Semantic Kernelとは？仕組みや使い方、料金までわかりやすく解説
- Semantic KernelはMicrosoft発で、生成AIと業務システムをつなぐ開発キット
- AIが適切な関数を選び、既存業務と連携する仕組み
- 新規開発では後継基盤との比較・移行判断が重要
Semantic Kernelは、生成AIと社内システムをつなぎ、目的に応じて業務機能を実行するAIエージェントを開発するためのOSSです。モデル呼び出し、社内APIの実行、データ検索を共通の構成で管理できる点が特徴です。
この記事では、仕組みと主な機能、Python・C#による導入手順を解説します。料金や他のフレームワークとの違い、Microsoft Agent Frameworkへの移行も踏まえ、自社で採用すべきか判断できます。
＼生成AIを活用して業務プロセスを自動化／
2026年9月15日（火）12時05分より、AI博覧会で田村が登壇した内容を再構成したオンラインセミナーを開催！
AI新規サービスを売上につなげる進め方を事例付きで解説します！
Semantic Kernelとは
Semantic Kernelは、Microsoftが公開するAIアプリケーション開発用のSDKです。SDKとは、開発に必要な部品や仕組みをまとめた開発キットを指します。
モデルの呼び出しや業務用の関数、データ検索をまとめて扱い、既存のC#・Python・Javaアプリへ組み込めます。関数は、在庫照会など特定の処理を実行するコードです。Microsoftは、モデルと既存アプリをつなぐ仕組みと説明しています。
接続先の切り替えや監視・安全確認の処理を組み込めるため、企業の既存システムとAIを連携させる用途に適しています。
開発元・OSSとしての位置づけ
コードの共有・変更管理サービスであるGitHubでは、Semantic Kernelのソースコードを確認できます。問題の報告や修正案の提案も可能です。
GitHubリポジトリにはMIT Licenseが明記され、SDK本体を無償で導入できます。企業が採用を検討する際も、実装内容を確認しながら自社のアプリケーションへ組み込める点が特徴です。
自社要件に合わせて改修できる一方、採用側には更新内容や脆弱性情報を継続して確認する運用も求められます。
Agent Frameworkとの関係
Microsoft Agent Frameworkは、Semantic Kernelと、複数のエージェントを協調させる開発基盤AutoGenの成果を統合したものです。Microsoftは、両者の後継となるフレームワークに位置づけています。
2026年9月時点でAgent Framework 1.0は本番向けとして公開され、Semantic Kernelの移行ガイドも用意されています。既存システムは互換性と改修範囲を確認し、新規開発ではAgent Frameworkを軸に検討するのが現実的です。
|
Semantic Kernelの仕組み
Semantic Kernelは、Kernelを中心に各部品を連携させます。図のAIサービスコネクタはモデルへの接続部品、プラグインは業務関数の集まりです。ベクトルストアは文章などを数値の並びに変換して保存・検索する仕組みを指します。
外部システムの機能を呼び出す窓口が業務APIです。Semantic Kernelは依頼に応じてモデルへの問い合わせや関数の実行、関連情報の検索を組み合わせ、その結果をアプリケーションへ返します。
カーネル(Kernel)
AIサービスやプラグイン、ログなどの依存関係を一か所で管理するのがKernelです。Semantic Kernelの中核となるコンポーネントとして、各部品を連携させます。
AIへの指示文であるプロンプトの作成や接続先モデルの選択、応答の解析もKernelの役割です。処理の入口を集約することで、接続先が増えた際の変更箇所を確認しやすくなります。監視や安全確認の処理を業務関数とは分けて管理できる点も利点です。
AIサービスコネクタ
AIサービスコネクタは、OpenAIやAzure OpenAI Serviceなど、接続先ごとの呼び出し方法の違いを吸収する部品です。アプリ側は共通のインターフェースを通じて、チャット生成や文章をベクトルへ変換する埋め込みモデルを利用できます。
ただし、対応モデルや、モデルが呼び出す関数を選ぶFunction Callingへの対応はコネクタごとに異なります。モデルを切り替える際は、名前だけを差し替えず、必要な機能と認証方式を検証しましょう。
