KI-Magie in List & Label : So verwendest du Microsoft Semantic Kernel mit List & Label

Künstliche Intelligenz ist überall – und jetzt auch im Report Designer. Mit der einfachen Designerfunktion AI$() kannst du die Power von OpenAI oder anderen LLMs direkt in deine List & Label-Berichte einbetten. Klingt gut? Dann schauen wir uns an, wie das funktioniert – und warum es eines deiner neuen Lieblingsfeatures werden könnte.

Lerne das neue AI$-Designerfeature in unserem YouTube-Video kennen oder lies den folgenden Blogartikel:

Eine kleine Designer-Erweiterungsfunktion für einen großen Schritt

Traditionell erlauben es dir die Funktionen von List & Label, Zeichenfolgen zu formatieren, Zahlen zu berechnen oder das Layout zu steuern. Mit der AI$()-Funktion betreten wir ein neues Terrain: Die Idee ist simpel – du übergibst dem KI-Modell einen Prompt und verwendest das Ergebnis direkt im Bericht.

Ob du eine Zusammenfassung, eine Übersetzung oder eine elegantere Formulierung möchtest – AI$() erledigt den Job. Im Hintergrund verbindet sich die Funktion über das Semantic Kernel SDK von Microsoft mit dem OpenAI-Dienst (oder einem anderen unterstützten LLM).

Legen wir mit dem Kerncode los.

So funktioniert es intern

Hier ist die Methode, die den eigentlichen KI-Aufruf durchführt. Die Builder- und Kernel-Objekte könnten hier natürlich zwischengespeichert werden. Du musst nur das Semantic Kernel-Paket zu deiner Anwendung hinzufügen und eine neue Designerfunktion zu deiner ListLabel-Instanz ergänzen.

private async Task<string> GetOpenAIResultAsync(string prompt)
{
 var builder = Kernel.CreateBuilder();
 var apiKey = "";
 builder.AddOpenAIChatCompletion(
 modelId: "o4-mini",
 apiKey: apiKey
 );

 var kernel = builder.Build();
 var chatFunction = kernel.CreateFunctionFromPrompt(prompt);
 var result = await kernel.InvokeAsync(chatFunction);
 return result.ToString();
}

Da die Funktion asynchron ist, die Auswertung eines Berichts jedoch synchron erfolgen muss (da die Render-Engine das vollständige Ergebnis vor dem Rendern benötigt), brauchen wir eine pseudo-synchrone Umgehungslösung:

private void aiFunction_EvaluateFunction(object sender, EvaluateFunctionEventArgs e)
{
 e.ResultValue = Task.Run(() => GetOpenAIResultAsync(e.Parameter1.ToString())).Result;
 e.ResultType = LlParamType.String;
}

Das funktioniert – aber wiederholte Aufrufe mit demselben Prompt kosten unnötig Zeit und Tokens. Das lässt sich verbessern.

Caching für Geschwindigkeit und Übersicht

Ein einfacher In-Memory-Cache mit einem Dictionary<string, string> verbessert die Performance erheblich:

private Dictionary<string, string> _llmResults = new();

private void aiFunction_EvaluateFunction(object sender, EvaluateFunctionEventArgs e)
{
 string prompt = e.Parameter1.ToString(); e.ResultType = LlParamType.String; if (_llmResults.TryGetValue(prompt, out var result)) { e.ResultValue = result; return; } string aiResult = Task.Run(() => GetOpenAIResultAsync(prompt)).Result;
 _llmResults[prompt] = aiResult;
 e.ResultValue = aiResult;
}

Warum nicht asynchron?

Die Berichtserstellung ist ein zeitkritischer Prozess. Jeder Funktionsaufruf muss sofort ein Ergebnis liefern, nicht „irgendwann später“. Auch wenn .NET asynchronen Code zulässt, muss die Auswertelogik von List & Label synchron bleiben, um Dinge wie Zellhöhe oder Seitenumbrüche im Voraus zu bestimmen.

Das macht den Task.Run(...).Result notwendig – auch wenn er nicht ganz elegant ist. Es ist der Preis, den wir zahlen, um LLMs mit einer für Vorhersagbarkeit konzipierten Render-Engine zu kombinieren.

Was kannst du mit AI$() tun?

Ein paar praktische Ideen:

• Produktbeschreibungen übersetzen: AI$("Translate 'Kaffeemaschine mit Thermoskanne' to English")
• Lange Texte zusammenfassen: AI$("Summarize this: ...")
• Prägnante Titel erzeugen: AI$("Write a headline for this product: ...")
• Inhalte höflicher formulieren: AI$("Rephrase: 'Return at your own cost' in a friendlier tone")
• Code-Snippets erzeugen: AI$("Write a C# code snippet that calculates factorial")

Die Anwendungsmöglichkeiten sind nur durch deine Kreativität – und die Tokenlimits von OpenAI – begrenzt. Hier siehst du, was passiert, wenn ich diesen Blogbeitrag im Designer auf Französisch zusammenfassen lasse:

Fazit

Das Einbetten von KI in List & Label über die AI$()-Funktion eröffnet neue Horizonte für dynamisches, intelligentes Reporting. Mit dem Semantic Kernel steht dir eine leistungsstarke Abstraktionsschicht zur Verfügung, die sich leicht an neue LLMs, Modelle oder Prompt-Vorlagen anpassen lässt. Dein Copilot im Report Design – nur einen Funktionsaufruf entfernt.

Probiere es aus. Und sag uns, welcher Prompt dich am meisten überrascht oder begeistert hat!