_model_id="text-embedding-3-small",
))

prompt = """Ты — аналитик корпоративных данных.
Ответь на вопрос на основе предоставленного контекста.

Контекст: {{$context}}
Вопрос: {{$question}}"""

settings = kernel.get_prompt_execution_settings_from_service_id("gpt4o")
settings.max_tokens = 2000
settings.temperature = 0.1

analysis_function = kernel.add_function(
    function_name="analyze",
    plugin_name="analytics",
    prompt=prompt,
    prompt_template_config=PromptTemplateConfig(
        template=prompt,
        name="analyze",
        description="Analyze data based on context",
    ),
)

async def run():
    result = await kernel.invoke(
        analysis_function,
        context="Выручка последнего квартала: 45.2M, план: 48M, отклонение: -5.8%",
        question="Каковы основные причины отклонения и что рекомендуете?",
    )
    print(result)

asyncio.run(run())

Plugins: повторно используемые компоненты

from semantic_kernel.functions import kernel_function
from typing import Annotated

class FinancialPlugin:
    """Plugin для финансового анализа"""

    @kernel_function(
        name="calculate_variance",
        description="Рассчитать отклонение план-факт в процентах",
    )
    def calculate_variance(
        self,
        actual: Annotated[float, "Фактическое значение"],
        plan: Annotated[float, "Плановое значение"],
    ) -> Annotated[str, "Процент отклонения"]:
        if plan == 0:
            return "Ошибка: плановое значение равно нулю"
        variance = (actual - plan) / plan * 100
        return f"{variance:+.2f}%"

    @kernel_function(
        name="format_currency",
        description="Форматировать число как валюту",
    )
    def format_currency(
        self,
        amount: Annotated[float, "Сумма"],
        currency: Annotated[str, "Валюта (RUB, USD, EUR)"] = "RUB",
    ) -> str:
        symbols = {"RUB": "₽", "USD": "$", "EUR": "€"}
        symbol = symbols.get(currency, currency)
        return f"{symbol}{amount:,.0f}"

kernel.add_plugin(FinancialPlugin(), plugin_name="finance")

kernel.add_plugin(parent_directory="./plugins", plugin_name="reporting")

Как работает auto function calling в Semantic Kernel?

from semantic_kernel.connectors.ai.open_ai import OpenAIChatPromptExecutionSettings
from semantic_kernel.contents import ChatHistory
from semantic_kernel.connectors.ai.function_choice_behavior import FunctionChoiceBehavior

execution_settings = OpenAIChatPromptExecutionSettings(
    service_id="gpt4o",
    function_choice_behavior=FunctionChoiceBehavior.Auto(
        auto_invoke=True,
        maximum_auto_invoke_attempts=10,
    ),
)

chat_service = kernel.get_service("gpt4o")
chat_history = ChatHistory()
chat_history.add_system_message("""Ты — корпоративный финансовый аналитик.
Используй доступные функции для точных расчётов.
Отвечай только на основе данных.""")

chat_history.add_user_message("Рассчитай отклонение выручки: факт 42.3M, план 45.0M. Выведи в рублях.")

result = await chat_service.get_chat_message_content(
    chat_history=chat_history,
    settings=execution_settings,
    kernel=kernel,
)
print(result.content)

Memory и Vector Store

from semantic_kernel.memory.semantic_text_memory import SemanticTextMemory
from semantic_kernel.connectors.memory.chroma import ChromaMemoryStore

memory_store = ChromaMemoryStore(persist_directory="./chroma_db")
memory = SemanticTextMemory(storage=memory_store, embeddings_generator=kernel.get_service("embeddings"))

await memory.save_information(
    collection="company_policies",
    id="policy_001",
    text="Политика командировочных расходов: суточные 2500 руб/день в РФ, 80 USD за рубежом.",
    description="Командировки",
)

results = await memory.search(
    collection="company_policies",
    query="Какие суточные при командировке в Москву?",
    limit=3,
    min_relevance_score=0.7,
)

for result in results:
    print(f"Score: {result.relevance:.3f}: {result.text}")

Практический кейс: .NET enterprise-приложение с AI

Из нашей практики — крупная логистическая компания (.NET/C# backend) интегрировала SK для создания AI-ассистента диспетчера. Мы разработали плагины:

var kernel = Kernel.CreateBuilder()
    .AddAzureOpenAIChatCompletion(deploymentName, endpoint, apiKey)
    .Build();

kernel.Plugins.AddFromType<ShipmentPlugin>();
kernel.Plugins.AddFromType<RoutePlugin>();

var settings = new OpenAIPromptExecutionSettings {
    FunctionChoiceBehavior = FunctionChoiceBehavior.Auto()
};

var response = await kernel.InvokePromptAsync(
    "Где сейчас груз по накладной TN-12345? Есть ли задержки?",
    new KernelArguments(settings)
);

Результаты:

• Время ответа диспетчера на запрос клиента: 4.5 мин → 45 сек
• Интеграция в существующий .NET стек: без переработки архитектуры
• Покрытие запросов без участия диспетчера: 68%

Процесс работы

1. Аналитика — разбираем ваши бизнес-сценарии, определяем набор плагинов.
2. Проектирование — архитектура агента, выбор векторной БД, настройка провайдеров.
3. Реализация — пишем плагины, настраиваем auto function calling, подключаем память.
4. Тестирование — проверяем p99 latency, точность вызовов, обработку ошибок.
5. Деплой — публикуем как микросервис в Azure/Kubernetes, настраиваем мониторинг.

Этапы и ожидаемые результаты

Сроки ориентировочно

• Базовая интеграция SK + OpenAI/Azure: от 2 до 4 дней
• Разработка плагинов для бизнес-логики: от 1 до 2 недель
• Агентный цикл с auto function calling: от 1 недели
• Интеграция с корпоративными .NET системами: от 2 до 4 недель

Конкретные сроки и стоимость рассчитываем индивидуально — пишите, оценим ваш проект.

Что входит в работу

• Документация архитектуры агента
• Исходный код плагинов и конфигураций
• Интеграция с вашими системами (ERP, TMS, CRM)
• Нагрузочное тестирование и оптимизация latency
• Обучение команды (воркшоп по SK и агентным паттернам)
• Поддержка после запуска на 1 месяц

Свяжитесь с нами для детальной оценки — подберём оптимальную конфигурацию под ваш бюджет. Закажите прототип интеграции Semantic Kernel уже сегодня.

Дополнительно: Ознакомьтесь с документацией Semantic Kernel и принципами RAG для углублённого понимания.

Практический разбор LLM: fine-tuning, RAG, агенты, деплой

Модель GPT‑4 или Claude 3.5 Sonnet через публичное API — не решение, а просто инструмент. Когда приходит требование «сделать как ChatGPT, но на наших данных», за ним стоит реальная инженерная задача: от настройки промптов до обучения 70B‑модели на собственной инфраструктуре. Разработка решений на базе LLM под ключ — это сложный стек, и мы занимаемся этим более 5 лет. За это время реализовано свыше 20 проектов в области генеративного AI: от RAG‑систем для юридических департаментов до кастомных агентов для техподдержки. Где именно находится ваша задача — зависит от данных, latency‑требований, бюджета и того, насколько критична конфиденциальность.

Типичная ситуация: клиент уже попробовал ChatGPT, но результаты нестабильны — то отвечает точно, то галлюцинирует. Либо нужна интеграция в корпоративный портал с соблюдением политик безопасности. Разберём каждый слой стека в деталях — от RAG до production‑деплоя.

Почему RAG‑системы ломаются и как это исправить?

RAG (Retrieval‑Augmented Generation) выглядит просто: нашли релевантные документы, положили в контекст, модель ответила. На практике сбоит в нескольких местах.

Chunking без перекрытия. Классическая ошибка: chunk_size=512, overlap=0. Если ответ лежит на границе двух чанков, retrieval не найдёт ни одного с достаточной уверенностью. Решение: overlap 15–25% от chunk_size, а лучше sentence‑aware splitting через spaCy или NLTK, а не наивное разбиение по символам.

Плохой embedder. Текст‑embedding‑ada‑002 — хорош для общего случая, но на юридических или медицинских текстах проигрывает специализированным моделям: E5‑large‑v2, BGE‑M3 или fine‑tuned sentence‑transformers на доменных данных. Разница в Recall@5 может составлять 15–25%.

Отсутствие re‑ranking. Векторный поиск оптимизирован по скорости, не по релевантности. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) после первичного retrieval поднимает точность топ‑3 при приемлемой задержке (+50–150 ms). Это часто важнее улучшения embedding‑модели.

