[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M699A9K0C56KQ05QZDCDGGY5":3,"skill-same:01M699A9K0C56KQ05QZDCDGGY5":141},{"skillNo":4,"name":5,"nameZh":6,"description":6,"descriptionZh":6,"repositoryFullName":7,"ownerLogin":8,"ownerAvatarUrl":9,"ownerAccountNo":10,"ownerDisplayName":11,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":15,"categories":16,"keywords":17,"publishedAt":20,"linkOnly":21,"markdownContent":22,"markdownBody":23,"frontMatter":24,"refName":25,"commitSha":26,"skillDirectory":27,"forksCount":28,"repositoryHtmlUrl":29,"repositoryHomepageUrl":30,"ownerHtmlUrl":31,"ownerBlogUrl":32,"ownerDescription":33,"updatedAt":34,"install":35,"resources":48},"01M699A9K0C56KQ05QZDCDGGY5","local-ai-agents",null,"microsoft\u002Fai-agents-for-beginners","microsoft","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F6154722?v=4","01M698VYDXZ6JW5WH3CRV650R8","Microsoft","01M6998ZK2275KMJE6Y5SEA2X2",79504,"MIT","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fai-agents-for-beginners\u002Fblob\u002Fmain\u002Ftranslations\u002Fbg\u002F.agents\u002Fskills\u002Flocal-ai-agents\u002FSKILL.md",[],[18,19],"ai agents","local ai agents","2026-11-10 10:12:30",false,"---\nname: local-ai-agents\nlicense: MIT\n---\n# Създаване на локални AI агенти с Foundry Local и Qwen\n\n> Спомагателно умение за [Урок 17 – Създаване на локални AI агенти](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002FREADME.md).\n> Използвайте го, за да помогнете на учащия да създаде агент, който разсъждава, извиква инструменти и търси\n> документиране изцяло на собствената му машина — без облачно осмисляне. Всяка\n> препоръка се основава на съдържанието на урока и изпълнимия бележник.\n\n## Тригери\n\nАктивирайте това умение, когато учащ иска да:\n- Стартира агент **изцяло на устройството** по причини за поверителност, разходи или офлайн работа.\n- Служи на модел локално с **Foundry Local** и да се свърже чрез OpenAI-съвместим крайна точка.\n- Използва **Qwen модел с извикване на функции** за надеждно локално извикване на инструменти.\n- Добави **локален RAG** (Chroma) или **локален MCP сървър**.\n- Проектира **хибридна** локална\u002Fоблачна стратегия за маршрутизиране.\n\n## Основен ментален модел\n\nSLM търгува с обхват в замяна на поверителност, разходи и офлайн работа. Победната\nстратегия: **позволете на SLM да оркестрира и на инструментите да вършат тежката работа.** Моделът\nне трябва да *знае* кода — трябва да знае кога да извика `read_file` и `search_docs`.\nТова играе на силните страни на SLM (ограничени решения\nкато избор на инструмент) и избягва слабостите му (широки знания, дълго многоетапно\nразсъждение).\n\n## Защо тези конкретни части\n\n- **Foundry Local** предоставя **OpenAI-съвместима HTTP крайна точка**, така че кода за агента в облак се прехвърля чрез промяна само на `base_url` (и използване на локален API ключ-запълнител). Той също така автоматично избира най-добрата версия (CPU\u002FGPU\u002FNPU) за машината.\n- **Qwen** моделите са обучени за извикване на функции и последователно генерират правилно оформени извиквания на инструменти – това превръща локалния *чат* модел в локален *агент*.\n- **Chroma** работи в процеса и съхранява вектори на диск, така че целият RAG процес (вграждане → съхранение → извличане → разсъждение) остава локален.\n- **MCP** е транспорт, не облачна услуга: MCP сървър може да работи локално през `stdio`.