プラグイン(Plugin)
既存の処理を生成AIから呼び出せる関数としてまとめるには、プラグインを使います。社内システムのAPIも接続の対象です。
在庫照会や社内検索などの関数を用意すると、モデルが依頼に合うものを選択します。実行結果をモデルへ返すのはSemantic Kernelの役割です。
便利な一方、AIへ公開する関数は必要最小限に絞るべきです。更新・削除を伴う操作には、権限確認や入力検証、人による承認を組み合わせます。
Semantic Kernelとは別の仕組みですが、AIエージェント拡張の共通規格「Agent Plugins」は下記で解説しています。
メモリ・ベクトルストアコネクタ
過去の会話や社内文書を参照させる場合は、データをベクトル化してベクトルストアへ保存し、類似する情報を検索します。ベクトルとは、文章の意味を数値の並びで表現したものです。
現在のSemantic Kernelでは、旧来のMemory StoreよりVector Storeコネクタが中心です。保存先やコネクタには開発段階の差があるため、対応言語、検索精度、運用中の互換性を確認して選びます。
検索で取得した外部情報を回答生成に加えるRAGの構成や実装方法は、こちらで詳しく解説しています。
Semantic Kernelの主な機能
Semantic Kernelの中心機能は、生成AIが適切な関数を選ぶFunction Callingと、複数の役割を連携させるエージェント機能です。処理の前後へ検査や記録を差し込み、業務システムとして監視しやすい構成も作れます。
関数呼び出しの自動実行(Function Calling)
Function Callingでは、モデルが依頼に必要な関数を選び、アプリケーションが実行します。Semantic Kernelの役割は、利用可能な関数をモデルへ伝え、呼び出し要求を受け取ると引数を整えて実行することです。
得られた結果は再びモデルへ渡され、最終回答に反映されます。必要に応じて、このやり取りを繰り返し、複数の処理をつなぎます。自動実行を使う場合も、外部更新や機密情報に関わる関数には、許可範囲と失敗時の処理を明示することが重要です。
マルチエージェントの構築(Agent Orchestration)
複数のエージェントに調査、分析、確認などの役割を分けると、各処理を独立して設計できます。これはSemantic Kernel自体が備える「Agent Orchestration」という機能で、前述の後継製品であるMicrosoft Agent Frameworkとは別物です。連携パターンは用意されているものの、複数の処理の順序や連携を制御する一部の機能は実験段階です。
役割を増やすほど、処理の受け渡しや終了条件の設計も必要になります。長時間の処理や人による承認を含む場合は、失敗時の再開方法まで検証しましょう。
役割分担や連携方式の基本は、次の記事で確認できます。
セキュリティ・監視機能(Filter/Hooks)
関数の実行前後やプロンプト生成時などに検査・記録処理を差し込むには、FiltersやHooksを使います。入力値の確認、監査ログの保存、危険な操作の停止、エラー処理を共通化するための仕組みです。
個別のプラグインに検査処理を散らさず、同じ方針を適用しやすい点が企業のガバナンスに役立ちます。ただし、使える種類や提供状況は言語によって同一ではありません。公式の対応表を確認したうえで、アプリ側の認可や監視基盤と組み合わせてください。
Semantic Kernelの使い方
導入時は、言語と必要機能を決め、SDKの導入からモデル接続、プラグイン登録へと段階的に進めると検証しやすくなります。最初から全業務を自動化せず、読み取り専用の機能で精度・権限・ログを確かめるのが安全です。
対応言語と開発環境の準備
Semantic KernelはC#・Python・Javaに対応しています。既存の業務アプリに合わせて言語を選び、使いたいモデルや機能への対応も確認しましょう。
Pythonでは仮想環境、C#では.NET SDKとプロジェクトを用意します。.NETはC#などのアプリを開発・実行するための基盤です。対応バージョンを確認したうえで、公式の導入手順に沿って次のコマンドを実行します。
【コード】Python（仮想環境内）
