[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M699GZYCCHD4HKEFY08JAWR7":3,"skill-same:01M699GZYCCHD4HKEFY08JAWR7":49},{"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},"01M699GZYCCHD4HKEFY08JAWR7","local-ai-agents",null,"microsoft\u002Fai-agents-for-beginners","microsoft","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F6154722?v=4","01M698VYDXZ6JW5WH3CRV650R8","Microsoft","01M6998ZK2275KMJE6Y5SEA2X2",79567,"MIT","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fai-agents-for-beginners\u002Fblob\u002Fmain\u002Ftranslations\u002Fhu\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# Helyi MI ügynökök létrehozása Foundry Local és Qwen segítségével\n\n> Kísérő készség a [17. Lecke – Helyi MI ügynökök létrehozása](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002FREADME.md) számára.\n> Használd arra, hogy segíts egy tanulónak olyan ügynököt építeni, amely önállóan gondolkodik, eszközöket hív meg, és dokumentációt keres\n> teljes egészében a saját gépén – felhő alapú számítás nélkül. Minden\n> ajánlást a lecke tartalmára és a futtatható jegyzetfüzetre alapozz.\n\n## Aktiválási feltételek\n\nAktiváld ezt a készséget, ha a tanuló:\n- Teljes mértékben **helyi eszközön** szeretne futtatni egy ügynököt adatvédelem, költség vagy offline működés miatt.\n- Modellje helyben szeretne szolgáltatni **Foundry Local** segítségével, és az OpenAI-kompatibilis végponton keresztül csatlakozni.\n- Megbízható helyi eszközmeghíváshoz **Qwen függvénymodellezést** szeretne használni.\n- **Helyi RAG**-et (Chroma) vagy **helyi MCP szervert** szeretne hozzáadni.\n- Hibrid helyi\u002Ffelhő alapú irányítási stratégiát kíván tervezni.\n\n## Alapvető gondolati modell\n\nEgy SLM az adatvédelmet, költséget és offline működést preferálja a szélesség helyett. A nyerő\nstratégia: **hagyd, hogy az SLM szervezzen, az eszközök pedig végezzék a nehéz munkát.** A\nmodellnek nem kell *ismernie* a kódot – csak azt kell tudnia, mikor hívja meg a\n`read_file` és `search_docs`-et. Ez egy olyan terület, ahol egy SLM erős (korlátozott döntések,\npéldául eszközválasztás), és elkerüli a gyengeségét (széleskörű tudás, hosszú többlépéses\nérvelés).\n\n## Miért ezek az elemek\n\n- 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\u002FGPU\u002FNPU).\n- A **Qwen** modelleket függvényhívásra képezték ki, és következetesen jól formált eszközmeghívásokat generálnak – ez az, ami a helyi *chat* modellt helyi *ügynökké* alakítja.\n- A **Chroma** processzben fut, és vektorokat tárol lemezen, így az egész RAG folyamat (beágyazás → tárolás → lekérdezés → érvelés) helyben marad.\n- Az **MCP** egy szállítási protokoll, nem felhőszolgáltatás: egy MCP szerver helyben futtatható `stdio` felett.\n\n## Beállítás alapjai\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)  # local placeholder\n```\n\nKörülbelül 8 GB RAM reális minimum; GPU\u002FNPU segít, de nem kötelező.\n\n## Fontos minták újraalkotása\n\nMutasd meg a tanulónak a jegyzetfüzetet\n[`17-local-agent-foundry-local.ipynb`](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002Fcode_samples\u002F17-local-agent-foundry-local.ipynb):\n\n- **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.\n- **Eszközhívási ciklus**: regisztrálni kell az eszközöket az OpenAI eszközsémájába, futtatni a kért eszközöket helyben, visszatáplálni az eredményeket, és ismételni, amíg végleges válasz nem készül.\n- **Helyi RAG**: dokumentumokat felvenni egy Chroma gyűjteménybe; `search_docs` a legjobb k darabot adja vissza.\n- **Helyi MCP**: csatlakozz egy helyi szerverhez `stdio` felett; köss hozzá egy projekt könyvtárat és érvényesítsd az eredményeket.