What is Semantic Kernel used for?

Semantic Kernel is Microsoft’s open-source SDK for building AI agents and orchestration—combining prompts, tools, memory, and planners to solve multi-step tasks. It’s especially strong for .NET and TypeScript developers in enterprise environments.

Is Semantic Kernel better than LangChain?

It depends on your stack and needs. Semantic Kernel excels in .NET/TS, DI integration, and Azure alignment, while LangChain offers broader Python-first connectors and community content for rapid prototyping.

How does Semantic Kernel compare to LlamaIndex for RAG?

LlamaIndex leads with specialized RAG pipelines and evaluations, while Semantic Kernel provides general orchestration with pluggable retrieval. Use LlamaIndex for retrieval-centric apps; use SK when you need broader agent workflows.

Is Semantic Kernel production-ready?

For Microsoft-stack teams, yes—especially in .NET where stability and documentation are strong. As with any evolving AI framework, plan for version pinning, observability, and guardrails.

Can Semantic Kernel work with local LLMs?

Yes. Developers report success using SK with local models in .NET, alongside Azure OpenAI or OpenAI providers. Expect to configure providers and wrap local inference as skills for tool-based workflows.

सिमेंटिक कर्नल रिव्यू: क्या माइक्रोसॉफ्ट का AI ऑर्केस्ट्रेटर प्रोडक्शन के लिए तैयार है?

यदि आप AI एजेंटों और ऑर्केस्ट्रेशन फ्रेमवर्क के उदय को ट्रैक कर रहे हैं, तो आपने शायद माइक्रोसॉफ्ट के सिमेंटिक कर्नल के बारे में सुना होगा। यह टूल, मेमोरी, प्लानिंग और कनेक्टर्स—विशेष रूप से .NET और C# में—के साथ AI-फर्स्ट ऐप्स बनाना आसान बनाने का वादा करता है। लेकिन 2025 में यह कितना आगे जाता है? क्या यह प्रोडक्शन-ग्रेड एजेंटों के लिए तैयार है, या यह प्रोटोटाइप के लिए सबसे उपयुक्त है?

इस गहन सिमेंटिक कर्नल रिव्यू में, हम एक महत्वपूर्ण, व्यावहारिक दृष्टिकोण लेते हैं—आर्किटेक्चर, ताकत, सीमाएं, वास्तविक दुनिया में फिट, और यह LangChain और LlamaIndex के मुकाबले कैसा है, इस पर ध्यान केंद्रित करते हैं। इस दौरान, हम वर्तमान अभ्यास में विश्लेषण को आधार देने के लिए प्रत्यक्ष इंप्रेशन और तुलनात्मक संसाधनों को शामिल करेंगे।

सिमेंटिक कर्नल क्या है (और यह क्यों मौजूद है)

सिमेंटिक कर्नल (SK) AI एजेंट सिस्टम बनाने के लिए माइक्रोसॉफ्ट का ओपन-सोर्स SDK है। इसे एक ऑर्केस्ट्रेशन लेयर के रूप में सोचें जो आपकी मदद करता है:

प्रॉम्प्ट और नेटिव कोड से "स्किल" (फंक्शन) कंपोज करें

टूल, मेमोरी और प्लानर्स को एक एजेंट लूप में वायर करें

ऐप सेवाओं और डेटा के साथ मॉडल (OpenAI, Azure OpenAI, लोकल LLM) को इंटीग्रेट करें

ग्राउंडिंग, कॉन्टेक्स्ट विंडो और इटरेटिव प्रॉब्लम-सॉल्विंग को मैनेज करें

इसका स्वीट स्पॉट: डेवलपर—विशेष रूप से .NET और TypeScript—जो एंटरप्राइज वातावरण के अंदर AI-फर्स्ट एप्लिकेशन के लिए एक मजबूत, राय वाला पैटर्न चाहते हैं।

डिज़ाइन के अनुसार, SK "हेवी मैजिक" पर न्यूनतम और कंपोजेबिलिटी पर मजबूत है। इसका उद्देश्य एक मोनोलिथ के बजाय एक टूलकिट बनना है, जिससे आप माइक्रोसॉफ्ट के कन्वेंशन और गार्डरेल को अपनाते हुए अपने स्वयं के वेक्टर स्टोर, ऑब्जर्वेबिलिटी या रिट्रीवल कंपोनेंट्स ला सकते हैं।