pip install semantic-kernel【コード】C#（プロジェクトのフォルダ内）
dotnet add package Microsoft.SemanticKernel基本的な実装の流れ
Kernelを生成してAIサービスを登録し、使用モデルと認証情報を設定します。Azure OpenAI Serviceでは、デプロイ名と接続先URLも確認してください。認証情報はコードへ直接書き込まず、環境変数などで管理します。
掲載した実演はOpenAI APIを使った実行例ですが、InventoryPluginが返す在庫情報はコード内のデモデータで、実在庫の照会結果ではありません。
次に業務関数をプラグインとして登録し、Function Callingの自動選択・実行を有効化します。プロンプトを送って関数の選択と回答を確かめ、失敗時の処理や権限も検証しましょう。外部データの更新は、承認と監査ログを整えてから追加します。
設計から検証までの進め方は、次の記事も参考になります。
Semantic Kernelの料金
MIT Licenseで公開されるSemantic KernelのSDK本体は無料です。有料のモデルAPIやクラウド、データ保存・監視サービスを使う場合は、それぞれ利用料が発生します。ローカルモデルも接続できますが、機器や電力、保守の費用は考慮しましょう。
従量課金のモデルでは、文章を処理する単位であるトークンの入出力量が費用に影響します。2026年9月時点の料金表と課金条件を確認し、入出力それぞれの消費量と単価、月間の処理回数から試算してください。
Azure OpenAI Serviceの料金体系は、次の記事で解説しています。
Semantic Kernelの活用シーン
ここでは、Semantic Kernelの機能を生かせる一般的な活用シーンを紹介します。自社で検討する際は、対象データ、許可する操作、担当者による確認箇所を先に定めることが大切です。
社内ナレッジ検索・問い合わせ対応
社内規程や製品資料をベクトルストアへ登録し、質問に関連する文書を検索してから回答を生成する構成が有効です。WEELには、社内データをナレッジ化し、学習支援や顧客対応を自動化したいという相談が寄せられています。
Semantic Kernelなら、検索結果と回答生成を一つの処理へ組み込める点が特徴です。ただし、参照元の表示、アクセス権、古い文書の更新ルールも同時に設計する必要があります。
既存システムと連携した業務自動化
顧客情報の照会、在庫確認、申請内容の下書きなどをプラグイン化し、生成AIから既存システムへ接続する方法が考えられます。既存システムと連携するAIエージェントや全社横断の統合AI基盤も、WEELに寄せられた相談のテーマです。
企業利用では、セキュリティとガバナンスの設計も欠かせません。まず読み取り処理から始め、更新操作には承認を挟むとリスクを抑えられます。権限・入力検証・ログ・復旧手順まで決めてこそ、継続的な業務自動化につながります。
他のAIエージェントフレームワークとの違い
| 比較項目 | Semantic Kernel | LangChain | AutoGen |
|---|---|---|---|
| 主な位置づけ | AI機能と既存コードをつなぐSDK | モデル・ツール・検索を組み合わせる汎用フレームワーク | 会話型・マルチエージェント開発を進めたOSS |
| 主な言語 | C#・Python・Java | Python・JavaScript | Python・C# |
| 強み | 既存コードとAI機能の統合 | モデル・ツール・検索を組み合わせた処理 | 複数エージェントの対話パターン |
| 関連する開発基盤 | Microsoft Agent Frameworkが後継 | 処理の状態を管理するLangGraphと連携 | Microsoft Agent Frameworkが後継 |
| 現在の判断点 | 既存コードの保守とAgent Frameworkへの移行方針 | LangGraphを含む構成と運用方法 | メンテナンスモードのため、新規採用では後継を優先して比較 |
3つは重なる機能を持ちますが、得意な開発環境と今後の位置づけが異なります。既存システムと必要なモデルに加え、運用・監視要件と移行方針をそろえて比較しましょう。デモの作りやすさだけでは、本番運用への適合性は判断できません。
LangChainとの違い