\n\n## Hibrid útválasztás (helyi, mint az egyik modell)\n\n| Helyzet | Hol fut |\n|-----------|---------------|\n| Érzékeny adat \u002F offline | Helyi SLM |\n| Egyszerű, korlátozott feladat | Helyi SLM (olcsó, gyors) |\n| Nehéz többlépéses érvelés nem érzékeny adaton | Felhő modell |\n| Felhő kiesés | Helyi SLM (zökkenőmentes leépülés) |\n\nEz 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.\n\n\n\n## Biztonsági intézkedések a segédhez\n\n- Minden fájl\u002Feszköz műveletet egy sandboxolt projektkönyvtárra korlátozz.\n- Ne küldj kódot vagy adatot a felhőbe, ha a tanuló adatvédelmi vagy offline célt jelölt meg – az egész folyamatot helyben tartsd.\n- Állíts be reális elvárásokat az SLM minőségével kapcsolatban; inkább az eszközökre és a RAG-re támaszkodj, ne a modell memorizált tudására.\n- Figyeld meg, hogy a 17. leckének **nincs** Foundry Responses végpontja, így a felhős gyors teszt nem alkalmazható – a validálást helyi futtatással végezd.\n\n---\n\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**Jogi nyilatkozat**:\nEz a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https:\u002F\u002Fgithub.com\u002FAzure\u002Fco-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.\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER END -->","# Helyi MI ügynökök létrehozása Foundry Local és Qwen segítségével\n\n> Kísérő készség a [17. Lecke – Helyi MI ügynökök létrehozása](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002FREADME.md) számára.\n> Használd arra, hogy segíts egy tanulónak olyan ügynököt építeni, amely önállóan gondolkodik, eszközöket hív meg, és dokumentációt keres\n> teljes egészében a saját gépén – felhő alapú számítás nélkül. Minden\n> ajánlást a lecke tartalmára és a futtatható jegyzetfüzetre alapozz.\n\n## Aktiválási feltételek\n\nAktiváld ezt a készséget, ha a tanuló:\n- Teljes mértékben **helyi eszközön** szeretne futtatni egy ügynököt adatvédelem, költség vagy offline működés miatt.\n- Modellje helyben szeretne szolgáltatni **Foundry Local** segítségével, és az OpenAI-kompatibilis végponton keresztül csatlakozni.\n- Megbízható helyi eszközmeghíváshoz **Qwen függvénymodellezést** szeretne használni.\n- **Helyi RAG**-et (Chroma) vagy **helyi MCP szervert** szeretne hozzáadni.\n- Hibrid helyi\u002Ffelhő alapú irányítási stratégiát kíván tervezni.\n\n## Alapvető gondolati modell\n\nEgy SLM az adatvédelmet, költséget és offline működést preferálja a szélesség helyett. A nyerő\nstratégia: **hagyd, hogy az SLM szervezzen, az eszközök pedig végezzék a nehéz munkát.** A\nmodellnek nem kell *ismernie* a kódot – csak azt kell tudnia, mikor hívja meg a\n`read_file` és `search_docs`-et. Ez egy olyan terület, ahol egy SLM erős (korlátozott döntések,\npéldául eszközválasztás), és elkerüli a gyengeségét (széleskörű tudás, hosszú többlépéses\nérvelés).\n\n## Miért ezek az elemek\n\n- 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\u002FGPU\u002FNPU).\n- A **Qwen** modelleket függvényhívásra képezték ki, és következetesen jól formált eszközmeghívásokat generálnak – ez az, ami a helyi *chat* modellt helyi *ügynökké* alakítja.\n- A **Chroma** processzben fut, és vektorokat tárol lemezen, így az egész RAG folyamat (beágyazás → tárolás → lekérdezés → érvelés) helyben marad.\n- Az **MCP** egy szállítási protokoll, nem felhőszolgáltatás: egy MCP szerver helyben futtatható `stdio` felett.\n\n## Beállítás alapjai\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)  # local placeholder\n```\n\nKörülbelül 8 GB RAM reális minimum; GPU\u002FNPU segít, de nem kötelező.\n\n## Fontos minták újraalkotása\n\nMutasd meg a tanulónak a jegyzetfüzetet\n[`17-local-agent-foundry-local.ipynb`](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002Fcode_samples\u002F17-local-agent-foundry-local.ipynb):\n\n- **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.