Semantic Kernel es la capa de código que Microsoft mantiene por debajo de sus propios productos de IA: entender cómo funciona explica gran parte de cómo se comportan Copilot Studio y AI Foundry Agent Service por dentro.
Semantic Kernel es un SDK open source (disponible en C#, Python y Java) que Microsoft desarrolla activamente como su capa de orquestación de IA de referencia, con soporte de primera clase para Azure OpenAI y modelos de otros proveedores por igual. A diferencia de LangChain, que prioriza cobertura amplia de integraciones y experimentación rápida, Semantic Kernel prioriza estabilidad de API para entornos empresariales de producción, con versionado semántico estricto y compatibilidad multi-lenguaje pensada para equipos que ya tienen bases de código en .NET o Java, no solo en Python.
El objeto Kernel es el punto de composición central: registra los servicios de IA disponibles (uno o varios modelos, potencialmente de distintos proveedores), los plugins cargados, y los servicios de memoria o vector store. Cualquier función invocada pasa a través del kernel, lo que permite aplicar filtros transversales (logging, control de costo, moderación de contenido) en un solo lugar sin tocar cada función individual.
Un plugin agrupa funciones semánticas (prompts parametrizados que el modelo ejecuta, por ejemplo "resumir texto" o "extraer entidades") y funciones nativas (código C# o Python normal, por ejemplo una consulta a base de datos o una llamada a una API interna) bajo una misma interfaz. Para el modelo, ambas se ven idénticas: son funciones invocables con nombre, descripción y parámetros tipados, lo que permite que el motor de function calling decida entre ellas sin distinguir su implementación subyacente.
Cuando el modelo subyacente soporta function calling nativo (como GPT-4o), Semantic Kernel expone automáticamente los plugins registrados como herramientas disponibles y ejecuta la invocación real cuando el modelo la solicita, sin código adicional de enrutamiento. Para escenarios donde se necesita planificar una secuencia de pasos antes de ejecutar (en lugar de decidir función por función), el Handlebars planner y el Function Calling Stepwise Planner generan un plan explícito que puede inspeccionarse y auditarse antes de ejecutarse, algo valioso quirúrgicamente en procesos de negocio donde la secuencia de acciones importa.
El Agent Framework, construido sobre el kernel base, añade el concepto de agente con persona e instrucciones propias, y permite componer conversaciones multiagente donde distintos agentes (cada uno con su propio kernel, modelo o conjunto de plugins) colaboran dentro de un mismo chat orquestado, con estrategias configurables de turno (quién habla después) y de terminación (cuándo se considera resuelta la tarea).
Semantic Kernel abstrae el acceso a bases vectoriales (Azure AI Search, Qdrant, Redis, Chroma, entre otras) detrás de una interfaz común de vector store, lo que permite cambiar el backend de memoria sin reescribir la lógica de recuperación de la aplicación, un patrón útil cuando el proyecto empieza en un almacén ligero para desarrollo y migra a Azure AI Search en producción.
Un flujo de trabajo común en equipos de Microsoft: prototipar la lógica de agente en Semantic Kernel, donde el ciclo de iteración en código es más rápido, y luego migrar la definición de agente hacia AI Foundry Agent Service para producción, donde se obtiene gestión administrada de threads, escalado y observabilidad sin perder la posibilidad de seguir usando Semantic Kernel como capa de orquestación multiagente por encima.
Carlos Montiel es arquitecto de soluciones IA empresarial. Implementa LLMs, Agentes, RAG y orquestadores en empresas de Guatemala y Latinoamérica. Contáctalo para una consultoría.
Contactar a Carlos Montiel