LangChainはPythonとJavaScriptを中心に、モデル、ツール、検索機能を幅広く組み合わせられるフレームワークです。LangGraphによる状態を持つ処理を設計したい場合や、多様な外部サービスを試したい場合に候補となります。
Semantic KernelはC#・Javaも公式に扱い、Microsoftの技術基盤へ統合しやすい点が特徴です。対応コネクタ、監視方法、既存チームの言語を実装候補ごとに検証しましょう。
検索結果を回答に生かすLangChainとRAGの構成は、次の記事で紹介しています。
AutoGen/Agent Frameworkとの関係
AutoGenは、複数エージェントの会話や協調処理を発展させてきたMicrosoftのOSSです。2026年9月時点ではメンテナンスモードへ移行しており、新規利用者にはMicrosoft Agent Frameworkが案内されています。
AutoGenの既存コードを移行する場合は、エージェント間のメッセージやツールの呼び出し方を確認します。小さな検証環境で互換性を確かめ、必要な改修を洗い出してから移行範囲を決めましょう。
移行前のAutoGenの基本を確認したい方は、こちらをご覧ください。
Semantic Kernel導入時の注意点
Semantic KernelはAI連携を整理できますが、業務要件や権限設計まで自動で決めるものではありません。学習コストに加え、更新の速いSDKを継続して検証する体制が必要です。
学習コストと設計難易度
導入には、生成AIの特性やプロンプト、API、非同期処理への理解が求められます。認証・認可の知識も欠かせません。関数を登録するだけでは、誤った引数や想定外の関数選択、外部サービスの停止に対応できないためです。
最初は一つのモデルと読み取り専用プラグインに絞り、評価用データで成功条件を定めます。動作確認後に検索や更新機能を加えると、原因を切り分けやすくなります。
バージョンアップに伴う仕様変更（Plannerの廃止など）
Semantic Kernelは更新が続いており、以前使われていたStepwise PlannerやHandlebars Plannerは非推奨・削除の対象となりました。現在は、モデルのFunction Callingを利用する実装が推奨されています。
古い記事のコードをそのまま採用せず、使用バージョンの公式資料を確認してください。利用するパッケージのバージョンを固定し、更新前には既存機能が壊れていないかを確認する回帰テストを行いましょう。
AIエージェント開発のご相談はWEELへ
Semantic Kernelは、生成AIモデル、業務用の関数、データ検索を一つの構成で管理できるOSSの開発キットです。既存のMicrosoft環境やSemantic Kernel資産を生かしたいチームに適しています。一方、新規開発では後継のMicrosoft Agent Frameworkも比較し、必要機能と移行方針を確認しましょう。まずは読み取り専用の小さな業務を選び、精度・権限・ログ・費用を検証することが導入への現実的な一歩です。
「生成AIで新しいプロダクトを作りたい」「もっと本格的に生成AIを業務に組み込みたい」とお考えの方は、ぜひ株式会社WEELにご相談ください。
開発実績として、
・新規事業室での「リサーチ」「分析」「事業計画検討」を70％自動化するAIエージェント
・社内お問い合わせの1次回答を自動化するRAG型のチャットボット
・過去事例や最新情報を加味して、10秒で記事のたたき台を作成できるAIプロダクト
・お客様からのメール対応の工数を80％削減したAIメール
・サーバーやAI PCを活用したオンプレでの生成AI活用
・生徒の感情や学習状況を踏まえ、勉強をアシストするAIアシスタント
などの開発実績がございます。
生成AIを活用したプロダクト開発の支援内容は、以下のページでも詳しくご覧いただけます。
➡︎株式会社WEELのサービスを詳しく見る。
アイデア段階でも構いません。まずは無料相談でお気軽にご相談ください。
➡︎生成AIを活用したプロダクト開発・業務効率化について相談する
「生成AIを社内で活用したい」「生成AIの事業をやっていきたい」という方に向けて、通勤時間に読めるメルマガを配信しています。
最新のAI情報を日本最速で受け取りたい方は、以下からご登録ください。
また、弊社紹介資料もご用意しておりますので、併せてご確認ください。
よくある質問