\n\n## Основни настройки\n\n```bash\nfoundry model run qwen2.5-7b-instruct\nfoundry service status\n```\n\n```python\nfrom foundry_local import FoundryLocalManager\nfrom openai import OpenAI\n\nmanager = FoundryLocalManager(\"qwen2.5-7b-instruct\")\nclient = OpenAI(base_url=manager.endpoint, api_key=manager.api_key)  # локален заместител\n```\n\n~8 GB RAM е реалистичен минимум; GPU\u002FNPU помага, но не е задължително.\n\n## Ключови модели за възпроизвеждане\n\nНасочете учащия към бележника\n[`17-local-agent-foundry-local.ipynb`](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002Fcode_samples\u002F17-local-agent-foundry-local.ipynb):\n\n- **Пясъчни инструменти**: всеки инструмент за файлове разрешава пътища и отхвърля всичко извън една коренна директория на проекта — дори и локално, инструментите работят с разрешенията на потребителя.\n- **Цикъл за извикване на инструменти**: регистрирайте инструменти със схема на OpenAI инструменти, изпълнявайте поискани инструменти локално, предавайте резултатите, повтаряйте докато не се получи краен отговор.\n- **Локален RAG**: добавете документи в колекция Chroma; `search_docs` връща топ-k сегменти.\n- **Локален MCP**: свържете се с локален сървър през `stdio`; ограничете го до директория на проекта и валидирайте изходите му.\n\n## Хибридно маршрутизиране (локално като един от моделите)\n\n| Ситуация | Къде работи |\n|-----------|---------------|\n| Чувствителни данни \u002F офлайн | Локално SLM |\n| Проста, ограничена задача | Локално SLM (евтино, бързо) |\n| Трудно многоетапно разсъждение за нечуствителни данни | Облачен модел |\n| Облачна неизправност | Локално SLM (грейсфул деградация) |\n\nТова отразява идеята за маршрутизиране на модели от Урок 16, като работната станция е един\nот маршрутите. Предпочитайте дизайни, които се връщат обратно към локалния, така че агентът да се понижава в\nкачество, вместо да се проваля напълно.\n\n## Гонки за асистента\n\n- Поддържайте всяка операция с файлове\u002Fинструменти ограничена до пясъчна директория на проект.\n- Не изпращайте код или данни в облак, когато официалната цел на учащия е поверителност\u002Fофлайн – дръжте целия поток локален.\n- Поставяйте реалистични очаквания за качеството на SLM; разчитайте на инструменти и RAG вместо на запаметените знания на модела.\n- Забележете, че Урок 17 няма крайна точка Foundry Responses, така че облачното тестово действие не важи — валидирайте като стартирате бележника локално.\n\n---\n\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**Отказ от отговорност**:\nТози документ е преведен с помощта на AI преводачески услуга [Co-op Translator](https:\u002F\u002Fgithub.com\u002FAzure\u002Fco-op-translator). Въпреки че се стремим към точност, моля имайте предвид, че автоматизираните преводи могат да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за каквито и да е недоразумения или неправилни тълкувания, произтичащи от използването на този превод.\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER END -->","# Създаване на локални AI агенти с Foundry Local и Qwen\n\n> Спомагателно умение за [Урок 17 – Създаване на локални AI агенти](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002FREADME.md).\n> Използвайте го, за да помогнете на учащия да създаде агент, който разсъждава, извиква инструменти и търси\n> документиране изцяло на собствената му машина — без облачно осмисляне. Всяка\n> препоръка се основава на съдържанието на урока и изпълнимия бележник.