local-ai-agents

Helyi MI ügynökök létrehozása Foundry Local és Qwen segítségével

Kísérő készség a 17. Lecke – Helyi MI ügynökök létrehozása számára. Használd arra, hogy segíts egy tanulónak olyan ügynököt építeni, amely önállóan gondolkodik, eszközöket hív meg, és dokumentációt keres teljes egészében a saját gépén – felhő alapú számítás nélkül. Minden ajánlást a lecke tartalmára és a futtatható jegyzetfüzetre alapozz.

Aktiválási feltételek

Aktiváld ezt a készséget, ha a tanuló:

• Teljes mértékben helyi eszközön szeretne futtatni egy ügynököt adatvédelem, költség vagy offline működés miatt.
• Modellje helyben szeretne szolgáltatni Foundry Local segítségével, és az OpenAI-kompatibilis végponton keresztül csatlakozni.
• Megbízható helyi eszközmeghíváshoz Qwen függvénymodellezést szeretne használni.
• Helyi RAG-et (Chroma) vagy helyi MCP szervert szeretne hozzáadni.
• Hibrid helyi/felhő alapú irányítási stratégiát kíván tervezni.

Alapvető gondolati modell

Egy SLM az adatvédelmet, költséget és offline működést preferálja a szélesség helyett. A nyerő stratégia: hagyd, hogy az SLM szervezzen, az eszközök pedig végezzék a nehéz munkát. A modellnek nem kell ismernie a kódot – csak azt kell tudnia, mikor hívja meg a read_file és search_docs-et. Ez egy olyan terület, ahol egy SLM erős (korlátozott döntések, például eszközválasztás), és elkerüli a gyengeségét (széleskörű tudás, hosszú többlépéses érvelés).

Miért ezek az elemek

• A Foundry Local egy OpenAI-kompatibilis HTTP végpontot biztosít, így a felhő alapú ügynökkód csak az base_url megváltoztatásával helyben is futtatható (helyi helyettesítő API kulccsal). Automatikusan kiválasztja a géphez legjobb buildet (CPU/GPU/NPU).
• A Qwen modelleket függvényhívásra képezték ki, és következetesen jól formált eszközmeghívásokat generálnak – ez az, ami a helyi chat modellt helyi ügynökké alakítja.
• A Chroma processzben fut, és vektorokat tárol lemezen, így az egész RAG folyamat (beágyazás → tárolás → lekérdezés → érvelés) helyben marad.
• Az MCP egy szállítási protokoll, nem felhőszolgáltatás: egy MCP szerver helyben futtatható stdio felett.

Beállítás alapjai

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

Körülbelül 8 GB RAM reális minimum; GPU/NPU segít, de nem kötelező.

Fontos minták újraalkotása

Mutasd meg a tanulónak a jegyzetfüzetet 17-local-agent-foundry-local.ipynb:

• Sandboxolt eszközök: minden fájeszköz feloldja az útvonalakat, és elutasít mindent, ami nem egyetlen projekt gyökerén belül van – még helyben is, az eszköz a felhasználói jogosultságokkal fut.
• Eszközhívási ciklus: regisztrálni kell az eszközöket az OpenAI eszközsémájába, futtatni a kért eszközöket helyben, visszatáplálni az eredményeket, és ismételni, amíg végleges válasz nem készül.
• Helyi RAG: dokumentumokat felvenni egy Chroma gyűjteménybe; search_docs a legjobb k darabot adja vissza.
• Helyi MCP: csatlakozz egy helyi szerverhez stdio felett; köss hozzá egy projekt könyvtárat és érvényesítsd az eredményeket.

Hibrid útválasztás (helyi, mint az egyik modell)

Helyzet	Hol fut
Érzékeny adat / offline	Helyi SLM
Egyszerű, korlátozott feladat	Helyi SLM (olcsó, gyors)
Nehéz többlépéses érvelés nem érzékeny adaton	Felhő modell
Felhő kiesés	Helyi SLM (zökkenőmentes leépülés)

Ez tükrözi a modellirányítás ötletét a 16. leckéből, a munkaállomással egy az útvonalak között. Részesítsd előnyben azokat a terveket, amelyek visszatérnek a helyi megoldáshoz, így az ügynök minősége csökken, ahelyett hogy teljesen meghiúsulna.

Biztonsági intézkedések a segédhez

• Minden fájl/eszköz műveletet egy sandboxolt projektkönyvtárra korlátozz.
• Ne küldj kódot vagy adatot a felhőbe, ha a tanuló adatvédelmi vagy offline célt jelölt meg – az egész folyamatot helyben tartsd.
• Állíts be reális elvárásokat az SLM minőségével kapcsolatban; inkább az eszközökre és a RAG-re támaszkodj, ne a modell memorizált tudására.
• Figyeld meg, hogy a 17. leckének nincs Foundry Responses végpontja, így a felhős gyors teszt nem alkalmazható – a validálást helyi futtatással végezd.

---

<!-- CO-OP TRANSLATOR DISCLAIMER START --> Jogi nyilatkozat: Ez a dokumentum az AI fordítási szolgáltatás, a Co-op Translator segítségével készült. Bár az pontosságra törekszünk, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az anyanyelvén tekintendő hiteles forrásnak. Fontos információk esetén professzionális emberi fordítást javasolunk. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely ebből a fordításból ered. <!-- CO-OP TRANSLATOR DISCLAIMER END -->