Microsoft Agent Framework vs Semantic Kernel：C# 中如何选择

同样是微软出品，同样面向 .NET AI Agent 开发——但 Microsoft Agent Framework（MAF）和 Semantic Kernel（SK）面向的场景差距比名字暗示的大得多。如果你正在选，这篇文章会直接给你答案：它们分别擅长什么、在哪些场景下更合适，以及什么情况下两个都用才说得通。

有一点要先说清楚：MAF 目前还是预览版（1.0.0-rc1），API 在 GA 正式发布前仍可能变动。

MAF 是什么

Microsoft Agent Framework 是一个相对较新的轻量级库，目标是让在 .NET 里构建 AI Agent 尽量简单。它原生构建在 Microsoft.Extensions.AI 之上，直接使用 IChatClient 抽象，与整个 Microsoft.Extensions 生态系统融合，几乎不需要额外的粘合代码，也不需要学习新的 DI 模式或配置方式。

MAF 刻意保持轻量：公开 API 面很小，几行代码就能跑起来一个功能性 Agent。工具注册通过 AIFunctionFactory.Create() 来完成，它用普通 C# 委托和反射生成可调用的工具描述，如果你用过 ASP.NET Core 的 minimal API，会觉得很熟悉。

因为基于 IChatClient，MAF 天然是 provider 无关的。你已经搭好的 IChatClient 中间件——限流、可观测性、重试——会直接应用到 MAF Agent 上，不需要额外桥接。

Semantic Kernel 是什么

Semantic Kernel 是微软推出的成熟 AI 编排框架，已经持续开发多年。它积累了完善的插件生态、内置的内存和 Embedding 支持、多 Agent 编排原语，以及丰富的 LLM 连接器。

SK 以自己的 Kernel 类型作为核心编排对象。函数注册为插件，由规划器或 Agent 循环根据对话上下文来调用。这个设计能力很强，代价是需要理解更多概念、配置更多基础设施。

如果你需要结构化插件层次、RAG 管道、向量数据库集成，或多 Agent 协调工作流，SK 对这些场景都有专门的基础设施。

能力对比

核心取舍很清楚：MAF 赢在简单、生态融合和开发体验；SK 赢在深度、成熟度和功能广度。

MAF 的优势

对于新项目，MAF 最大的吸引力在于它需要的样板代码极少。如果你已经在用 IChatClient，MAF 感觉像自然延伸，而不是需要学习的新框架。

工具注册用委托完成，不需要继承特殊基类、不需要维护属性装饰的插件类层次结构、不需要在调用函数前先配置 Kernel builder。对于小而专注的 Agent，这直接意味着更快的开发速度和更易读的代码库。

MAF 对 IChatClient 中间件投入较多的团队特别友好。任何你已经搭建的管道——日志、限流、内容过滤、重试策略——都会自动应用到 MAF Agent 上，不需要额外的抽象层来传递。

另外，没有 Kernel 依赖意味着 MAF 能干净地融入微服务式架构，Agent 逻辑可以作为独立的、可替换的组件存在，而不是一个重量级编排器。

Semantic Kernel 的优势

一旦需求超出简单的对话循环，SK 的成熟度优势就会变得无法忽视。结构化插件层次、自动调用、函数链、插件级配置——SK 对所有这些都有成熟的模式。

内置的内存和 Embedding 支持是另一个显著差异点。SK 包含文本 Embedding 生成、语义记忆和向量数据库集成的一等抽象。你可以构建 RAG 管道和长期记忆功能，而不需要引入额外库。MAF 在这方面没有等价的开箱即用支持。

SK 的多 Agent 支持也丰富得多。AgentGroupChat 及相关原语能够以可组合、可配置的方式协调多个 Agent，MAF 目前没有等效的编排脚手架。

最后，SK 拥有更大的社区、更多的文档、更多的第三方集成，以及更长的生产运行记录。如果你在构建一个需要长期维护、团队会持续扩大的系统，这些生态积累的价值很容易被早期低估。

代码对比

以下四个示例展示了两种框架完成同一任务的写法。MAF 示例基于 1.0.0-rc1 预览 API，GA 前可能变动。

创建基础 Agent

Semantic Kernel 写法：

using Microsoft.SemanticKernel;
using Microsoft.SemanticKernel.Agents;
using Microsoft.SemanticKernel.ChatCompletion;

var kernel = Kernel.CreateBuilder()
    .AddAzureOpenAIChatCompletion(
        deploymentName: "gpt-4o",
        endpoint: "https://your-endpoint.openai.azure.com/",
        apiKey: "your-api-key")
    .Build();

var agent = new ChatCompletionAgent
{
    Name = "CodingAssistant",
    Instructions = "You are a helpful C# coding assistant.",
    Kernel = kernel
};

await foreach (var message in agent.InvokeAsync(
    new ChatMessageContent(AuthorRole.User, "What is a record type in C#?")))
{
    Console.WriteLine(message.Content);
}