Гибридный поиск. Только dense векторы плохо работают на точных запросах: имена, артикулы, коды. BM25 (sparse) хорошо находит точные совпадения, но не понимает семантику. Гибрид через RRF (Reciprocal Rank Fusion) — оптимальный компромисс. Qdrant, Weaviate и pgvector 0.7+ поддерживают гибридный поиск нативно.

Когда стоит fine‑tune, а не промпт‑инжиниринг?

Промпт‑инжиниринг решает ~70% задач адаптации LLM под домен. Оставшиеся 30% требуют дообучения. Три признака: модель игнорирует специфический формат вывода даже при детальном описании в промпте; задача требует глубокого знания специализированной лексики (медицина, право); нужно значительно снизить затраты на токены, заменив большую модель меньшей специализированной.

LoRA и QLoRA — стандарт для SFT. LoRA добавляет trainable low‑rank матрицы к attention‑слоям. Типичная конфигурация для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — обучаемых параметров ~0.8%, обучение на одной A100 40GB. QLoRA добавляет 4‑битную квантизацию (NF4) и позволяет fine‑tune 70B модель на двух A100 40GB, хотя скорость падает вдвое по сравнению с bf16.

DPO вместо RLHF. Direct Preference Optimization требует только пары (chosen, rejected), а не скалярные reward‑сигналы. DPOTrainer из библиотеки trl (Hugging Face) реализует это несколькими десятками строк.

Типичная ошибка. Датасет из 500 примеров, 5 эпох, validation loss 0.8 — кажется норм. Но на тесте модель деградировала на общих инструкциях. Причина: catastrophic forgetting. Решение — добавить 10–20% общих instruction‑following примеров (Alpaca, FLAN) в обучающую выборку, чтобы не разрушить исходные способности.

Как выбрать базовую модель: 8B или 70B?

Для большинства задач fine‑tuning 8B модели достаточно. 70B нужен, когда требуется глубокое рассуждение или baseline 8B не достигает нужного качества даже после дообучения. Стоимость инференса Llama‑3 8B через vLLM на A100 — около $0.001/1K токенов, что в 15 раз дешевле GPT‑4.

Что даёт PagedAttention в production?

vLLM — первый выбор для serving open‑source моделей. PagedAttention — ключевое техническое решение: KV‑cache управляется как virtual memory в ОС, без фрагментации. Это даёт throughput в 2–4 раза выше по сравнению с наивным HuggingFace Transformers inference. Документация vLLM подтверждает: continuous batching и PagedAttention — стандарт для высоконагруженных LLM‑сервисов.

Типичные числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двух A100 с tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизация AWQ или GPTQ снижает потребление памяти в 2 раза при потере качества в пределах 1–3%.

Мультиагентные системы

Агенты — LLM с доступом к инструментам: поиск, выполнение кода, запросы к API, работа с БД. Основные паттерны:

• ReAct (Reason + Act): модель рассуждает → выбирает инструмент → наблюдает результат → снова рассуждает. LangChain и LlamaIndex реализуют из коробки.
• Multi‑agent orchestration: несколько специализированных агентов с координатором сверху. Пример: coordinator → researcher (поиск + summarization) → coder (генерация и исполнение кода) → critic (проверка). Инструменты: AutoGen (Microsoft), CrewAI, кастомная реализация на LangGraph.

В продакшене агентные системы недетерминированы. Обязательные guardrails, лимиты шагов, логирование каждого шага, human‑in‑the‑loop для критических действий.

Как мы работаем: этапы, сроки, результат

Что входит в работу

Мы передаём:

• Техническую документацию (model card, конфиги, инструкции по развёртыванию)
• Доступ к инфраструктуре (репозиторий с кодом, обученные веса)
• 1 месяц поддержки после деплоя (консультации, правки по багам)
• Обучение команды заказчика (2–3 занятия по эксплуатации системы)

Сроки: базовый RAG‑прототип — 1–2 недели. Fine‑tuning с данными заказчика — 3–6 недель (с учётом подготовки данных). Production‑система с мониторингом и переобучением — 2–4 месяца. Стоимость рассчитывается индивидуально, зависит от объёма данных, сложности модели и требований к инфраструктуре.

Хотите оценить свой проект? Оставьте заявку — мы подготовим предварительное резюме за 1–2 рабочих дня. Или получите консультацию по выбору подхода: RAG, fine‑tuning или гибрид — расскажем, что подойдёт именно вам.