Semantic Kernel 在 Java 里的使用——微软这个框架值得学吗
Semantic Kernel 在 Java 里的使用——微软这个框架值得学吗
适读人群：Java 技术栈的 AI 应用开发者 | 阅读时长：约 14 分钟 | 核心价值：Semantic Kernel Java 版的真实使用体验，与 Spring AI 和 LangChain4j 的深度对比，给出明确的选型建议
我当时看到微软出 Semantic Kernel 的 Java 版，第一反应是：微软在 Java 生态做 AI 框架？这操作有点反直觉，想看看做得怎么样。
结果花了一个星期认真评测，结论出乎我意料：它做得比我想象的认真，有一些设计思路比 Spring AI 和 LangChain4j 都先进，但也有一些地方明显是"移植 C# 版"的痕迹，用 Java 原生开发者的视角看有些不适应。
这篇文章把评测过程写出来，给你一个明确的结论：什么情况下值得选它。
背景：Java 生态里的 AI 框架现状
在讲 Semantic Kernel 之前，先把 Java 生态里的主要选项说清楚：
Spring AI： Spring 官方出的 AI 集成框架。优点是和 Spring Boot 生态无缝集成，文档完善，社区活跃。缺点是相对较新，某些高级特性还在快速演进中。
LangChain4j： 把 Python LangChain 的概念移植到 Java。优点是功能全面，有大量工具集成。缺点是抽象层次重，有时候代码量比直接调 SDK 还多。
Semantic Kernel Java： 微软官方维护的 Java 版本，核心设计和 C#/Python 版本一致。
这三个框架都能做 AI 应用，定位有重叠，但侧重点不同。
Semantic Kernel 的核心设计思路
Semantic Kernel 有几个核心概念，先理解这些才能评价它的设计是否合理：
Kernel（核心对象）： 所有功能的入口，集成 LLM 服务、插件、内存等。
Plugin（插件）： 功能模块，对应 LangChain 里的 Tool。但 Semantic Kernel 的插件概念更结构化，一个插件可以包含多个函数，函数有明确的输入输出描述。
KernelFunction： 可以是 Java 方法（用注解标记），也可以是 Prompt 模板。这个设计我觉得是 Semantic Kernel 最聪明的地方——代码函数和 Prompt 函数统一对待。
Planner（规划器）： 自动把用户目标分解成步骤，调用合适的插件完成任务。这个功能很强，但也不稳定。
代码对比：同一个任务，三个框架怎么写
任务： 构建一个 Agent，能搜索新闻、分析情绪、生成摘要。
Spring AI 实现
// Spring AI 方式
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.model.ChatModel;
import org.springframework.ai.tool.annotation.Tool;
import org.springframework.stereotype.Component;
@Component
public class NewsAnalysisAgent {
private final ChatClient chatClient;
public NewsAnalysisAgent(ChatModel chatModel) {
this.chatClient = ChatClient.builder(chatModel)
.defaultSystem("""
你是一个新闻分析助手。
你有以下工具：searchNews（搜索新闻）、analyzeSentiment（情绪分析）。
根据用户请求，使用合适的工具完成任务。
""")
.build();
}
public String analyze(String userRequest) {
return chatClient.prompt()
.user(userRequest)
.tools(new NewsTools()) // 工具类
.call()
.content();
}
// 工具定义
static class NewsTools {
@Tool(description = "搜索相关新闻，参数 query 是搜索关键词")
public String searchNews(String query) {
// 实际接搜索 API
return "[模拟] 找到关于 " + query + " 的3条新闻：新闻1、新闻2、新闻3";
}
@Tool(description = "分析文本情绪，返回 positive/negative/neutral")
public String analyzeSentiment(String text) {
// 实际可以调用专门的情绪分析 API
return "positive";
}
}
}Spring AI 的代码很 Spring，写起来很顺手，和 Spring Boot 项目完全融合。
LangChain4j 实现
// LangChain4j 方式
import dev.langchain4j.agent.tool.Tool;
import dev.langchain4j.model.openai.OpenAiChatModel;
import dev.langchain4j.service.AiServices;
import dev.langchain4j.service.SystemMessage;
public class NewsAnalysisAgentLC4J {
// 定义 AI 服务接口
interface NewsAnalyst {
@SystemMessage("""
你是一个新闻分析助手。
使用可用工具完成新闻搜索和分析任务。
""")
String analyze(String userRequest);
}
// 工具类