Microsoft Agent Framework 写法：

using Microsoft.Agents.AI;
using Microsoft.Extensions.AI;

IChatClient chatClient = new AzureOpenAIClient(
    new Uri("https://your-endpoint.openai.azure.com/"),
    new AzureKeyCredential("your-api-key"))
    .GetChatClient("gpt-4o")
    .AsIChatClient();

IAIAgent agent = chatClient.AsAIAgent(
    instructions: "You are a helpful C# coding assistant.");

AgentResponse response = await agent.RunAsync("What is a record type in C#?");
Console.WriteLine(response.Text);

SK 版本提供更多配置钩子，接入完整的 SK 生态；MAF 版本简洁，完全依托 IChatClient，没有引入任何新抽象。

函数和工具注册

Semantic Kernel 使用 [KernelFunction]：

using Microsoft.SemanticKernel;
using System.ComponentModel;

public class WeatherPlugin
{
    [KernelFunction("get_weather")]
    [Description("Gets the current weather for a city")]
    public string GetWeather(
        [Description("The name of the city")] string city)
    {
        return $"It is 22°C and sunny in {city}.";
    }
}

kernel.Plugins.AddFromType<WeatherPlugin>();

Microsoft Agent Framework 使用 AIFunctionFactory：

using Microsoft.Extensions.AI;

var getWeather = AIFunctionFactory.Create(
    ([Description("The name of the city")] string city) =>
        $"It is 22°C and sunny in {city}.",
    name: "get_weather",
    description: "Gets the current weather for a city");

IAIAgent agent = chatClient.AsAIAgent(
    instructions: "You are a weather assistant.",
    tools: [getWeather]);

[KernelFunction] 在大型代码库里更结构化，IDE 可发现性好；AIFunctionFactory 接线更快，适合不需要正式插件类的单一职责 Agent。

多轮对话

Semantic Kernel 使用 ChatHistory：

using Microsoft.SemanticKernel.ChatCompletion;

var history = new ChatHistory();
history.AddSystemMessage("You are a concise technical assistant.");

var chatService = kernel.GetRequiredService<IChatCompletionService>();

history.AddUserMessage("What is dependency injection?");
var reply1 = await chatService.GetChatMessageContentAsync(history);
history.AddAssistantMessage(reply1.Content ?? string.Empty);

history.AddUserMessage("Can you show a C# constructor injection example?");
var reply2 = await chatService.GetChatMessageContentAsync(history);
Console.WriteLine(reply2.Content);

Microsoft Agent Framework 使用 Session：

using Microsoft.Agents.AI;
using Microsoft.Extensions.AI;

IAIAgent agent = chatClient.AsAIAgent(
    instructions: "You are a concise technical assistant.");

AgentSession session = await agent.CreateSessionAsync();

AgentResponse reply1 = await agent.RunAsync("What is dependency injection?", session);
AgentResponse reply2 = await agent.RunAsync("Can you show a C# constructor injection example?", session);
Console.WriteLine(reply2.Text);

两者都支持多轮记忆。SK 的 ChatHistory 更显式，可以在任何时候检查和修改消息列表；MAF 的 Session 更封装，Agent 在内部管理状态，你只需传递 AgentSession 作为句柄。

依赖注入配置

Semantic Kernel 在 ASP.NET Core 中：

var builder = WebApplication.CreateBuilder(args);

builder.Services
    .AddKernel()
    .AddAzureOpenAIChatCompletion(
        deploymentName: "gpt-4o",
        endpoint: builder.Configuration["AzureOpenAI:Endpoint"]!,
        apiKey: builder.Configuration["AzureOpenAI:ApiKey"]!);

builder.Services.AddTransient<WeatherPlugin>();
builder.Services.AddTransient<IAgentService, SkAgentService>();

