Microsoft Semantic Kernel pre podnikové .NET/Java stacky

Semantic Kernel je open-source SDK od Microsoftu, ktoré integruje veľké jazykové modely prostredníctvom pluginov, functions, plannera, memory a konektorov do .NET-, Python- a Java-aplikácií. Slúži ako orchestračná a foundation vrstva pre podnikovú AI a od roku 2026 tvorí základ Microsoft Agent Framework. Pre podniky s existujúcim Microsoft-, Azure- a .NET stackom je to najpriamočiarejší vstup do agentných workloadov.

• Čo to je: model-agnostické podnikové SDK na LLM orchestráciu, primárne pre C#/.NET, popri tom Python a Java.
• Kľúčové stavebné prvky: plugins/functions (tool-calling), planner (rozklad na kroky), memory (kontext/state) a konektory (modely, vektorové úložiská, služby).
• Strategický stav 2026: Semantic Kernel a AutoGen konvergujú v Microsoft Agent Framework 1.0 (GA od 3. apríla 2026, licencia MIT); SK zostáva foundation vrstvou, AutoGen prechádza do režimu údržby.

Štyri kľúčové stavebné prvky Semantic Kernel

Semantic Kernel štruktúruje integráciu AI prostredníctvom štyroch abstrakcií, z ktorých každá je samostatne zobraziteľná v podnikovom kóde.

Plugins a functions. Plugin združuje funkcie, ktoré môže kernel volať. Existujú dva druhy: Native functions sú bežný C#, Python alebo Java kód (napríklad prístup k databáze alebo REST volanie), semantic functions sú parametrizované prompty. Obidve sa modelu ponúkajú ako volateľné nástroje (tools). To zodpovedá tool-/function-calling vrstve so spracovaním chýb, ktorá tvorí podstatu agent frameworku.

Planner. Planner rozkladá cieľ na sled volaní functions. Namiesto natvrdo zadrôtovaného workflowu sa opíšu dostupné pluginy a model zostaví plán vykonania dynamicky. Je to most od statického workflowu k dynamicky riadenému agentovi. V konvergovanom Microsoft Agent Framework sa táto logika prevádza do konceptu graph-based workflowov a stateful agentov.

Memory. Memory udržiava kontext naprieč viacerými krokmi. SK abstrahuje krátkodobý kontext aj perzistentné úložiská prostredníctvom embeddings a vektorových úložísk (pre RAG scenáre). Tým je možný state management naprieč viacerými volaniami bez toho, aby sa stav musel manuálne posielať reťazcom volaní.

Konektory. Konektory oddeľujú kód od konkrétnych modelov a služieb. V Microsoft Agent Framework je možné vymeniť šesť poskytovateľov pomocou 1-line-swap: Azure OpenAI, OpenAI, Anthropic, Amazon Bedrock, Google Gemini a Ollama (stav 2026). To citeľne znižuje model lock-in — kľúčové kritérium výberu pre regulované odvetvia.

Zameranie .NET/Java: prečo z toho podnikové stacky profitujú

Podstatným rozdielom oproti Python-centrickým frameworkom ako CrewAI (iba Python) alebo Pydantic AI (iba Python) je prvotriedna podpora .NET. Kto prevádzkuje existujúcu ASP.NET-, Azure-Functions- alebo Service-Fabric-krajinu, integruje AI agentov v tom istom jazykovom a deployment stacku — bez jazykového zlomu, bez samostatnej Python služby.

Pre personálnu stránku je to relevantné: .NET talent pool v regióne DACH je veľký a dostupnosť kontraktorov pre Microsoft Agent Framework je v rešerši hodnotená ako veľmi vysoká. Java je podporovaná aj v Semantic Kernel; v novšom Microsoft Agent Framework leží ťažisko na .NET (C#) a Pythone, Java je podľa stavu roadmapy 2026 v beta fáze. Čisto Java-orientované firmy by si preto mali pred štartom projektu overiť aktuálnu podporu jazyka.

K tomu sa pridávajú podnikové vlastnosti, ktoré v praxi rozhodujú o produkčnej zrelosti:

• Natívna podpora MCP (Model Context Protocol) na štandardizovaný prístup k nástrojom, naviazaná napríklad cez konfiguráciu ako .WithMcpServer(...).
• Natívna podpora A2A (Agent-to-Agent, v1.0 GA od 9. apríla 2026) vrátane Signed Agent Cards pre komunikáciu agent-agent.
• Observability prostredníctvom Application Insights, OpenTelemetry a Foundry Monitoring — dôležité pre povinnosti auditu a traceability.
• Sandboxové vykonávanie kódu prostredníctvom CodeAct/Hyperlight (alpha stav 2026).
• Azure-EU hosting vo Frankfurte, West Europe, Switzerland North a Sweden Central plus Microsoft EU Data Boundary.

Vzťah k AutoGen: ohlásená konvergencia

Do roku 2025 mal Microsoft dve paralelné vetvy: Semantic Kernel ako produkčne orientované SDK a AutoGen ako výskumný/multi-agent framework. S Microsoft Agent Framework sa obidve zlučujú.