\n\n## Тригери\n\nАктивирайте това умение, когато учащ иска да:\n- Стартира агент **изцяло на устройството** по причини за поверителност, разходи или офлайн работа.\n- Служи на модел локално с **Foundry Local** и да се свърже чрез OpenAI-съвместим крайна точка.\n- Използва **Qwen модел с извикване на функции** за надеждно локално извикване на инструменти.\n- Добави **локален RAG** (Chroma) или **локален MCP сървър**.\n- Проектира **хибридна** локална\u002Fоблачна стратегия за маршрутизиране.\n\n## Основен ментален модел\n\nSLM търгува с обхват в замяна на поверителност, разходи и офлайн работа. Победната\nстратегия: **позволете на SLM да оркестрира и на инструментите да вършат тежката работа.** Моделът\nне трябва да *знае* кода — трябва да знае кога да извика `read_file` и `search_docs`.\nТова играе на силните страни на SLM (ограничени решения\nкато избор на инструмент) и избягва слабостите му (широки знания, дълго многоетапно\nразсъждение).\n\n## Защо тези конкретни части\n\n- **Foundry Local** предоставя **OpenAI-съвместима HTTP крайна точка**, така че кода за агента в облак се прехвърля чрез промяна само на `base_url` (и използване на локален API ключ-запълнител). Той също така автоматично избира най-добрата версия (CPU\u002FGPU\u002FNPU) за машината.\n- **Qwen** моделите са обучени за извикване на функции и последователно генерират правилно оформени извиквания на инструменти – това превръща локалния *чат* модел в локален *агент*.\n- **Chroma** работи в процеса и съхранява вектори на диск, така че целият RAG процес (вграждане → съхранение → извличане → разсъждение) остава локален.\n- **MCP** е транспорт, не облачна услуга: MCP сървър може да работи локално през `stdio`.\n\n## Основни настройки\n\n```bash\nfoundry model run qwen2.5-7b-instruct\nfoundry service status\n```\n\n```python\nfrom foundry_local import FoundryLocalManager\nfrom openai import OpenAI\n\nmanager = FoundryLocalManager(\"qwen2.5-7b-instruct\")\nclient = OpenAI(base_url=manager.endpoint, api_key=manager.api_key)  # локален заместител\n```\n\n~8 GB RAM е реалистичен минимум; GPU\u002FNPU помага, но не е задължително.\n\n## Ключови модели за възпроизвеждане\n\nНасочете учащия към бележника\n[`17-local-agent-foundry-local.ipynb`](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002Fcode_samples\u002F17-local-agent-foundry-local.ipynb):\n\n- **Пясъчни инструменти**: всеки инструмент за файлове разрешава пътища и отхвърля всичко извън една коренна директория на проекта — дори и локално, инструментите работят с разрешенията на потребителя.\n- **Цикъл за извикване на инструменти**: регистрирайте инструменти със схема на OpenAI инструменти, изпълнявайте поискани инструменти локално, предавайте резултатите, повтаряйте докато не се получи краен отговор.\n- **Локален RAG**: добавете документи в колекция Chroma; `search_docs` връща топ-k сегменти.\n- **Локален MCP**: свържете се с локален сървър през `stdio`; ограничете го до директория на проекта и валидирайте изходите му.