local-ai-agents

Oprettelse af lokale AI-agenter med Foundry Local og Qwen

Følgesvendfærdighed til Lektion 17 – Oprettelse af lokale AI-agenter. Brug den til at hjælpe en lærende med at opbygge en agent, der ræsonnerer, kalder værktøjer og søger i dokumentationen helt på deres egen maskine — ingen cloud inferens. Forankr enhver anbefaling i lektionsindholdet og den kørbare notesbog.

Udløsere

Aktivér denne færdighed, når en lærende ønsker at:

• Køre en agent fuldt ud på enheden af hensyn til privatliv, omkostninger eller offline-grunde.
• Servere en model lokalt med Foundry Local og forbinde via den OpenAI-kompatible endpoint.
• Bruge en Qwen funktion-kalds model til at styre pålidelige lokale værktøjskald.
• Tilføje lokal RAG (Chroma) eller en lokal MCP-server.
• Designe en hybrid lokal/cloud routingstrategi.

Kerne mental model

En SLM bytter bredde for privatliv, omkostninger og offline-drift. Den vindende strategi: lad SLM’en orkestrere og lad værktøjerne tage det tunge løft. Modellen behøver ikke at kende kodebasen — den skal vide, hvornår den skal kalde read_file og search_docs. Det spiller på en SLM’s styrke (begrænsede beslutninger som valg af værktøj) og væk fra dens svaghed (bred viden, lang multi-hop ræsonnering).

Hvorfor netop disse komponenter

• Foundry Local eksponerer en OpenAI-kompatibel HTTP-endpoint, så cloud-agent kode overføres ved blot at ændre base_url (og bruge en lokal placeholder API-nøgle). Den vælger også automatisk det bedste build (CPU/GPU/NPU) til maskinen.
• Qwen modeller er trænet til funktionskald og udsender konsekvent velstrukturerede værktøjskald — det er det, der forvandler en lokal chat model til en lokal agent.
• Chroma kører in-process og lagrer vektorer på disk, så hele RAG-pipelinen (embed → store → retrieve → reason) forbliver lokal.
• MCP er et transportlag, ikke en cloud-tjeneste: en MCP-server kan køre lokalt over stdio.

Opsætningsnødvendigheder

foundry model run qwen2.5-7b-instruct
foundry service status

from foundry_local import FoundryLocalManager
from openai import OpenAI

manager = FoundryLocalManager("qwen2.5-7b-instruct")
client = OpenAI(base_url=manager.endpoint, api_key=manager.api_key)  # local placeholder

~8 GB RAM er et realistisk minimum; en GPU/NPU hjælper, men er ikke påkrævet.

Nøglemønstre at gengive

Peg den lærende mod notesbogen 17-local-agent-foundry-local.ipynb:

• Sandkasse-værktøjer: hvert filværktøj løser stier og afviser alt uden for en enkelt projektrod — selv lokalt kører et værktøj med brugerens tilladelser.
• Værktøjskald-loop: registrer værktøjer med OpenAI’s værktøjsskema, udfør forespurgte værktøjer lokalt, fød resultaterne tilbage, gentag indtil endeligt svar.
• Lokal RAG: indsæt dokumenter i en Chroma-kollektion; search_docs returnerer top-k uddrag.
• Lokal MCP: forbind til en lokal server over stdio; afgræns den til en projektmappe og valider dens output.

Hybrid routing (lokal som en af modellerne)

Situation	Hvor den kører
Følsomme data / offline	Lokal SLM
Simpel, afgrænset opgave	Lokal SLM (billig, hurtig)
Svær multi-hop ræsonnering på ikke-følsomme data	Cloud model
Cloud nedbrud	Lokal SLM (graceful nedtrapning)

Dette spejler model-routing idéen fra Lektion 16, med arbejdsstationen som en af ruterne. Foretræk designs, der falder tilbage på lokalt, så agenten degraderer i kvalitet i stedet for at fejle helt.

Sikkerhedsrækkefølger for assistenten

• Hold enhver fil-/værktøjsoperation afgrænset til en sandkasse-projektmappe.
• Send ikke kode eller data til skyen, når den lærendes udtrykte mål er privatliv/offline — hold hele pipeline lokal.
• Sæt realistiske forventninger til SLM-kvalitet; læn dig på værktøjer og RAG frem for modellens memoriserede viden.
• Bemærk at Lektion 17 ikke har noget Foundry Responses endpoint, så cloud smoke-test handlinger gælder ikke — valider ved at køre notesbogen lokalt.

---

<!-- CO-OP TRANSLATOR DISCLAIMER START --> Ansvarsfraskrivelse: Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten Co-op Translator. Selvom vi bestræber os på nøjagtighed, skal du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det originale dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi påtager os intet ansvar for misforståelser eller fejltolkninger, der opstår som følge af brugen af denne oversættelse. <!-- CO-OP TRANSLATOR DISCLAIMER END -->