फैसला

इसके लिए आदर्श: .NET/TypeScript टीमें Azure/OpenAI, स्ट्रक्चर्ड टूल यूज़ और ऑर्केस्ट्रेशन प्रिमिटिव्स के साथ एंटरप्राइज-ग्रेड AI एजेंट बना रही हैं।

इसके खिलाफ प्रतिस्पर्धी: LangChain (व्यापकता और पायथन-फर्स्ट कम्युनिटी) और LlamaIndex (RAG-सेंट्रिक पाइपलाइन) जब आप माइक्रोसॉफ्ट स्टैक, DI पैटर्न और टाइप्ड टूलिंग पसंद करते हैं।

सर्वश्रेष्ठ विशेषताएं: .NET में क्लीन DI इंटीग्रेशन, प्लगइन/स्किल मॉडल, बिल्ट-इन प्लानर्स और फंक्शन कॉलिंग, एंटरप्राइज-माइंडेड पैटर्न।

देखने योग्य बातें: इकोसिस्टम का आकार (बनाम पायथन-फर्स्ट टूल), एब्स्ट्रैक्शन का विकास, और प्लानिंग और प्रॉम्प्ट टेम्पलेटिंग के आसपास कभी-कभी लर्निंग कर्व।

एक नज़र में फायदे और नुकसान

फायदे

मैच्योर .NET इंटीग्रेशन: डिपेंडेंसी इंजेक्शन और आधुनिक C# पैटर्न के साथ अच्छी तरह से काम करता है। डेवलपर्स .NET में स्थिर व्यवहार और अच्छे डॉक्स की रिपोर्ट करते हैं।

कंपोजेबल स्किल और प्लगइन: सिमेंटिक (प्रॉम्प्ट) और नेटिव (कोड) फ़ंक्शन के बीच स्पष्ट सीमाएं टूल बिल्डिंग को सीधा बनाती हैं।

प्लानर सपोर्ट: टूल कॉल में लक्ष्यों को तोड़ने के लिए बिल्ट-इन प्लानिंग विकल्प—मल्टी-स्टेप कार्यों से निपटने वाले एजेंटों के लिए उपयोगी।

मॉडल-अग्नोस्टिक: Azure OpenAI, OpenAI और तेजी से लोकल मॉडल का समर्थन करता है; कॉन्फ़िगरेशन के समय प्रदाताओं को स्वैप करना आसान है।

एंटरप्राइज एलाइनमेंट: सुरक्षा, गवर्नेंस और Azure इंटीग्रेशन पैटर्न माइक्रोसॉफ्ट शॉप्स को परिचित लगते हैं।

नुकसान

इकोसिस्टम की व्यापकता: पायथन-सेंट्रिक इकोसिस्टम (जैसे, LangChain) अभी भी निचे टूल के लिए कनेक्टर्स और कम्युनिटी रेसिपी की व्यापकता पर जीतते हैं।

एब्स्ट्रैक्शन चर्न: अन्य तेजी से आगे बढ़ने वाले AI फ्रेमवर्क की तरह, SK के प्लानर्स और API विकसित होते हैं—कुछ वर्जन पिनिंग और रिलीज़ नोट्स पढ़ने की अपेक्षा करें।

लर्निंग कर्व: कॉन्सेप्चुअल लेयरिंग (स्किल, प्लानर्स, मेमोरी) अगर आप एक साधारण, वन-ऑफ LLM स्क्रिप्ट बना रहे हैं तो भारी लग सकता है।

सिमेंटिक कर्नल कैसे काम करता है: बिल्डिंग ब्लॉक्स

आइए प्रमुख प्रिमिटिव्स और वे क्या अनलॉक करते हैं, इस पर ध्यान दें।

1) स्किल (प्लगइन) और फंक्शन

स्किल फ़ंक्शन के लॉजिकल कंटेनर हैं; फ़ंक्शन सिमेंटिक (प्रॉम्प्ट टेम्पलेट) या नेटिव (कोड) हो सकते हैं।

यह पृथक्करण आपको प्रॉम्प्ट को फर्स्ट-क्लास सिटीजन के रूप में मानते हुए बिजनेस लॉजिक को कोड में रखने की अनुमति देता है।

व्यवहार में, आप "DocumentOps" के लिए एक स्किल को परिभाषित करेंगे जिसमें Summarize, ExtractEntities, और Classify जैसे फ़ंक्शन शामिल हैं, जो प्रॉम्प्ट टेम्पलेट और यूटिलिटी कोड को मिलाते हैं।

