Semantic Kernel-plugins en -functies uitgelegd voor .NET- en Python-ontwikkelaars

By Mirko Peters · 2026-10-23

Ontdek hoe Semantic Kernel-plugins en -functies eigen code veilig koppelen aan AI-modellen. Beheers beschrijvingen, OpenAPI, MCP-servers en de limieten voor tools.

Automatically translated with AI from the original post. Read the English original

Semantic Kernel-plugins en -functies vormen de bouwstenen waarmee taalmodellen veilig kunnen samenwerken met externe software. Door natuurlijketaalbeschrijvingen aan eigen code te koppelen, kunnen ontwikkelaars AI-modellen automatisch functies laten ontdekken, plannen en uitvoeren, zonder logica hard te coderen en zonder de database rechtstreeks bloot te stellen.

Belangrijkste punten

• Semantic Kernel-plugins bundelen gerelateerde functies, zodat grote taalmodellen rechtstreeks gebruik kunnen maken van de mogelijkheden van je eigen software.
• Functiebeschrijvingen zijn essentiële instructies voor de AI. Vage of slecht geschreven beschrijvingen zorgen ervoor dat het model gaat gokken of helemaal faalt.
• Plugins kun je native schrijven in C#, Python of Java, importeren via OpenAPI-specificaties, of koppelen via Model Context Protocol (MCP)-servers.
• Door databaseverbindingen en webclients in plugins te kapselen, voorkom je dat het AI-model rechtstreeks toegang krijgt tot gevoelige infrastructuur.
• Door de lijst met actieve tools onder de tien tot twintig functies te houden, zoals OpenAI adviseert, blijft de nauwkeurigheid van het model hoog tijdens de uitvoering.

Plugins en functies begrijpen

Wanneer ontwikkelaars applicaties gaan bouwen die traditionele softwarecode koppelen aan grote taalmodellen, ontdekken ze al snel dat taalmodellen geweldig zijn in het genereren van tekst, maar zelf helemaal geen operationele opdrachten kunnen uitvoeren. Een model kan geen klantendatabase bevragen, geen e-mail versturen en ook geen kantoorlampen slim aansturen zonder een tussenlaag. In de architectuur van Semantic Kernel wordt die ontbrekende brug gebouwd met plugins en functies.

Een functie is in essentie gewoon een stuk standaardcode, geschreven in C#, Python of Java, die een specifieke taak uitvoert. Wat een gewone functie geschikt maakt als AI-tool, is de bijbehorende natuurlijketaalbeschrijving. Wanneer je applicatie een functie bij de kernel registreert, voeg je metadata toe die uitlegt wat de functie doet, welke parameters ze nodig heeft en welke gegevens ze teruggeeft. Het large language model leest deze beschrijvingen tijdens de uitvoering om te bepalen wanneer en hoe het jouw code aanroept.

Hoe een goed beschreven functie eruitziet

Beginners zien functiebeschrijvingen vaak als optionele opmerkingen of bijzaken in de documentatie. Binnen het Semantic Kernel-ecosysteem is de beschrijving echter de prompt. Als je functiebeschrijving vaag, dubbelzinnig of te technisch is, dan zal het taalmodel het doel verkeerd interpreteren of de functie helemaal niet gebruiken.

Effectieve beschrijvingen schrijven voor de AI

Om in productieomgevingen betrouwbaar te zijn, moet je functiebeschrijvingen schrijven alsof je de mogelijkheid uitlegt aan een nieuwe collega. In plaats van een opzoekhulpmiddel als get_ord_st() zonder context te beschrijven, moet je plugin expliciet vermelden dat de functie de orderstatus van een klant ophaalt door een order-ID als tekst in te nemen en de actuele gegevens over de levering terug te geven. Duidelijke invoer, expliciete types en precieze functionele uitleg voorkomen dat het model hoeft te gokken.

Plugins verkrijgen: code, OpenAPI en MCP-servers

Semantic Kernel biedt enorm veel flexibiliteit doordat je plugins uit drie verschillende bronnen kunt halen. Weten waar je plugins vandaan komen, bepaalt hoe eenvoudig ze geschaald en gedeeld kunnen worden over engineeringteams heen.