\n\n## Хибридно маршрутизиране (локално като един от моделите)\n\n| Ситуация | Къде работи |\n|-----------|---------------|\n| Чувствителни данни \u002F офлайн | Локално SLM |\n| Проста, ограничена задача | Локално SLM (евтино, бързо) |\n| Трудно многоетапно разсъждение за нечуствителни данни | Облачен модел |\n| Облачна неизправност | Локално SLM (грейсфул деградация) |\n\nТова отразява идеята за маршрутизиране на модели от Урок 16, като работната станция е един\nот маршрутите. Предпочитайте дизайни, които се връщат обратно към локалния, така че агентът да се понижава в\nкачество, вместо да се проваля напълно.\n\n## Гонки за асистента\n\n- Поддържайте всяка операция с файлове\u002Fинструменти ограничена до пясъчна директория на проект.\n- Не изпращайте код или данни в облак, когато официалната цел на учащия е поверителност\u002Fофлайн – дръжте целия поток локален.\n- Поставяйте реалистични очаквания за качеството на SLM; разчитайте на инструменти и RAG вместо на запаметените знания на модела.\n- Забележете, че Урок 17 няма крайна точка Foundry Responses, така че облачното тестово действие не важи — валидирайте като стартирате бележника локално.\n\n---\n\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**Отказ от отговорност**:\nТози документ е преведен с помощта на AI преводачески услуга [Co-op Translator](https:\u002F\u002Fgithub.com\u002FAzure\u002Fco-op-translator). Въпреки че се стремим към точност, моля имайте предвид, че автоматизираните преводи могат да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за каквито и да е недоразумения или неправилни тълкувания, произтичащи от използването на този превод.\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER END -->",{"name":5,"license":14},"main","f09e94ffe170f8af6d3db7c42987bbe4db227723","translations\u002Fbg\u002F.agents\u002Fskills\u002Flocal-ai-agents",26043,"https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fai-agents-for-beginners","https:\u002F\u002Faka.ms\u002Fai-agents-beginners","https:\u002F\u002Fgithub.com\u002Fmicrosoft","https:\u002F\u002Fopensource.microsoft.com","Open source projects and samples from Microsoft","2026-11-07 12:51:12",{"source":7,"skillName":5,"commands":36,"prompt":46,"zipAvailable":47},[37,40,43],{"tool":38,"command":39},"npx","npx skills add microsoft\u002Fai-agents-for-beginners --skill local-ai-agents",{"tool":41,"command":42},"bunx","bunx skills add microsoft\u002Fai-agents-for-beginners --skill local-ai-agents",{"tool":44,"command":45},"pnpm","pnpm dlx skills add microsoft\u002Fai-agents-for-beginners --skill local-ai-agents","安装技能，技能地址：https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fai-agents-for-beginners\u002Fblob\u002Fmain\u002Ftranslations\u002Fbg\u002F.agents\u002Fskills\u002Flocal-ai-agents\u002FSKILL.md",true,[49,55,59,63,67,71,75,79,83,87,93,97,101,105,109,113,117,121,125,129,133,137],{"path":50,"resourceType":51,"resourceTypeDesc":52,"sizeBytes":53,"sourceHtmlUrl":54},"references\u002Fcommon-workflows.md","REFERENCE","参考文档",2865,"https:\u002F\u002Fgithub.com\u002Ffel-tte\u002Frobot-forex\u002Fblob\u002Fmain\u002Fclaude-super-kit\u002F.claude\u002Fskills\u002Fmedia-processing\u002Freferences\u002Fcommon-workflows.md",{"path":56,"resourceType":51,"resourceTypeDesc":52,"sizeBytes":57,"sourceHtmlUrl":58},"references\u002Fffmpeg-encoding.md",9463,"https:\u002F\u002Fgithub.com\u002Ffel-tte\u002Frobot-forex\u002Fblob\u002Fmain\u002Fclaude-super-kit\u002F.claude\u002Fskills\u002Fmedia-processing\u002Freferences\u002Fffmpeg-encoding.md",{"path":60,"resourceType":51,"resourceTypeDesc":52,"sizeBytes":61,"sourceHtmlUrl":62},"references\u002Fffmpeg-filters.md",11800,"https:\u002F\u002Fgithub.com\u002Ffel