2) प्लानर्स (एजेंट रीजनिंग)

प्लानर्स एक यूजर गोल को एक प्लान में ट्रांसलेट करने में मदद करते हैं: आर्गुमेंट और डिपेंडेंसी के साथ फ़ंक्शन कॉल की एक चेन।

उपयोगी जब आपका ऐप फ़ंक्शन का एक टूलबॉक्स एक्सपोज करता है और आप चाहते हैं कि मॉडल स्वायत्त रूप से उन्हें चुने और ऑर्डर करे।

आप अधिक डिटरमिनिस्टिक, कॉन्स्ट्रैन्ड प्लानर्स या मॉडल-ड्रिवन लोगों को फ्लेक्सिबिलिटी के लिए चुन सकते हैं। विश्वसनीयता में सुधार के लिए प्रॉम्प्ट और टूल विवरण को ट्यून करने की अपेक्षा करें।

3) मेमोरी और कॉन्टेक्स्ट

SK कॉन्टेक्स्ट विंडो, शॉर्ट- और लॉन्ग-टर्म मेमोरी और रिट्रीवल को संभालने के लिए पैटर्न प्रदान करता है।

यह सिंगल वेक्टर स्टोर को मजबूर नहीं करता है; आप अपना खुद का प्लग इन कर सकते हैं। यह आपको फ्लेक्सिबल रखता है लेकिन कुछ ग्लू कोड की आवश्यकता होती है।

4) कनेक्टर्स और मॉडल प्रोवाइडर्स

OpenAI और Azure OpenAI के लिए सपोर्ट फर्स्ट-क्लास है। लोकल LLM सपोर्ट में सुधार हो रहा है, कम्युनिटी ने वर्केबल .NET एक्सपीरियंस की पुष्टि की है।

एंटरप्राइज सिस्टम (SharePoint, OneDrive, SQL, आदि) में कनेक्टर्स को आमतौर पर स्टैंडर्ड .NET/TS लाइब्रेरी के माध्यम से लागू किया जाता है और स्किल के रूप में रैप किया जाता है।

रियल-वर्ल्ड फिट: सिमेंटिक कर्नल कहाँ चमकता है

एंटरप्राइज एजेंट कोपिलॉट: कस्टमर सपोर्ट एआईडी, IT हेल्पडेस्क एजेंट, या सेल्स एनेबलमेंट टूल जहां आपको टूल यूज़, गार्डरेल और Azure कंप्लायंस की आवश्यकता होती है।

वर्कफ़्लो ऑर्केस्ट्रेशन: मल्टी-स्टेप कार्य जैसे “इन्जेस्ट → एनरिच → समराइज़ → रूट,” जहां प्लानर आपकी स्किल का उपयोग करके काम को सीक्वेंस करता है।

सख्त DI/टेस्टिंग के साथ एप्लिकेशन बैकएंड: यदि आपकी टीम मजबूत टाइपिंग, टेस्टेबिलिटी और प्रॉम्प्ट और लॉजिक के बीच स्पष्ट पृथक्करण को महत्व देती है, तो SK की संरचना CI/CD के लिए अच्छी तरह से मैप करती है।

आप कहाँ फ्रिक्शन का सामना कर सकते हैं

पायथन-फर्स्ट टीमों में रैपिड प्रोटोटाइपिंग: यदि आपका संगठन पायथन-हैवी है और त्वरित नोटबुक पर निर्भर करता है, तो LangChain का इकोसिस्टम और डॉक्स आपको शुरू में तेजी से आगे बढ़ा सकते हैं।

स्पेशलाइज्ड रिट्रीवल पाइपलाइन: LlamaIndex अभी भी आउट-ऑफ़-द-बॉक्स RAG टेम्पलेट, सोफिस्टिकेटेड चंकिंग स्ट्रेटेजी और इवैल्यूएशन यूटिलिटीज के साथ लीड करता है।

बार-बार API परिवर्तन: जैसे-जैसे प्लानिंग और टूल-यूज़ पूरे उद्योग में विकसित होते हैं, आप यह फिर से देख सकते हैं कि आप टूल का वर्णन कैसे करते हैं या फ़ंक्शन को कैसे चेन करते हैं।