static class NewsToolsLC4J {
@Tool("搜索相关新闻，query 是搜索关键词")
public String searchNews(String query) {
return "[模拟] 找到关于 " + query + " 的3条新闻：新闻1、新闻2、新闻3";
}
@Tool("分析文本情绪")
public String analyzeSentiment(String text) {
return "positive";
}
}
public static void main(String[] args) {
var model = OpenAiChatModel.builder()
.apiKey(System.getenv("OPENAI_API_KEY"))
.modelName("gpt-4o-mini")
.build();
var analyst = AiServices.builder(NewsAnalyst.class)
.chatLanguageModel(model)
.tools(new NewsToolsLC4J())
.build();
String result = analyst.analyze("分析最近关于 AI 的重要新闻");
System.out.println(result);
}
}LangChain4j 的接口代理方式很优雅，类型安全，但在复杂场景下配置链很麻烦。
Semantic Kernel 实现
// Semantic Kernel 方式
import com.microsoft.semantickernel.Kernel;
import com.microsoft.semantickernel.aiservices.openai.chatcompletion.OpenAIChatCompletion;
import com.microsoft.semantickernel.orchestration.InvocationContext;
import com.microsoft.semantickernel.plugin.KernelPlugin;
import com.microsoft.semantickernel.plugin.KernelPluginFactory;
import com.microsoft.semantickernel.semanticfunctions.annotations.DefineKernelFunction;
import com.microsoft.semantickernel.semanticfunctions.annotations.KernelFunctionParameter;
import com.microsoft.semantickernel.services.chatcompletion.ChatCompletionService;
import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
public class NewsAnalysisAgentSK {
// 插件定义：使用注解，比 LangChain4j 更明确的类型系统
public static class NewsPlugin {
@DefineKernelFunction(
name = "searchNews",
description = "搜索相关新闻",
returnDescription = "新闻标题和摘要列表"
)
public String searchNews(
@KernelFunctionParameter(name = "query", description = "搜索关键词") String query
) {
return "[模拟] 找到关于 " + query + " 的3条新闻：新闻1、新闻2、新闻3";
}
@DefineKernelFunction(
name = "analyzeSentiment",
description = "分析文本情绪，返回 positive/negative/neutral",
returnDescription = "情绪分类结果"
)
public String analyzeSentiment(
@KernelFunctionParameter(name = "text", description = "待分析文本") String text
) {
return "positive";
}
}
public static void main(String[] args) {
// 初始化 OpenAI 客户端（SK 用 openai-java SDK）
OpenAIClient openAIClient = OpenAIOkHttpClient.builder()
.apiKey(System.getenv("OPENAI_API_KEY"))
.build();
// 构建 ChatCompletion 服务
ChatCompletionService chatCompletionService = OpenAIChatCompletion.builder()
.withOpenAIClient(openAIClient)
.withModelId("gpt-4o-mini")
.build();
// 注册插件
KernelPlugin newsPlugin = KernelPluginFactory.createFromObject(
new NewsPlugin(), "NewsPlugin"
);
// 构建 Kernel
Kernel kernel = Kernel.builder()
.withAIService(ChatCompletionService.class, chatCompletionService)
.withPlugin(newsPlugin)
.build();
// 调用（这里是简单调用，SK 还有 Planner 自动规划）