\n- **Eszközhívási ciklus**: regisztrálni kell az eszközöket az OpenAI eszközsémájába, futtatni a kért eszközöket helyben, visszatáplálni az eredményeket, és ismételni, amíg végleges válasz nem készül.\n- **Helyi RAG**: dokumentumokat felvenni egy Chroma gyűjteménybe; `search_docs` a legjobb k darabot adja vissza.\n- **Helyi MCP**: csatlakozz egy helyi szerverhez `stdio` felett; köss hozzá egy projekt könyvtárat és érvényesítsd az eredményeket.\n\n## Hibrid útválasztás (helyi, mint az egyik modell)\n\n| Helyzet | Hol fut |\n|-----------|---------------|\n| Érzékeny adat \u002F offline | Helyi SLM |\n| Egyszerű, korlátozott feladat | Helyi SLM (olcsó, gyors) |\n| Nehéz többlépéses érvelés nem érzékeny adaton | Felhő modell |\n| Felhő kiesés | Helyi SLM (zökkenőmentes leépülés) |\n\nEz 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.\n\n\n\n## Biztonsági intézkedések a segédhez\n\n- Minden fájl\u002Feszköz műveletet egy sandboxolt projektkönyvtárra korlátozz.\n- Ne küldj kódot vagy adatot a felhőbe, ha a tanuló adatvédelmi vagy offline célt jelölt meg – az egész folyamatot helyben tartsd.\n- Állíts be reális elvárásokat az SLM minőségével kapcsolatban; inkább az eszközökre és a RAG-re támaszkodj, ne a modell memorizált tudására.\n- Figyeld meg, hogy a 17. leckének **nincs** Foundry Responses végpontja, így a felhős gyors teszt nem alkalmazható – a validálást helyi futtatással végezd.\n\n---\n\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**Jogi nyilatkozat**:\nEz a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https:\u002F\u002Fgithub.com\u002FAzure\u002Fco-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.\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER END -->",{"name":5,"license":14},"main","f09e94ffe170f8af6d3db7c42987bbe4db227723","translations\u002Fhu\u002F.agents\u002Fskills\u002Flocal-ai-agents",26057,"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\u002Fhu\u002F.agents\u002Fskills\u002Flocal-ai-agents\u002FSKILL.md",true,[],[50,68,79,84,92,99],{"skillNo":51,"name":52,"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":53,"categories":54,"keywords":65,"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",[55,60],{"categoryNo":56,"categoryName":57,"taxonomyType":58,"taxonomyTypeDesc":59},"01JBSEEDCAT000000000000008","测试与质量","SCENARIO","使用场景",{"categoryNo":61,"categoryName":62,"taxonomyType":63,"taxonomyTypeDesc":64},"01JBSEEDCAT000000000000039","教师与教育","PROFESSION","适用职业",[66,67],"testing","testing course samples",{"skillNo":69,"name":70,"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":71,"categories":72,"keywords":76,"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",[73],{"categoryNo":74,"categoryName":75,"taxonomyType":58,"taxonomyTypeDesc":59},"01JBSEEDCAT000000000000023","Skill与智能体开发",[77,8,78],"docs","microsoft docs",{"skillNo":80,"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":81,"categories":82,"keywords":83,"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":85,"name":86,"nameZh":6,"description":87,"descriptionZh":6,"repositoryFullName":7,"ownerLogin":8,"ownerAvatarUrl":9,"ownerAccountNo":10,"ownerDisplayName":11,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":88,"categories":89,"keywords":90,"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",[],[91],"jupyter notebook",{"skillNo":93,"name":94,"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":95,"categories":96,"keywords":97,"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",[],[98],"deploying scalable agents",{"skillNo":100,"name":101,"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":102,"categories":103,"keywords":104,"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",[],[105],"azure openai to responses"]