सिमेंटिक कर्नल बनाम लैंगचेन बनाम ललामाइंडेक्स

लैंगचेन

ताकत: विशाल पायथन (और JS) कम्युनिटी, कनेक्टर्स, एजेंट प्रकार, उदाहरण चिड़ियाघर।

कमजोरी: भारी लग सकता है; एब्स्ट्रैक्शन कभी-कभी लीक हो जाते हैं; वर्जन चर्न।

कब चुनें: आप सबसे व्यापक इंटीग्रेशन चाहते हैं और आपकी टीम पायथन-नेटिव है।

ललामाइंडेक्स

ताकत: RAG वर्कफ़्लो, डेटा कनेक्टर्स, इंडेक्सिंग/रिट्रीवल, इवैल।

कमजोरी: रिट्रीवल-सेंट्रिक कार्यों से परे पूर्ण एजेंट ऑर्केस्ट्रेशन पर कम ध्यान केंद्रित किया गया है।

कब चुनें: आपकी मुख्य आवश्यकता निजी डेटा पर रिट्रीवल ऑगमेंटेशन है।

सिमेंटिक कर्नल

ताकत: .NET/TS एर्गोनॉमिक्स, प्लानर/स्किल मॉडल, Azure एलाइनमेंट।

कमजोरी: लैंगचेन की तुलना में छोटा इकोसिस्टम; प्लानर्स का विकास।

कब चुनें: आप माइक्रोसॉफ्ट स्टैक के साथ एंटरप्राइज एजेंट बना रहे हैं और DI और टेस्टिंग के अनुरूप ऑर्केस्ट्रेशन पैटर्न की आवश्यकता है।

माइक्रोसॉफ्ट के इकोसिस्टम से एक तुलनात्मक परिप्रेक्ष्य के लिए, लैंगचेन, सिमेंटिक कर्नल और ललामाइंडेक्स का यह अवलोकन एक सहायक फ्रेमिंग प्रदान करता है।

डेवलपर एक्सपीरियंस: SK के साथ बनाना कैसा लगता है

कॉन्फ़िगरेशन: अपने DI कंटेनर के साथ मॉडल प्रोवाइडर्स और स्किल रजिस्टर करें। यदि आप ASP.NET कोर के आदी हैं तो यह नेटिव लगता है।

प्रॉम्प्ट इंजीनियरिंग: प्रॉम्प्ट टेम्पलेट कोड के साथ रहते हैं। आप इनपुट/आउटपुट स्कीमा का दस्तावेजीकरण करेंगे ताकि प्लानर्स पैरामीटर के बारे में तर्क कर सकें।

टूलिंग: यूनिट टेस्टिंग सीधी है क्योंकि स्किल नियमित क्लास हैं; सिमेंटिक फ़ंक्शन को मॉक किया जा सकता है या गोल्डन आउटपुट के माध्यम से टेस्ट किया जा सकता है।

ऑब्जर्वेबिलिटी: आप संभवतः अपने मौजूदा लॉगिंग/टेलीमेट्री स्टैक (जैसे, ऐप इनसाइट्स) को इंटीग्रेट करेंगे और प्लानर निर्णयों के आसपास ट्रेस जोड़ेंगे।

एक कम्युनिटी रिपोर्ट में कहा गया है कि वर्तमान .NET एक्सपीरियंस स्थिर और अच्छी तरह से प्रलेखित है, जो कई एंटरप्राइज टीमों को प्रूफ-ऑफ-कॉन्सेप्ट से आगे निकलने के लिए आवश्यक है। एक संरचित वॉक-थ्रू के लिए, यह मल्टी-पार्ट रिव्यू एक ठोस प्राइमर है।

परफॉर्मेंस और विश्वसनीयता संबंधी विचार

लेटेंसी: प्लानर-ड्रिवन एजेंट लूप राउंड-ट्रिप जोड़ते हैं। टाइटर बाउंड के लिए फ़ंक्शन कॉलिंग और डिटरमिनिस्टिक प्लानर्स का उपयोग करें।

लागत नियंत्रण: टूल को कॉन्स्ट्रैन करें, स्टेप को कैप करें और आक्रामक रूप से समराइज़ करें। प्लानिंग के लिए छोटे मॉडल और अंतिम जनरेशन के लिए बड़े मॉडल पर विचार करें।