-tte\u002Frobot-forex\u002Fblob\u002Fmain\u002Fclaude-super-kit\u002F.claude\u002Fskills\u002Fmedia-processing\u002Freferences\u002Fffmpeg-filters.md",{"path":64,"resourceType":51,"resourceTypeDesc":52,"sizeBytes":65,"sourceHtmlUrl":66},"references\u002Fffmpeg-streaming.md",9562,"https:\u002F\u002Fgithub.com\u002Ffel-tte\u002Frobot-forex\u002Fblob\u002Fmain\u002Fclaude-super-kit\u002F.claude\u002Fskills\u002Fmedia-processing\u002Freferences\u002Fffmpeg-streaming.md",{"path":68,"resourceType":51,"resourceTypeDesc":52,"sizeBytes":69,"sourceHtmlUrl":70},"references\u002Fformat-compatibility.md",8667,"https:\u002F\u002Fgithub.com\u002Ffel-tte\u002Frobot-forex\u002Fblob\u002Fmain\u002Fclaude-super-kit\u002F.claude\u002Fskills\u002Fmedia-processing\u002Freferences\u002Fformat-compatibility.md",{"path":72,"resourceType":51,"resourceTypeDesc":52,"sizeBytes":73,"sourceHtmlUrl":74},"references\u002Fimagemagick-batch.md",12189,"https:\u002F\u002Fgithub.com\u002Ffel-tte\u002Frobot-forex\u002Fblob\u002Fmain\u002Fclaude-super-kit\u002F.claude\u002Fskills\u002Fmedia-processing\u002Freferences\u002Fimagemagick-batch.md",{"path":76,"resourceType":51,"resourceTypeDesc":52,"sizeBytes":77,"sourceHtmlUrl":78},"references\u002Fimagemagick-editing.md",13182,"https:\u002F\u002Fgithub.com\u002Ffel-tte\u002Frobot-forex\u002Fblob\u002Fmain\u002Fclaude-super-kit\u002F.claude\u002Fskills\u002Fmedia-processing\u002Freferences\u002Fimagemagick-editing.md",{"path":80,"resourceType":51,"resourceTypeDesc":52,"sizeBytes":81,"sourceHtmlUrl":82},"references\u002Frmbg-background-removal.md",1685,"https:\u002F\u002Fgithub.com\u002Ffel-tte\u002Frobot-forex\u002Fblob\u002Fmain\u002Fclaude-super-kit\u002F.claude\u002Fskills\u002Fmedia-processing\u002Freferences\u002Frmbg-background-removal.md",{"path":84,"resourceType":51,"resourceTypeDesc":52,"sizeBytes":85,"sourceHtmlUrl":86},"references\u002Ftroubleshooting.md",2729,"https:\u002F\u002Fgithub.com\u002Ffel-tte\u002Frobot-forex\u002Fblob\u002Fmain\u002Fclaude-super-kit\u002F.claude\u002Fskills\u002Fmedia-processing\u002Freferences\u002Ftroubleshooting.md",{"path":88,"resourceType":89,"resourceTypeDesc":90,"sizeBytes":91,"sourceHtmlUrl":92},"scripts\u002Fbatch_resize.py","SCRIPT","脚本",10196,"https:\u002F\u002Fgithub.com\u002Ffel-tte\u002Frobot-forex\u002Fblob\u002Fmain\u002Fclaude-super-kit\u002F.claude\u002Fskills\u002Fmedia-processing\u002Fscripts\u002Fbatch_resize.py",{"path":94,"resourceType":89,"resourceTypeDesc":90,"sizeBytes":95,"sourceHtmlUrl":96},"scripts\u002Fbatch-remove-background.sh",3275,"https:\u002F\u002Fgithub.com\u002Ffel-tte\u002Frobot-forex\u002Fblob\u002Fmain\u002Fclaude-super-kit\u002F.claude\u002Fskills\u002Fmedia-processing\u002Fscripts\u002Fbatch-remove-background.sh",{"path":98,"resourceType":89,"resourceTypeDesc":90,"sizeBytes":99,"sourceHtmlUrl":100},"scripts\u002Fmedia_convert.py",8439,"https:\u002F\u002Fgithub.com\u002Ffel-tte\u002Frobot-forex\u002Fblob\u002Fmain\u002Fclaude-super-kit\u002F.claude\u002Fskills\u002Fmedia-processing\u002Fscripts\u002Fmedia_convert.py",{"path":102,"resourceType":89,"resourceTypeDesc":90,"sizeBytes":103,"sourceHtmlUrl":104},"scripts\u002FREADME.md",2606,"https:\u002F\u002Fgithub.com\u002Ffel-tte\u002Frobot-forex\u002Fblob\u002Fmain\u002Fclaude-super-kit\u002F.claude\u002Fskills\u002Fmedia-processing\u002Fscripts\u002FREADME.md",{"path":106,"resourceType":