var chatHistory = new com.microsoft.semantickernel.services.chatcompletion.ChatHistory();
chatHistory.addSystemMessage("""
你是一个新闻分析助手。
使用可用工具完成新闻搜索和分析任务。
""");
chatHistory.addUserMessage("分析最近关于 AI 的重要新闻");
var result = chatCompletionService
.getChatMessageContentsAsync(
chatHistory,
kernel,
InvocationContext.builder()
.withToolCallBehavior(
com.microsoft.semantickernel.orchestration.ToolCallBehavior.allowAllKernelFunctions(true)
)
.build()
)
.block();
result.forEach(msg -> System.out.println(msg.getContent()));
}
}Semantic Kernel 的真实优势
优势一：插件的元数据更丰富
@DefineKernelFunction 注解支持 returnDescription，这是 Spring AI 和 LangChain4j 目前不支持的。返回值的描述能帮助 LLM 更好地理解工具输出的含义，在复杂的工具链里差异明显。
优势二：Prompt Function 和 Code Function 统一
Semantic Kernel 允许你把 Prompt 模板也注册为 KernelFunction，和 Java 方法一样被调用：
// 把 Prompt 当函数用
String promptTemplate = """
分析以下新闻的核心要点：
{{$news_content}}
输出格式：
- 核心事件：
- 影响分析：
- 行动建议：
""";
var summarizeFunction = KernelFunctionFromPrompt.create(promptTemplate);
// 调用 Prompt Function（和调用 Java 方法一样的方式）
var result = kernel.invokeAsync(summarizeFunction)
.withVariable("news_content", newsText)
.block();这种设计让 Prompt 管理更结构化，特别是当你有大量 Prompt 模板需要管理时。
优势三：多语言生态一致性
如果你的团队同时有 C#、Python、Java 工程师，Semantic Kernel 三种语言的概念和 API 设计高度一致，可以共享知识、共享 Prompt 模板（存储格式相同）。这对微软生态的企业很有价值。
Semantic Kernel 的问题
问题一：Java 版功能滞后于 C# 版
我评测时（2025 年 Q1），Java 版的 Planner 功能比 C# 版落后 2-3 个月，某些新特性在 Java 版里还没实现。如果你需要用最新的 SK 功能，Java 不是最佳选择。
问题二：初始化代码量明显偏多
对比上面三个框架的代码，Semantic Kernel 的初始化部分最长。每次创建 Kernel 都要写一大串 builder 链，和 Spring 的自动配置比起来，开发体验差一些。
问题三：响应式编程（.block()）的不适感
SK Java 版用了 Project Reactor，内部都是响应式 API（返回 Mono<T>），但大多数 Java Web 项目是命令式编程，到处加 .block() 非常丑，也容易在响应式上下文里产生死锁。
问题四：社区和文档比 Spring AI 差
中文文档几乎没有，英文文档有但不完整，Stack Overflow 上的 SK Java 相关问题答案很少。遇到问题，只能查源码或者去 GitHub issues 里找。
明确的选型建议
选 Spring AI 的场景：
- 你的项目本来就是 Spring Boot 技术栈
- 团队熟悉 Spring 生态
- 需要快速开发，不想花太多时间学习新框架
- 这是大多数 Java 企业项目的最优解
选 LangChain4j 的场景：
- 需要用大量 LangChain 生态的工具和集成
- 熟悉 Python LangChain，想要近似的 Java 体验
- 需要复杂的 RAG 流程管理
选 Semantic Kernel 的场景：
- 你的项目是微软技术栈（Azure、.NET 系），SK 和 Azure AI 服务的集成最完善
- 团队同时有 C# 和 Java 工程师，要在两个语言间保持 AI 能力的一致性
- 需要丰富的 Prompt Function 管理，把 Prompt 当代码一样管理版本
- 企业内部有 Semantic Kernel 的 C# 积累，Java 新服务想复用这套体系
不推荐 Semantic Kernel 的场景：
- 纯 Java / Spring 技术栈，没有微软生态
- 对响应式编程不熟悉，不想处理
.block()的问题 - 需要用 SK 最新特性（Java 版会有延迟）
我的最终判断
Semantic Kernel Java 版是一个"认真做出来的框架，但目标用户很具体"的产品。
如果你的技术背景不涉及微软生态，Spring AI 在大多数场景下都是更好的选择——生态更成熟、文档更完整、和 Spring Boot 的集成更自然。
如果你的项目有微软背景，或者需要 SK 特有的 Prompt Function 管理能力，它值得学，而且学了你会发现它的某些设计思路确实值得借鉴。
技术选型没有绝对的好坏，只有合不合适。上面的判断标准足够让你决定要不要花时间在 Semantic Kernel 上，不需要每个框架都精通，选一两个深入研究就够了。