डिटरमिनिज्म: रेगुलेटेड वर्कफ़्लो के लिए, नैरो टूल विवरण, स्कीमा-वैलिडेटेड इनपुट और फॉलबैक प्लान को प्राथमिकता दें जब मॉडल गलत तरीके से रूट करे।

सुरक्षा, अनुपालन और गवर्नेंस

Azure इंटीग्रेशन एंटरप्राइज नीतियों (VNET, प्राइवेट एंडपॉइंट, की मैनेजमेंट) के साथ एलाइन करना आसान बनाता है।

रोल-बेस्ड स्किल एक्सपोजर लागू करें ताकि एजेंट केवल अनुमत टूल तक ही पहुंच सकें।

मॉडल को हिट करने से पहले संवेदनशील डेटा को हटाने के लिए इनपुट/आउटपुट फ़िल्टरिंग जोड़ें।

उदाहरण आर्किटेक्चर पैटर्न

इन्जेशन: दस्तावेज़ स्टोरेज में प्रवाहित होते हैं; मेटाडेटा और एम्बेडिंग एक बैकग्राउंड वर्कर के माध्यम से बनाए जाते हैं।

रिट्रीवल: एक RAG स्किल प्रासंगिक चंक और साइटेशन प्राप्त करता है।

प्लानिंग: प्लानर स्टेप कंपोज करता है—रिट्रीव → एनालाइज → ड्राफ्ट → वेरिफाई।

टूलिंग: नेटिव कोड फ़ंक्शन आंतरिक API (CRM, टिकटिंग, इन्वेंट्री) को कॉल करते हैं।

गार्डरेल: अंतिम प्रतिक्रियाओं से पहले वैलिडेशन और पॉलिसी चेक चलते हैं।

ऑब्जर्वेबिलिटी: ट्रेस प्लान, टूल कॉल, टोकन यूसेज और परिणाम।

आज सिमेंटिक कर्नल किसे चुनना चाहिए?

SK चुनें यदि:

आप मुख्य रूप से .NET या TypeScript हैं और एजेंट ऑर्केस्ट्रेशन चाहते हैं जो नेटिव लगे।

आप Azure पर डिप्लॉय करते हैं और Azure OpenAI और एंटरप्राइज सेवाओं के लिए फर्स्ट-क्लास सपोर्ट को महत्व देते हैं।

आप प्रॉम्प्ट और कोड के बीच स्पष्ट पृथक्करण चाहते हैं, और एक प्लानर जो आपके टूल को चेन कर सके।

आप विकल्पों को चुन सकते हैं यदि:

आपको कटिंग-एज पायथन इंटीग्रेशन, निचे वेक्टर DB या एक विशाल उदाहरण लाइब्रेरी (LangChain) की आवश्यकता है।

आपकी समस्या 90% रिट्रीवल पाइपलाइन और मूल्यांकन (LlamaIndex) के बारे में है।

SK को अपनाने वाली टीमों के लिए व्यावहारिक टिप्स

छोटे से शुरू करें: दो या तीन कोर टूल को स्किल के रूप में रैप करें और एक साधारण प्लानर को उन्हें ऑर्केस्ट्रेट करने दें।

टूल स्कीमा का दस्तावेजीकरण करें: आपके फ़ंक्शन सिग्नेचर और विवरण जितने अधिक स्पष्ट होंगे, प्लानर उतना ही अधिक विश्वसनीय होगा।

शुरुआत में गार्डरेल जोड़ें: स्कीमा वैलिडेशन, रीजन्ड रिफ्लेक्शन के साथ रिट्री और स्टेप कैप फ्लेकीनेस को कम करते हैं।

प्रॉम्प्ट को वर्शन्ड रखें: सिमेंटिक फ़ंक्शन को कोड की तरह ट्रीट करें; परिवर्तनों की समीक्षा करें और टेस्ट करें।

सब कुछ देखें: प्लानर निर्णय, टूल आर्गुमेंट और मॉडल प्रतिक्रियाओं को पोस्ट-मॉर्टम के लिए लॉग करें।