89,"resourceTypeDesc":90,"sizeBytes":107,"sourceHtmlUrl":108},"scripts\u002Fremove-background.sh",2407,"https:\u002F\u002Fgithub.com\u002Ffel-tte\u002Frobot-forex\u002Fblob\u002Fmain\u002Fclaude-super-kit\u002F.claude\u002Fskills\u002Fmedia-processing\u002Fscripts\u002Fremove-background.sh",{"path":110,"resourceType":89,"resourceTypeDesc":90,"sizeBytes":111,"sourceHtmlUrl":112},"scripts\u002Fremove-bg-node.js",4187,"https:\u002F\u002Fgithub.com\u002Ffel-tte\u002Frobot-forex\u002Fblob\u002Fmain\u002Fclaude-super-kit\u002F.claude\u002Fskills\u002Fmedia-processing\u002Fscripts\u002Fremove-bg-node.js",{"path":114,"resourceType":89,"resourceTypeDesc":90,"sizeBytes":115,"sourceHtmlUrl":116},"scripts\u002Frequirements.txt",558,"https:\u002F\u002Fgithub.com\u002Ffel-tte\u002Frobot-forex\u002Fblob\u002Fmain\u002Fclaude-super-kit\u002F.claude\u002Fskills\u002Fmedia-processing\u002Fscripts\u002Frequirements.txt",{"path":118,"resourceType":89,"resourceTypeDesc":90,"sizeBytes":119,"sourceHtmlUrl":120},"scripts\u002Ftests\u002F.coverage",53248,"https:\u002F\u002Fgithub.com\u002Ffel-tte\u002Frobot-forex\u002Fblob\u002Fmain\u002Fclaude-super-kit\u002F.claude\u002Fskills\u002Fmedia-processing\u002Fscripts\u002Ftests\u002F.coverage",{"path":122,"resourceType":89,"resourceTypeDesc":90,"sizeBytes":123,"sourceHtmlUrl":124},"scripts\u002Ftests\u002Frequirements.txt",32,"https:\u002F\u002Fgithub.com\u002Ffel-tte\u002Frobot-forex\u002Fblob\u002Fmain\u002Fclaude-super-kit\u002F.claude\u002Fskills\u002Fmedia-processing\u002Fscripts\u002Ftests\u002Frequirements.txt",{"path":126,"resourceType":89,"resourceTypeDesc":90,"sizeBytes":127,"sourceHtmlUrl":128},"scripts\u002Ftests\u002Ftest_batch_resize.py",10952,"https:\u002F\u002Fgithub.com\u002Ffel-tte\u002Frobot-forex\u002Fblob\u002Fmain\u002Fclaude-super-kit\u002F.claude\u002Fskills\u002Fmedia-processing\u002Fscripts\u002Ftests\u002Ftest_batch_resize.py",{"path":130,"resourceType":89,"resourceTypeDesc":90,"sizeBytes":131,"sourceHtmlUrl":132},"scripts\u002Ftests\u002Ftest_media_convert.py",7836,"https:\u002F\u002Fgithub.com\u002Ffel-tte\u002Frobot-forex\u002Fblob\u002Fmain\u002Fclaude-super-kit\u002F.claude\u002Fskills\u002Fmedia-processing\u002Fscripts\u002Ftests\u002Ftest_media_convert.py",{"path":134,"resourceType":89,"resourceTypeDesc":90,"sizeBytes":135,"sourceHtmlUrl":136},"scripts\u002Ftests\u002Ftest_video_optimize.py",12131,"https:\u002F\u002Fgithub.com\u002Ffel-tte\u002Frobot-forex\u002Fblob\u002Fmain\u002Fclaude-super-kit\u002F.claude\u002Fskills\u002Fmedia-processing\u002Fscripts\u002Ftests\u002Ftest_video_optimize.py",{"path":138,"resourceType":89,"resourceTypeDesc":90,"sizeBytes":139,"sourceHtmlUrl":140},"scripts\u002Fvideo_optimize.py",13064,"https:\u002F\u002Fgithub.com\u002Ffel-tte\u002Frobot-forex\u002Fblob\u002Fmain\u002Fclaude-super-kit\u002F.claude\u002Fskills\u002Fmedia-processing\u002Fscripts\u002Fvideo_optimize.py",[142,160,171,176,184,191],{"skillNo":143,"name":144,"nameZh":6,"description":6,"descriptionZh":6,"repositoryFullName":7,"ownerLogin":8,"ownerAvatarUrl":9,"ownerAccountNo":10,"ownerDisplayName":11,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":145,"categories":146,"keywords":157,"publishedAt":20},"01M69A206TRZ8KK0CW0HYJF5V5","testing-course-samples","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fai-agents-for-beginners\u002Fblob\u002Fmain\u002Ftranslations\u002Fzh-TW\u002F.agents\u002Fskills\u002Ftesting-course-samples\u002FSKILL.md",[147,152],{"categoryNo":148,"categoryName":149,"taxonomyType":150,"taxonomyTypeDesc":151},"01JBSEEDCAT000000000000008","测试与质量","SCENARIO","使用场景",{"categoryNo":153,"categoryName":154,"taxonomyType":155,"taxonomyTypeDesc":156},"01JBSEEDCAT000000000000039","教师与教育","PROFESSION","适用职业",[158,159],"testing","testing