Native codeplugins

De meest eenvoudige methode is het schrijven van plugins rechtstreeks in de bestaande applicatiecode, in de programmeertaal die je project ondersteunt. Of je nu een enterprise-backend bouwt in C# of een dataverwerkingspipeline in Python, je eigen methoden integreren naadloos in de kernelcontainer.

OpenAPI en Model Context Protocol (MCP)

Naast native code kun je externe functionaliteit importeren via gestandaardiseerde webformaten zoals OpenAPI. Daarnaast maken moderne implementaties gebruik van Model Context Protocol (MCP)-servers. Met MCP-servers kan een centraal team een veilige functionaliteit één keer bouwen en delen met meerdere applicaties en ontwikkelomgevingen. Zo krijgen low-code makers en softwareontwikkelaars toegang tot precies dezelfde bedrijfslogica.

Beveiliging en best practices voor architectuur

Een van de sterkste architectonische voordelen van Semantic Kernel-plugins is isolatie. Een goed ontworpen plugin fungeert als een veilige grens tussen het taalmodel en je enterprise-infrastructuur. De plugin kapselt interne databaseverbindingen, API-sleutels en gevoelige webclients volledig in. Het AI-model komt nooit in contact met je credentials of ruwe databasetabellen; het ziet alleen de platte-tekstbeschrijving van de functie en de gefilterde uitvoer die de uitvoeringslus teruggeeft.

Het aantal tools beperken voor optimale nauwkeurigheid

Ontwikkelaars zijn geneigd enorme toolboxen te bouwen met tientallen of honderden functies, maar empirische gegevens van OpenAI wijzen op voorzichtigheid. De nauwkeurigheid van het model neemt aanzienlijk af naarmate de lijst met beschikbare tools groeit. Best practices adviseren om actieve tools binnen één verzoek onder de tien te houden en totalen boven de twintig strikt te vermijden. Een kleiner aantal goed afgebakende functies presteert consequent beter dan een rommelige verzameling marginale hulpmiddelen.

Conclusie

Het beheersen van Semantic Kernel-plugins en -functies is de sleutel om statische taalmodellen om te vormen tot dynamische agents die echte bedrijfsprocessen kunnen uitvoeren. Door functiebeschrijvingen zorgvuldig op te stellen, gebruik te maken van de OpenAPI- en MCP-standaarden en strikte beveiligingsgrenzen aan te houden, kunnen ontwikkelaars robuuste, schaalbare AI-applicaties bouwen zonder gevoelige infrastructuur bloot te stellen. Wil je meer weten over hoe de kernel geheugen, connectors en planning orkestreert? Luister de volledige aflevering van de M365 FM Podcast voor een compleet, jargonvrij overzicht van de AI-orkestratielaag van Microsoft.

Veelgestelde vragen

Wat is een Semantic Kernel-plugin?

Een Semantic Kernel-plugin is een verzameling van gerelateerde functies die beschikbaar worden gesteld aan een large language model, zodat de AI automatisch eigen softwarelogica kan begrijpen en aanroepen.

Waarom zijn functiebeschrijvingen cruciaal in Semantic Kernel?

Functiebeschrijvingen fungeren als instructies voor het AI-model. Het model leest deze beschrijvingen om te bepalen welke functie het moet aanroepen. Vage beschrijvingen leiden dus tot uitvoeringsfouten of onjuiste keuzes.

Kunnen AI-modellen via plugins rechtstreeks toegang krijgen tot mijn database?

Nee. Plugins kapselen gevoelige details zoals databaseverbindingen en credentials in, zodat het AI-model alleen communiceert via platte-tekstbeschrijvingen en gefilterde functie-uitvoer.

Hoeveel functies moet een enkel plugin-verzoek bevatten?

Het is aan te raden actieve tools onder de tien te houden, met een harde maximumgrens van twintig, om te voorkomen dat de nauwkeurigheid van het model afneemt door een overvolle toolset.