ध्यान देने योग्य: Sider.AI के साथ बिल्ड साइकिल को तेज करना

यदि आप प्रॉम्प्ट ड्राफ्ट करने, टेस्ट केस जेनरेट करने या प्लान ट्रेस को समराइज़ करने के लिए अपने वर्कफ़्लो में एम्बेडेड AI असिस्टेंट चाहते हैं, तो Sider.AI जैसे टूल मदद कर सकते हैं। वैसे, Sider.AI (https://sider.ai/) आपके ब्राउज़र/IDE में इंटीग्रेट होता है ताकि इटेशन साइकिल को गति मिल सके, खासकर जब आप सिमेंटिक फ़ंक्शन को रिफाइन कर रहे हों, डॉक्स लिख रहे हों या प्लानर आउटपुट की तुलना कर रहे हों।

अंतिम टेक: एक आश्वस्त हाँ—खुली आँखों से

सिमेंटिक कर्नल सही टीमों के लिए प्राइम टाइम के लिए तैयार है। यदि आपका स्टैक माइक्रोसॉफ्ट-हैवी है और आपको ठोस DI, स्किल और प्लानर के साथ एजेंट ऑर्केस्ट्रेशन की आवश्यकता है, तो SK एक मजबूत, व्यावहारिक विकल्प है। यदि आप पायथन में रहते हैं या आपको विदेशी कनेक्टर्स की आवश्यकता है, तो LangChain आकर्षक बना हुआ है; यदि रिट्रीवल आपका दिल है, तो LlamaIndex उत्कृष्ट है। .NET/TS में एंटरप्राइज AI एजेंटों के लिए, SK एक आश्वस्त सिफारिश अर्जित करता है।

—

इस रिव्यू में उपयोग किए गए संदर्भ और तुलनात्मक दृष्टिकोण में .NET तत्परता पर कम्युनिटी फीडबैक, एक संरचित SDK रिव्यू और एक क्रॉस-फ्रेमवर्क तुलना शामिल है।

FAQ

Q1:सिमेंटिक कर्नल का उपयोग किस लिए किया जाता है? सिमेंटिक कर्नल AI एजेंट और ऑर्केस्ट्रेशन बनाने के लिए माइक्रोसॉफ्ट का ओपन-सोर्स SDK है—मल्टी-स्टेप कार्यों को हल करने के लिए प्रॉम्प्ट, टूल, मेमोरी और प्लानर का संयोजन। यह एंटरप्राइज वातावरण में .NET और TypeScript डेवलपर्स के लिए विशेष रूप से मजबूत है।

Q2:क्या सिमेंटिक कर्नल लैंगचेन से बेहतर है? यह आपके स्टैक और आवश्यकताओं पर निर्भर करता है। सिमेंटिक कर्नल .NET/TS, DI इंटीग्रेशन और Azure एलाइनमेंट में उत्कृष्ट है, जबकि लैंगचेन रैपिड प्रोटोटाइपिंग के लिए व्यापक पायथन-फर्स्ट कनेक्टर्स और कम्युनिटी कंटेंट प्रदान करता है।

Q3:RAG के लिए सिमेंटिक कर्नल की तुलना ललामाइंडेक्स से कैसे की जाती है? ललामाइंडेक्स स्पेशलाइज्ड RAG पाइपलाइन और मूल्यांकन के साथ लीड करता है, जबकि सिमेंटिक कर्नल प्लगेबल रिट्रीवल के साथ सामान्य ऑर्केस्ट्रेशन प्रदान करता है। रिट्रीवल-सेंट्रिक ऐप के लिए ललामाइंडेक्स का उपयोग करें; SK का उपयोग तब करें जब आपको व्यापक एजेंट वर्कफ़्लो की आवश्यकता हो।

Q4:क्या सिमेंटिक कर्नल प्रोडक्शन के लिए तैयार है? माइक्रोसॉफ्ट-स्टैक टीमों के लिए, हाँ—विशेष रूप से .NET में जहां स्थिरता और प्रलेखन मजबूत हैं। किसी भी विकसित हो रहे AI फ्रेमवर्क की तरह, वर्जन पिनिंग, ऑब्जर्वेबिलिटी और गार्डरेल की योजना बनाएं।

Q5:क्या सिमेंटिक कर्नल लोकल LLM के साथ काम कर सकता है? हाँ। डेवलपर्स Azure OpenAI या OpenAI प्रोवाइडर्स के साथ .NET में लोकल मॉडल के साथ SK का उपयोग करके सफलता की रिपोर्ट करते हैं। टूल-बेस्ड वर्कफ़्लो के लिए प्रोवाइडर्स को कॉन्फ़िगर करने और लोकल इन्फेरेंस को स्किल के रूप में रैप करने की अपेक्षा करें।