Zmena stratégie je konkrétna. Microsoft Agent Framework odštartoval 1. októbra 2025 do public preview a 3. apríla 2026 dosiahol general availability — pod licenciou MIT a s explicitným LTS commitmentom. Pred zlúčením mali Semantic Kernel a AutoGen spolu viac než 75 000 GitHub hviezdičiek. Nový framework čisto oddeľuje agentov (stateful execution units) a workflowy (graph-based orchestrácia) a integruje multi-agent koncepty AutoGenu do graph-workflow enginu.

Rozhodujúce pre existujúcich zákazníkov: Semantic Kernel nie je zastaraný. Microsoft odporúča lazy migration — SK zostáva foundation vrstvou a existujúce riešenia bežia ďalej. AutoGen naproti tomu prechádza do režimu údržby; nové multi-agent projekty by sa tam už nemali začínať (stav 2026).

Porovnanie migračných ciest

Kedy je Microsoft Agent Framework vhodný pre podnikové tímy — a kedy nie

Dobre vhodný, ak platí aspoň jeden z týchto bodov:

• .NET/C# je povinnosť alebo dominantný stack.
• Existuje Azure krajina s požiadavkou na EU dátovú rezidenciu.
• Tím je existujúcim zákazníkom Semantic Kernel alebo AutoGen.
• Regulované EU workloady s potrebou loggingu, traceability a human oversight (relevantné v kontexte EU AI Act; kompromis Digital Omnibus zo 7. mája 2026 o odložení povinností pre vysokorizikové systémy nebol podľa stavu 2026 ešte formálne schválený).

Skôr nevhodný, ak:

• Tím pracuje čisto na Pythone a rozhoduje time-to-demo — potom sú CrewAI (najrýchlejší prototyp) alebo Pydantic AI často priamočiarejšie.
• Je požadovaná striktná vendor suverenita bez US-poskytovateľa — tu zostáva väzba na US-vendora a diskusia o CLOUD Acte otvoreným bodom, napriek Azure-EU regiónom.
• Maximálna zrelosť je potrebná okamžite: GA je s dátumom 3. apríla 2026 ešte mladá a jednotlivé balíky (napríklad agent_framework.orchestrations) zostali dlhšie v preview stave. Nároky na zrelosť je potrebné overiť.

Konkrétny príklad: asistent na tvorbu ponúk v .NET stacku

Stredne veľký B2B strojár (Viedeň) chce odbremeniť obchodných zástupcov pri tvorbe ponúk. Existujúci stack: ASP.NET Core, SQL Server, Azure West Europe.

Výstavba s Microsoft Agent Framework na báze Semantic Kernel:

1. Plugin ProductCatalog (native function) číta ceny a dostupnosti zo SQL Server.
2. Plugin PricingRules (semantic function) aplikuje logiku zliav ako parametrizovaný prompt.
3. MCP server napája CRM pre históriu zákazníka (.WithMcpServer(...)).
4. Agent orchestruje: pochopiť dopyt, dotázať sa katalógu, kalkulovať cenu, vytvoriť text ponuky.
5. Konektor ukazuje na Azure OpenAI vo West Europe (EU dátová rezidencia).

Náčrt pseudokódu:

```csharp
var agent = new AgentBuilder()
.WithAzureOpenAI("gpt-deployment", endpoint, key) // EU-Region
.WithPlugin<ProductCatalog>()
.WithPlugin<PricingRules>()
.WithMcpServer("crm-connector")
.Build();

var result = await agent.RunAsync(
"Erstelle ein Angebot für Kunde 4711, 50 Einheiten Typ B");
```

Predpoklad výsledku: namiesto približne 25 minút manuálnej rešerše a tvorby textu na jednu ponuku dodá asistent návrh za menej ako 60 sekúnd, ktorý obchodník už len skontroluje (human-in-the-loop). Pri 40 ponukách za týždeň to zodpovedá úspore v rozsahu približne 16 hodín týždenne — konkrétne čísla je potrebné validovať v danej prevádzke. Application Insights protokoluje každý krok pre povinnosť auditu.

Pre agentúry a B2B rozhodovateľov

Pre agentúry je Microsoft Agent Framework pákou u zákazníkov s historicky vyrastenou Microsoft krajinou: dodávajú AI agentov v existujúcom .NET-/Azure stacku bez budovania paralelnej Python prevádzky a čisto argumentujú EU dátovú rezidenciu cez Azure-EU regióny voči ochrane údajov a compliance. Pre B2B rozhodovateľov je konvergencia Semantic Kernel a AutoGen signálom stability — GA produkt s LTS commitmentom namiesto dvoch paralelných projektov. Blck Alpaca podporuje DACH podniky pri výbere frameworku, hodnotení suverenity a migrácii existujúcich Semantic Kernel riešení. Odporúčanie: najprv definovať use-case, potom zvoliť framework — nikdy nie naopak.