Semantic Kernel-Plugins und Funktionen erklärt für .NET- und Python-Entwickler

Von Mirko Peters · 2026-10-23

Erfahren Sie, wie Semantic Kernel-Plugins und Funktionen eigenen Code sicher mit KI-Modellen verbinden. Beherrschen Sie Beschreibungen, OpenAPI, MCP-Server und Tool-Grenzen.

Automatisch mit KI aus dem Originalbeitrag übersetzt. Englisches Original lesen

Semantic Kernel-Plugins und -Funktionen bilden die Bausteine, mit denen Sprachmodelle sicher mit externer Software interagieren können. Indem Entwickler natürlichsprachliche Beschreibungen an eigenen Code anhängen, können sie KI-Modelle in die Lage versetzen, Unternehmensfunktionen automatisch zu finden, zu planen und auszuführen, ohne Logik fest zu codieren oder die Datenbank direkt offenzulegen.

Das Wichtigste in Kürze

• Semantic Kernel-Plugins fassen zusammengehörige Funktionen zusammen, um die Fähigkeiten eigener Software direkt für große Sprachmodelle verfügbar zu machen.
• Funktionsbeschreibungen sind entscheidende Anweisungen für die KI. Vage oder schlecht formulierte Beschreibungen führen dazu, dass das Modell falsch rät oder ganz versagt.
• Plugins lassen sich nativ in C#, Python oder Java schreiben, über OpenAPI-Spezifikationen importieren oder über Model Context Protocol (MCP)-Server einbinden.
• Das Kapseln von Datenbankverbindungen und Web-Clients in Plugins verhindert, dass das KI-Modell direkt auf sensible Infrastruktur zugreift.
• Wenn Sie die Empfehlung von OpenAI befolgen und aktive Tool-Listen unter zehn bis zwanzig Funktionen halten, bleibt die Genauigkeit des Modells bei der Ausführung hoch.

Plugins und Funktionen verstehen

Wenn Entwickler Anwendungen erstellen, die klassische Softwarebasis mit großen Sprachmodellen verbinden, stellen sie schnell fest: Sprachmodelle sind hervorragend darin, Text zu erzeugen, können aber ohne Vermittlung keine operativen Befehle ausführen. Ein Modell kann weder eine Kundendatenbank abfragen, noch eine E-Mail versenden oder die Smart-Lampen im Büro schalten, ohne eine Zwischenschicht. In der Semantic Kernel-Architektur wird genau diese fehlende Brücke durch Plugins und Funktionen gebildet.

Eine Funktion ist im Grunde ein Stück Standardcode, geschrieben in C#, Python oder Java, das eine bestimmte Aufgabe erledigt. Was eine gewöhnliche Funktion zu einem KI-fähigen Tool macht, ist ihre zugehörige natürlichsprachliche Beschreibung. Wenn Ihre Anwendung eine Funktion beim Kernel registriert, hängen Sie Metadaten an, die erklären, was die Funktion tut, welche Parameter sie benötigt und welche Daten sie zurückgibt. Das große Sprachmodell liest diese Beschreibungen zur Laufzeit, um zu bestimmen, wann und wie Ihr Code aufgerufen wird.

Der Aufbau einer gut beschriebenen Funktion

Einsteiger behandeln Funktionsbeschreibungen oft wie optionale Kommentare oder nebensächliche Dokumentation. Im Semantic Kernel-Ökosystem ist die Beschreibung jedoch der Prompt. Ist Ihre Funktionsbeschreibung vage, mehrdeutig oder zu technisch, wird das Sprachmodell ihren Zweck falsch interpretieren oder sie ganz übergehen.

Wirksame Beschreibungen für die KI schreiben

Damit Ihre Lösung in Produktionsumgebungen zuverlässig arbeitet, sollten Sie Funktionsbeschreibungen so formulieren, als würden Sie die Fähigkeit einem neuen Kollegen erklären. Statt ein Suchprogramm als get_ord_st() ohne Kontext zu beschreiben, sollte Ihr Plugin ausdrücklich angeben, dass die Funktion den Bestellstatus eines Kunden abruft, indem sie eine Bestell-ID als Zeichenfolge entgegennimmt und die aktuellen Auftragsdetails zurückgibt. Klare Eingaben, eindeutige Datentypen und präzise Funktionserklärungen beseitigen das Rätselraten für das Modell.

Plugins beziehen: Code, OpenAPI und MCP-Server

Semantic Kernel bietet große Flexibilität, weil Entwickler Plugins aus drei unterschiedlichen Quellen beziehen können. Wie gut sich Plugins skalieren und im Team teilen lassen, hängt davon ab, woher sie stammen.

