Programowanie w .NET
SEMANTIC KERNEL
Paweł Łukasiewicz: programista blogger
Paweł Łukasiewicz
2025-05-18
Udostępnij Udostępnij Kontakt
Paweł Łukasiewicz
2025-05-18
Udostępnij Udostępnij Kontakt
🚧 Od problemu do rozwiązania – czyli jak trafiliśmy na Semantic Kernel i co z tego wyniknie

Praca programisty nieustannie wiąże się z nowościami. Nowe biblioteki, frameworki, aktualizacje, które nie do końca działają jak trzeba, zmieniające się wymagania... I co najważniejsze – coraz większe oczekiwania względem automatyzacji.

Od jakiegoś czasu sztuczna inteligencja przestała być zabawką czy ciekawostką. Zaczyna realnie wspierać nas w projektach.

🔄 Kilka słów kontekstu

Na blogu już wcześniej poruszałem tematykę AI, zaczynając od ogólnego wprowadzenia:

Te wpisy pokazały, że da się szybko i sprawnie zintegrować LLM (duże modele językowe) z kodem .NET.

Ale to była bardziej eksploracja — teraz przyszło konkretne zastosowanie z życia.

🧩 Problem, który nas do tego doprowadził

W jednym z bieżących projektów pojawił się temat automatyzacji odpowiedzi dla użytkowników — kontekst był rozproszony: trochę danych w systemie, część w e-mailu, część w dokumentach. Tradycyjne podejście: pisać parsery, reguły, if-y, switch-e. Da się? Da się. Ale już wiemy, że to:

  • ✖️ niewydajne,

  • ✖️ trudne do utrzymania,

  • ✖️ zupełnie nieelastyczne.

Zaczęliśmy więc szukać sposobu, żeby to… po prostu opisać słowami. A potem niech się dzieje magia.

🧠 Trafiamy na Semantic Kernel

Semantic Kernel to open-source’owe SDK od Microsoftu, które pozwala zintegrować modele LLM z klasycznym kodem. Umożliwia pisanie własnych funkcji (pluginów), planowanie złożonych operacji, zarządzanie kontekstem i dostępem do pamięci. Mówiąc krótko — można stworzyć agenta, który sam rozumie, planuje i działa.

Co ważne dla nas: działa bardzo dobrze w środowisku .NET, wspiera C#, Pythona i JavaScript, a do tego świetnie dogaduje się z Microsoft 365, Azure i Outlookiem.

👨‍💻 Jesteśmy .NET-owcami — wybór był prosty

Nie ukrywam — jako programista .NET nie miałem większego dylematu. Semantic Kernel po prostu pasuje do tego, jak pracujemy: DI, pluginy, rozszerzalność, wszystko dobrze znane. A fakt, że można budować pluginy jako zwykłe klasy C#, tylko ułatwia sprawę.

Dla równowagi — wiem, że wielu czytelników bloga pracuje w Pythonie. Dlatego przygotowałem osobny wpis, w którym porównuję Semantic Kernel z jego najbardziej znanym konkurentem: LangChain. Warto go przeczytać niezależnie od technologii, w jakiej pracujesz.

🗂️ Co planuję w tej serii?

W kolejnych wpisach pokażę:

  1. Wprowadzenie do Semantic Kernel – szybki przegląd możliwości

  2. Tworzenie i używanie pluginów

  3. Wbudowane pluginy

  4. Planery w Semantic Kernel

  5. Tworzenie agenta AI – kod od zera

  6. Zarządzanie kontekstem i pamięcią

  7. Integracja z Microsoft 365 (Outlook, Teams, OneDrive)

  8. Semantic Kernel vs LangChain

  9. Zaawansowane scenariusze – case study

  10. Najlepsze praktyki, wskazówki i pułapki

  11. Finalny projekt: Research Assistant

  12. Podsumowanie i dalsze kierunki rozwoju

📌 Na zakończenie

To nie będzie kolejna seria o "jak działa API OpenAI".
Tu skupimy się na budowaniu realnych aplikacji AI w środowisku .NET, z pełną kontrolą nad kodem, zachowaniem i integracją z istniejącą infrastrukturą.

Jeśli jesteś gotów, następny wpis już za chwilę — zaczniemy od wprowadzenie do tworzenia i używania pluginów.