course samples",{"skillNo":161,"name":162,"nameZh":6,"description":6,"descriptionZh":6,"repositoryFullName":7,"ownerLogin":8,"ownerAvatarUrl":9,"ownerAccountNo":10,"ownerDisplayName":11,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":163,"categories":164,"keywords":168,"publishedAt":20},"01M69A1XRB2SFHYRMEH0K08EKZ","microsoft-docs","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fai-agents-for-beginners\u002Fblob\u002Fmain\u002Ftranslations\u002Fzh-TW\u002F.agents\u002Fskills\u002Fmicrosoft-docs\u002FSKILL.md",[165],{"categoryNo":166,"categoryName":167,"taxonomyType":150,"taxonomyTypeDesc":151},"01JBSEEDCAT000000000000023","Skill与智能体开发",[169,8,170],"docs","microsoft docs",{"skillNo":172,"name":5,"nameZh":6,"description":6,"descriptionZh":6,"repositoryFullName":7,"ownerLogin":8,"ownerAvatarUrl":9,"ownerAccountNo":10,"ownerDisplayName":11,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":173,"categories":174,"keywords":175,"publishedAt":20},"01M69A1VPZFJQ1HNGTZQ5P3WSC","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fai-agents-for-beginners\u002Fblob\u002Fmain\u002Ftranslations\u002Fzh-TW\u002F.agents\u002Fskills\u002Flocal-ai-agents\u002FSKILL.md",[],[18,19],{"skillNo":177,"name":178,"nameZh":6,"description":179,"descriptionZh":6,"repositoryFullName":7,"ownerLogin":8,"ownerAvatarUrl":9,"ownerAccountNo":10,"ownerDisplayName":11,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":180,"categories":181,"keywords":182,"publishedAt":20},"01M69A1S947N7MM6V9JF85S2E7","jupyter-notebook","當使用者要求建立、搭建或編輯 Jupyter 筆記本（`.ipynb`）用於實驗、探索或教學時使用；優先使用隨附範本並執行輔助腳本 `new_notebook.py` 來產生一個乾淨的起始筆記本。","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fai-agents-for-beginners\u002Fblob\u002Fmain\u002Ftranslations\u002Fzh-TW\u002F.agents\u002Fskills\u002Fjupyter-notebook\u002FSKILL.md",[],[183],"jupyter notebook",{"skillNo":185,"name":186,"nameZh":6,"description":6,"descriptionZh":6,"repositoryFullName":7,"ownerLogin":8,"ownerAvatarUrl":9,"ownerAccountNo":10,"ownerDisplayName":11,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":187,"categories":188,"keywords":189,"publishedAt":20},"01M69A1Q8EXPWKZSQK69V6WF22","deploying-scalable-agents","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fai-agents-for-beginners\u002Fblob\u002Fmain\u002Ftranslations\u002Fzh-TW\u002F.agents\u002Fskills\u002Fdeploying-scalable-agents\u002FSKILL.md",[],[190],"deploying scalable agents",{"skillNo":192,"name":193,"nameZh":6,"description":6,"descriptionZh":6,"repositoryFullName":7,"ownerLogin":8,"ownerAvatarUrl":9,"ownerAccountNo":10,"ownerDisplayName":11,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":194,"categories":195,"keywords":196,"publishedAt":20},"01M69A1MHZTH3RH9N8VYSYG74X","azure-openai-to-responses","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fai-agents-for-beginners\u002Fblob\u002Fmain\u002Ftranslations\u002Fzh-TW\u002F.agents\u002Fskills\u002Fazure-openai-to-responses\u002FSKILL.md",[],[197],"azure openai to responses"]