local-ai-agents

Creación de Agentes de IA Locales con Foundry Local y Qwen

Habilidad complementaria para Lección 17 – Creación de Agentes de IA Locales. Úsala para ayudar a un aprendiz a construir un agente que razone, llame a herramientas y busque documentación completamente en su propia máquina — sin inferencia en la nube. Fundamenta cada recomendación en el contenido de la lección y el cuaderno ejecutable.

Desencadenantes

Activa esta habilidad cuando un aprendiz quiera:

• Ejecutar un agente totalmente en el dispositivo por razones de privacidad, costo o funcionamiento sin conexión.
• Servir un modelo localmente con Foundry Local y conectarse mediante el endpoint compatible con OpenAI.
• Usar un modelo Qwen con llamadas a funciones para realizar llamadas confiables a herramientas locales.
• Agregar RAG local (Chroma) o un servidor MCP local.
• Diseñar una estrategia de enrutamiento híbrida local/nube.

Modelo mental central

Un SLM cambia amplitud por privacidad, costo y operación sin conexión. La estrategia ganadora: dejar que el SLM orqueste y que las herramientas hagan el trabajo pesado. El modelo no necesita conocer la base de código — necesita saber cuándo llamar a read_file y search_docs. Esto juega a la fortaleza de un SLM (decisiones limitadas como selección de herramientas) y evita su debilidad (conocimiento amplio, razonamiento en múltiples saltos).

Por qué estas piezas específicas

• Foundry Local expone un endpoint HTTP compatible con OpenAI, por lo que el código del agente en la nube se transfiere solo cambiando base_url (y usando una clave API local ficticia). Además, selecciona automáticamente la mejor compilación (CPU/GPU/NPU) para la máquina.
• Los modelos Qwen están entrenados para llamadas a funciones y emiten llamadas a herramientas bien formadas de manera consistente — esto es lo que convierte un modelo de chat local en un agente local.
• Chroma funciona en proceso y almacena vectores en disco, por lo que todo el pipeline RAG (incrustar → almacenar → recuperar → razonar) se mantiene local.
• MCP es un transporte, no un servicio en la nube: un servidor MCP puede ejecutarse localmente sobre stdio.

Esenciales de configuración

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)  # marcador de posición local

~8 GB de RAM es un mínimo realista; una GPU/NPU ayuda pero no es obligatoria.

Patrones clave para reproducir

Dirige al aprendiz al cuaderno 17-local-agent-foundry-local.ipynb:

• Herramientas en sandbox: cada herramienta de archivo resuelve rutas y rechaza cualquier cosa fuera de una única raíz de proyecto — incluso localmente, una herramienta se ejecuta con los permisos del usuario.
• Bucle de llamadas a herramientas: registra las herramientas con el esquema de herramientas OpenAI, ejecuta localmente las herramientas solicitadas, retroalimenta resultados, repite hasta una respuesta final.
• RAG local: inserta documentos en una colección Chroma; search_docs devuelve los fragmentos top-k.
• MCP local: conéctate a un servidor local sobre stdio; delimítalo a un directorio de proyecto y valida sus salidas.

Enrutamiento híbrido (local como uno de los modelos)

Situación	Dónde se ejecuta
Datos sensibles / sin conexión	SLM local
Tarea simple y acotada	SLM local (barato, rápido)
Razonamiento complejo en múltiples saltos sobre datos no sensibles	Modelo en la nube
Caída de la nube	SLM local (degradación elegante)

Esto refleja la idea de enrutamiento de modelos de la Lección 16, con la estación de trabajo como una de las rutas. Prefiere diseños que recurran a local para que el agente degrade en calidad antes que fallar por completo.

Barreras para el asistente

• Mantén toda operación de archivos/herramientas limitada a un directorio de proyecto en sandbox.
• No envíes código o datos a la nube cuando el objetivo declarado del aprendiz sea privacidad/sin conexión — mantén todo el pipeline local.
• Establece expectativas realistas para la calidad del SLM; apóyate en herramientas y RAG más que en el conocimiento memorizado del modelo.
• Ten en cuenta que la Lección 17 no tiene un endpoint de Respuestas Foundry, por lo que la acción de prueba de humo en la nube no aplica — valida ejecutando el cuaderno localmente.

---

<!-- CO-OP TRANSLATOR DISCLAIMER START --> Descargo de responsabilidad: Este documento ha sido traducido utilizando el servicio de traducción automática Co-op Translator. Aunque nos esforzamos por la precisión, tenga en cuenta que las traducciones automatizadas pueden contener errores o inexactitudes. El documento original en su idioma nativo debe considerarse la fuente autorizada. Para información crítica, se recomienda una traducción profesional humana. No somos responsables de cualquier malentendido o interpretación errónea que surja del uso de esta traducción. <!-- CO-OP TRANSLATOR DISCLAIMER END -->