Microsoft Agent Framework 在 ASP.NET Core 中：

var builder = WebApplication.CreateBuilder(args);

builder.Services.AddSingleton<IChatClient>(sp => new AzureOpenAIClient(
    new Uri(builder.Configuration["AzureOpenAI:Endpoint"]!),
    new AzureKeyCredential(builder.Configuration["AzureOpenAI:ApiKey"]!))
    .GetChatClient("gpt-4o")
    .AsIChatClient());

builder.Services.AddSingleton<IAIAgent>(sp =>
    sp.GetRequiredService<IChatClient>().AsAIAgent(instructions: "You are a helpful assistant."));
builder.Services.AddTransient<IAgentService, MafAgentService>();

MAF 的 DI 配置更精简，因为它直接继承标准的 Microsoft.Extensions 注册模式，不需要理解 AddKernel() builder 和 SK 专属扩展方法。

选 MAF 的条件

以下情况 MAF 是更好的选择：

• 绿地项目，没有现有的 SK 代码库需要考虑
• Agent 职责聚焦、边界清晰——一个只调用几个工具的单一用途 Agent，不需要 SK 的完整编排机制
• 你已经在 Microsoft.Extensions.AI 生态上投入较多，希望 IChatClient 中间件在所有 AI 调用上统一生效
• 团队把简单快速放在功能广度之前——MAF 从想法到可工作原型更快
• 能接受依赖一个预览 API（1.0.0-rc1）在 GA 前可能有变动

选 Semantic Kernel 的条件

以下情况 SK 是更强的选择：

• 需要 RAG 管道或向量数据库集成——MAF 目前没有等效的内置支持，SK 的内存层经过生产验证
• Agent 需要复杂的插件编排，包括自动调用、函数链和插件级配置——[KernelFunction] 模型和插件注册表在大型函数库场景下扩展性更好
• 构建带选择策略、群组对话和终止条件的多 Agent 系统——SK 的 AgentGroupChat 在这方面远比 MAF 目前提供的能力丰富
• 有现有的 SK 代码库——没有充分理由为同一职责引入第二个框架
• 需要生产稳定性——SK 已 GA，在生产系统中运行多年；MAF 仍是候选版本

两者一起用

这是一个合理的架构模式，不只是外交上的折中。在大型 SK 编排系统里，如果包含几个职责单一的内层 Agent——比如处理简单查询或执行窄范围任务——这些内层 Agent 可以用 MAF 实现，同时保持编排层在 SK 中。

基于 IChatClient 的 MAF Agent 可以作为 LLM provider 在 SK 工作流内部组合。两个框架在运行时层面并不互斥。可以把它理解为：SK 负责高层编排和插件管理，MAF 负责不需要完整 Kernel 实例的叶节点 Agent。

决策表

如果你处于中间地带——SK 的完整功能集有点多余，但 MAF 的预览状态又让你不放心——务实的答案是先用 SK，等 MAF 正式 GA 后再重新评估。随着 MAF 的成熟，两者之间的差距会逐步缩小。

常见问题

MAF 能用于生产环境吗？

目前还不行。MAF 处于公开预览阶段（1.0.0-rc1），API 在 GA 前可能变动。对稳定性要求严格的生产系统，SK 是更安全的选择。MAF 很适合原型开发和能接受偶尔 breaking change 的绿地项目。

MAF 和 SK 支持同样的 LLM Provider 吗？

MAF 通过 Microsoft.Extensions.AI 的 IChatClient 抽象做到 provider 无关，任何实现了 IChatClient 的 provider 都能用。SK 则有针对 OpenAI、Azure OpenAI、Hugging Face 等的直接连接器包。主流 provider 的覆盖面相近，但机制不同：MAF 依赖 Microsoft.Extensions.AI 适配层，SK 有自己的一等连接器包。

两个框架的函数调用哪个更好用？

都支持函数和工具调用，但风格不同。SK 用 [KernelFunction] 属性装饰插件方法，在大型代码库里可发现性、文档和结构化注册都更好。MAF 用 AIFunctionFactory.Create() 配合委托，轻量，小型 Agent 上更易上手。工具多了之后 SK 的插件注册表扩展性更好；场景简单时 MAF 的委托方式能省掉不少噪音。

需要保护代码免受 MAF API 变化影响怎么做？

把 MAF 集成隐藏在自己代码的 service 接口后面。如果 ChatAgent API 在 RC 和 GA 之间变动，影响范围应该只限于适配或实现层，而不是你的领域逻辑。这是依赖预览版本的通用最佳实践，不需要 MAF 专属的变通方案。

参考

• Microsoft Agent Framework vs Semantic Kernel: Which to Use in C#
• Microsoft.Extensions.AI 文档
• Semantic Kernel Agents in C# – Complete Guide
• Semantic Kernel Plugins Complete Guide
• Multi-Agent Orchestration with Semantic Kernel