Native Code-Plugins

Der unkomplizierteste Weg ist, Plugins direkt im bestehenden Anwendungscode zu schreiben, und zwar in der nativen Sprache Ihres Projekts. Ob Sie ein Enterprise-Backend in C# oder eine Datenverarbeitungspipeline in Python entwickeln: Ihre benutzerdefinierten Methoden lassen sich nahtlos in den Kernel-Container integrieren.

OpenAPI und Model Context Protocol (MCP)

Neben nativem Code können Sie externe Funktionen über standardisierte Webformate wie OpenAPI einbinden. Moderne Implementierungen nutzen außerdem Model Context Protocol (MCP)-Server. MCP-Server ermöglichen es einem zentralen Team, eine sichere Funktion einmal zu entwickeln und über mehrere Anwendungen und Entwicklungsumgebungen hinweg zu teilen. So greifen Low-Code-Entwickler und Softwareingenieure auf genau dieselbe Geschäftslogik zu.

Sicherheit und Best Practices für die Architektur

Einer der wichtigsten architektonischen Vorteile von Semantic Kernel-Plugins ist die Isolation. Ein gut konzipiertes Plugin bildet eine sichere Grenze zwischen dem Sprachmodell und Ihrer Unternehmensinfrastruktur. Das Plugin kapselt interne Datenbankverbindungen, API-Schlüssel und sensible Webclients intern. Das KI-Modell interagiert nie mit Ihren Zugangsdaten oder rohen Datenbanktabellen. Es sieht nur die Klartextbeschreibung der Funktion und die bereinigte Ausgabe, die der Ausführungsablauf zurückliefert.

Werkzeuglimits für optimale Genauigkeit verwalten

Entwickler sind versucht, umfangreiche Werkzeugkästen mit Dutzenden oder Hunderten von Funktionen zu bauen. Empirische Daten von OpenAI legen jedoch Vorsicht nahe: Die Genauigkeit des Modells sinkt deutlich, je länger die Liste verfügbarer Werkzeuge wird. Als Best Practice gilt, pro Anfrage weniger als zehn aktive Werkzeuge zu verwenden und Gesamtzahlen über zwanzig konsequent zu vermeiden. Wenige, klar fokussierte Funktionen schneiden durchweg besser ab als eine unübersichtliche Sammlung von Funktionen mit geringem Nutzen.

Fazit

Die Beherrschung von Semantic Kernel-Plugins und -Funktionen ist der Schlüssel, um statische Sprachmodelle in dynamische Agenten zu verwandeln, die reale Geschäftsprozesse ausführen können. Wenn Sie Funktionsbeschreibungen sorgfältig formulieren, OpenAPI- und MCP-Standards nutzen und strikte Sicherheitsgrenzen einhalten, können Sie robuste, skalierbare KI-Anwendungen entwickeln, ohne sensible Infrastruktur offenzulegen. Mehr darüber, wie der Kernel Speicher, Konnektoren und Planung orchestriert, erfahren Sie in der vollständigen Episode des M365 FM Podcasts. Dort erhalten Sie eine verständliche Erklärung der KI-Orchestrierungsschicht von Microsoft, ohne Fachjargon.

Häufige Fragen

Was ist ein Semantic Kernel-Plugin?

Ein Semantic Kernel-Plugin ist eine Sammlung zusammengehöriger Funktionen, die einem großen Sprachmodell zur Verfügung stehen. So kann die KI eigene Softwarelogik verstehen und automatisch aufrufen.

Warum sind Funktionsbeschreibungen in Semantic Kernel so wichtig?

Funktionsbeschreibungen dienen dem KI-Modell als Anweisungen. Anhand dieser Beschreibungen entscheidet das Modell, welche Funktion es aufruft. Unklare Beschreibungen führen daher zu Ausführungsfehlern oder falschen Annahmen.

Kann ein KI-Modell über Plugins direkt auf meine Datenbank zugreifen?

Nein. Plugins kapseln sensible Details wie Datenbankverbindungen und Zugangsdaten. So interagiert das KI-Modell nur mit Klartextbeschreibungen und bereinigten Funktionsausgaben.

Wie viele Funktionen sollte eine einzelne Plugin-Anfrage enthalten?

Empfohlen werden weniger als zehn aktive Werkzeuge, mit einem harten Maximum von zwanzig. So verhindern Sie, dass die Genauigkeit des Modells durch eine Überlastung mit Werkzeugen nachlässt.