[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M699JQ2DPXX5TVRMG0BWXW6G":3,"skill-same:01M699JQ2DPXX5TVRMG0BWXW6G":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},"01M699JQ2DPXX5TVRMG0BWXW6G","local-ai-agents",null,"microsoft\u002Fai-agents-for-beginners","microsoft","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F6154722?v=4","01M698VYDXZ6JW5WH3CRV650R8","Microsoft","01M6998ZK2275KMJE6Y5SEA2X2",79423,"MIT","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fai-agents-for-beginners\u002Fblob\u002Fmain\u002Ftranslations\u002Fkm\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# ការបង្កើតភ្នាក់ងារបញ្ញាសិប្បនិម្មិតក្នុងស្រុកជាមួយ Foundry Local និង Qwen\n\n> ជំនាញជំរុញសម្រាប់ [មេរៀនទី ១៧ – ការបង្កើតភ្នាក់ងារបញ្ញាសិប្បនិម្មិតក្នុងស្រុក](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002FREADME.md)។\n> ប្រើវាដើម្បីជួយអ្នករៀនបង្កើតភ្នាក់ងារដែលអាចនិយាយអនុវត្តន៍, ហៅឧបករណ៍, និងស្វែងរក\n> ឯកសារបានលើម៉ាស៊ីនផ្ទាល់ខ្លួនរបស់ពួកគេ — គ្មានការសន្និដ្ឋានពពកទេ។ ទំនាក់ទំនង\n> រាល់ការផ្ដល់អនុសាសន៍គឺស្ថិតនៅក្នុងមាតិការបង្រៀន និងសៀវភៅចម្លងដែលអាចដំណើរការ។\n\n## តំណើរការ\n\nបើកបញ្ចំនេះគ្រូបង្រៀនពេលអ្នករៀនចង់:\n- រត់ភ្នាក់ងារឲ្យ **ជាប់នៅលើឧបករណ៍ទាំងស្រុង** ដើម្បីការពារ​ភាពឯកជន, ចំណាយ, ឬហេតុផលអញ្ញើញខ្សែ\n- បម្រើម៉ូឌែលនៅក្នុងស្រុកជាមួយ **Foundry Local** ហើយភ្ជាប់តាមអ្វីដែលផ្គូរផ្គងនឹង OpenAI។\n- ប្រើម៉ូឌែល **ហៅមុខងារ Qwen** ដើម្បីបញ្ជូនការហៅឧបករណ៍ក្នុងស្រុកដែលមានភាពទុកចិត្ត។\n- បន្ថែម **RAG ក្នុងស្រុក** (Chroma) ឬ **ម៉ាស៊ីនបម្រើ MCP ក្នុងស្រុក**។\n- កំណត់យុទ្ធសាស្រ្ត **ផ្សំរវាង** ស្រុក និងពពក។\n\n## គំរូម៉េតាដ៏សំខាន់\n\nSLM មួយប្តូរពហុភាពទៅជារឿងឯកជនភាព, ថ្លៃដូរ, និងប្រតិបត្តិការអញ្ញើញខ្សែ។យុទ្ធសាស្រ្តឈ្នះគឺ៖ **អនុញ្ញាតឲ្យ SLM អប់រំ និងឲ្យឧបករណ៍ធ្វើការលំបាក។**ម៉ូឌែលមិនចាំបាច់ត្រូវតែ *ស្គាល់* មូលដ្ឋានកូដ — វាត្រូវតែស្គាល់ពេលហៅ `read_file` និង `search_docs`។នោះនៅផ្នែកកម្លាំងរបស់ SLM (សេចក្តីសម្រេចចិត្តមានដែនកំណត់ដូចជាការជ្រើសរើសឧបករណ៍) និងអោយវាចាកចេញពីចំណុចខ្សោយរបស់វា (ចំណេះដឹងទូលំទូលាយ, ការយល់ដឹងប្រសិនបើរំលងច្រើនជំហាន)។\n\n## ហេតុអ្វីបានជាផ្នែកទាំងនេះ\n\nដូចជាការជ្រើសរើសឧបករណ៍) ហើយឆ្ងាញ់ពីចំណុចខ្សោយរបស់វា (ចំណេះដឹងទូលំទូលាយ, ការត្រួតពិនិត្យការយល់ឃើញច្រើនជំហាន)\nreasoning)។\n\n## ហេតុអ្វីបានជាផ្នែកជាក់លាក់ទាំងនេះ\n\n- **Foundry Local** បង្ហាញពី **ច្រក HTTP ដែលសមរម្យនឹង OpenAI**, ដូច្នេះកូដភ្នាក់ងារតាមពពកត្រូវផ្ទេរដោយការផ្លាស់ប្ដូរ តែ `base_url` ប៉ុណ្ណោះ (និងប្រើកូនសោ API ជំនួសក្នុងតំបន់)។ វាក៏ជ្រើសរើសសំណុំបង្កើតល្អបំផុត (CPU\u002FGPU\u002FNPU) សម្រាប់ម៉ាស៊ីនផងដែរ។\n- ម៉ូដែល **Qwen** ត្រូវបានបណ្តុះបណ្តាលសម្រាប់ការហៅមុខងារ និងបញ្ចេញការហៅឧបករណ៍ដែលបានរៀបចំរួចសព្វថ្ងៃ — នេះគឺជាអ្វីដែលបម្លែងម៉ូដែល *chat* ក្នុងតំបន់ទៅជាភ្នាក់ងារផ្ទាល់។\n- **Chroma** ប្រតិបត្តិការជាការផ្តល់ក្នុងដំណើរការនិងស្តុកវ៉ិចទ័រនៅលើឌីស, ដូច្នេះលំហូរ RAG ទាំងមូល (បញ្ចូល → ផ្ទុក → ស្ដារឡើងវិញ → ធ្វើហេតុផល) រក្សាទុកនៅក្នុងតំបន់។\n- **MCP** គឺជាការដឹកជញ្ជូនមិនមែនជាសេវាកម្មពពកទេ៖ ម៉ាស៊ីនបម្រើ MCP អាចរត់ក្នុងតំបន់តាមរយៈ `stdio`។\n\n## ការតំឡើងគឺចាំបាច់\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\nជា​ចំនួនគិតជា ~8 GB RAM គឺជាចំនួនកម្រិតចាប់ផ្ដើមក្នុងការពិត; GPU\u002FNPU ជួយបានប៉ុន្តែមិនចាំបាច់ទេ។\n\n## លំនាំសំខាន់ៗសម្រាប់ធ្វើឡើងម្ដងទៀត\n\nសំទាញអ្នករៀនទៅកាន់សៀវភៅកំណត់ត្រា\n[`17-local-agent-foundry-local.ipynb`](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002Fcode_samples\u002F17-local-agent-foundry-local.ipynb):\n\n- **ឧបករណ៍ដែលមានដែនកំណត់**៖ រាល់ឧបករណ៍ឯកសារត្រូវដោះស្រាយផ្លូវ និងបដិសេធអ្វីដែលនៅក្រៅឫសគម្រោងតែមួយ — ទោះនៅក្នុងតំបន់, ឧបករណ៍ដំណើរការជាមួយសិទ្ធិយោងទៅតាមអ្នកប្រើប្រាស់។\n- **រង្វិលហៅឧបករណ៍**៖ ចុះបញ្ជីឧបករណ៍ជាមួយស្កីម៉ាឧបករណ៍ OpenAI, បញ្ចូលឧបករណ៍ដែលត្រូវបានស្នើសុំពីក្នុងតំបន់, បញ្ចូលលទ្ធផលត្រឡប់វិញ, ម្តងទៀតរហូតដល់បានចម្លើយចុងក្រោយ។\n- **RAG ក្នុងតំបន់**៖ បញ្ចូលឯកសារចូលក្នុងការប្រមូល Chroma; `search_docs` បង្ហាញកំណត់ត្រា top-k។\n- **MCP ក្នុងតំបន់**៖ ជាប់ភ្ជាប់ទៅម៉ាស៊ីនបម្រើក្នុងតំបន់តាមរយៈ `stdio`; គ្នាប្រមូលគ្នាទៅក្នុងថតគម្រោង ហើយផ្ទៀងផ្ទាត់លទ្ធផលរបស់វា។\n\n## ការបញ្ជូនតាមរយៈម៉ូដែលចម្រុះ (តំបន់ជាម៉ូដែលមួយ)\n\n| ស្ថានភាព | កន្លែងវារត់ |\n|-----------|---------------|\n| ទិន្នន័យសូវភាគ \u002F អូហ្វឡាញ | SLM ក្នុងតំបន់ |\n| ការងារងាយស្រួល មានដែនកំណត់ | SLM ក្នុងតំបន់ (ងាយស្រួល, លឿន) |\n| ការគិតហាត់គុណជាច្រើនដំណើរការលំបាកលើទិន្នន័យមិនសូវភាគ | ម៉ូដែលពពក |\n| បាត់បង់សេវាពពក | SLM ក្នុងតំបន់ (ធ្វើការត្រួតពិនិត្យអត់បទបញ្ហា) |\n\nនេះស្រដៀងនឹងគំនិតនៃការបែងចែកម៉ូដែលពីមេរៀនទី 16, ជាមួយនឹងកុំព្យូទ័រផ្ទះដោយជាម៉ាស៊ីនមួយ\nក្នុងចំណោមផ្លូវ។ ចូលចិត្តរចនាបទដែលត្រូវតែត្រលប់ទៅតំបន់ ដូច្នេះភ្នាក់ងារនឹងបន្ថយគុណភាពជាងការបរាជ័យបែបច្បាស់។\n\n\n\n\n- កុំផ្សាយកូដឬទិន្នន័យទៅពពកពេលគោលបំណងរបស់អ្នករៀនគឺសំរាប់ភាពឯកជន\u002Fអូហ្វឡាញ — ហូរកំណត់ទាំងបណ្ដោយនៅក្នុងតំបន់។\n- កំណត់សមត្ថភាពចាំបាច់សម្រាប់គុណភាព SLM; ពឹងផ្អែកលើឧបករណ៍ និង RAG ជាងចំណេះដឹងដែលម៉ូដែលបានចងចាំ។\n- សូមចំណាំថាមេរៀនទី 17 មិនមានច្រក Foundry Responses ទេ, ដូច្នេះសកម្មភាពសាកល្បងផ្ទុកពពកមិនអនុវត្ត — ធ្វើការផ្ទៀងផ្ទាត់ដោយរត់សៀវភៅកំណត់ត្រានៅក្នុងតំបន់។\n- សូមចំណាំថា មេរៀនទី១៧ មិនមានចំណុចបញ្ចប់ Foundry Responses ទេ ដូច្នេះសកម្មភាពសាកល្បងដុំធូលីពពកមិនសមរម្យ — សូមធានាថា ដោយរក្សាសុវត្ថិភាពដោយរត់កំណត់ត្រាដៃក្នុងម្ចាស់ម៉ាស៊ីន។\n\n---\n\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**ការបដិសេធ**:\nឯកសារនេះត្រូវបានបម្លែងភាសា ដោយប្រើសេវាបម្លែងភាសា AI [Co-op Translator](https:\u002F\u002Fgithub.com\u002FAzure\u002Fco-op-translator)។ ទោះយើងខ្ញុំមានក្តីប្រាថ្នាឱ្យបានច្បាស់លាស់ តែសូមយល់ដឹងថាការបម្លែងដោយស្វ័យប្រវត្តិក៏អាចមានកំហុសឬភាពមិនត្រឹមត្រូវ។ ឯកសារដើមជាភាសាទីតាំងគួរត្រូវបានគេប្រើជាប្រភពច្បាស់លាស់។ សម្រាប់ព័ត៌មានសំខាន់ៗ សូមណែនាំឱ្យប្រើប្រាស់ការប្រែដោយមនុស្សជំនាញ។ យើងខ្ញុំមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកស្រាយខុសបន្ទាប់ពីការប្រើប្រាស់ការបម្លែងនេះនោះទេ។\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER END -->","# ការបង្កើតភ្នាក់ងារបញ្ញាសិប្បនិម្មិតក្នុងស្រុកជាមួយ Foundry Local និង Qwen\n\n> ជំនាញជំរុញសម្រាប់ [មេរៀនទី ១៧ – ការបង្កើតភ្នាក់ងារបញ្ញាសិប្បនិម្មិតក្នុងស្រុក](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002FREADME.md)។\n> ប្រើវាដើម្បីជួយអ្នករៀនបង្កើតភ្នាក់ងារដែលអាចនិយាយអនុវត្តន៍, ហៅឧបករណ៍, និងស្វែងរក\n> ឯកសារបានលើម៉ាស៊ីនផ្ទាល់ខ្លួនរបស់ពួកគេ — គ្មានការសន្និដ្ឋានពពកទេ។ ទំនាក់ទំនង\n> រាល់ការផ្ដល់អនុសាសន៍គឺស្ថិតនៅក្នុងមាតិការបង្រៀន និងសៀវភៅចម្លងដែលអាចដំណើរការ។\n\n## តំណើរការ\n\nបើកបញ្ចំនេះគ្រូបង្រៀនពេលអ្នករៀនចង់:\n- រត់ភ្នាក់ងារឲ្យ **ជាប់នៅលើឧបករណ៍ទាំងស្រុង** ដើម្បីការពារ​ភាពឯកជន, ចំណាយ, ឬហេតុផលអញ្ញើញខ្សែ\n- បម្រើម៉ូឌែលនៅក្នុងស្រុកជាមួយ **Foundry Local** ហើយភ្ជាប់តាមអ្វីដែលផ្គូរផ្គងនឹង OpenAI។\n- ប្រើម៉ូឌែល **ហៅមុខងារ Qwen** ដើម្បីបញ្ជូនការហៅឧបករណ៍ក្នុងស្រុកដែលមានភាពទុកចិត្ត។\n- បន្ថែម **RAG ក្នុងស្រុក** (Chroma) ឬ **ម៉ាស៊ីនបម្រើ MCP ក្នុងស្រុក**។\n- កំណត់យុទ្ធសាស្រ្ត **ផ្សំរវាង** ស្រុក និងពពក។\n\n## គំរូម៉េតាដ៏សំខាន់\n\nSLM មួយប្តូរពហុភាពទៅជារឿងឯកជនភាព, ថ្លៃដូរ, និងប្រតិបត្តិការអញ្ញើញខ្សែ។យុទ្ធសាស្រ្តឈ្នះគឺ៖ **អនុញ្ញាតឲ្យ SLM អប់រំ និងឲ្យឧបករណ៍ធ្វើការលំបាក។**ម៉ូឌែលមិនចាំបាច់ត្រូវតែ *ស្គាល់* មូលដ្ឋានកូដ — វាត្រូវតែស្គាល់ពេលហៅ `read_file` និង `search_docs`។នោះនៅផ្នែកកម្លាំងរបស់ SLM (សេចក្តីសម្រេចចិត្តមានដែនកំណត់ដូចជាការជ្រើសរើសឧបករណ៍) និងអោយវាចាកចេញពីចំណុចខ្សោយរបស់វា (ចំណេះដឹងទូលំទូលាយ, ការយល់ដឹងប្រសិនបើរំលងច្រើនជំហាន)។\n\n## ហេតុអ្វីបានជាផ្នែកទាំងនេះ\n\nដូចជាការជ្រើសរើសឧបករណ៍) ហើយឆ្ងាញ់ពីចំណុចខ្សោយរបស់វា (ចំណេះដឹងទូលំទូលាយ, ការត្រួតពិនិត្យការយល់ឃើញច្រើនជំហាន)\nreasoning)។\n\n## ហេតុអ្វីបានជាផ្នែកជាក់លាក់ទាំងនេះ\n\n- **Foundry Local** បង្ហាញពី **ច្រក HTTP ដែលសមរម្យនឹង OpenAI**, ដូច្នេះកូដភ្នាក់ងារតាមពពកត្រូវផ្ទេរដោយការផ្លាស់ប្ដូរ តែ `base_url` ប៉ុណ្ណោះ (និងប្រើកូនសោ API ជំនួសក្នុងតំបន់)។ វាក៏ជ្រើសរើសសំណុំបង្កើតល្អបំផុត (CPU\u002FGPU\u002FNPU) សម្រាប់ម៉ាស៊ីនផងដែរ។\n- ម៉ូដែល **Qwen** ត្រូវបានបណ្តុះបណ្តាលសម្រាប់ការហៅមុខងារ និងបញ្ចេញការហៅឧបករណ៍ដែលបានរៀបចំរួចសព្វថ្ងៃ — នេះគឺជាអ្វីដែលបម្លែងម៉ូដែល *chat* ក្នុងតំបន់ទៅជាភ្នាក់ងារផ្ទាល់។\n- **Chroma** ប្រតិបត្តិការជាការផ្តល់ក្នុងដំណើរការនិងស្តុកវ៉ិចទ័រនៅលើឌីស, ដូច្នេះលំហូរ RAG ទាំងមូល (បញ្ចូល → ផ្ទុក → ស្ដារឡើងវិញ → ធ្វើហេតុផល) រក្សាទុកនៅក្នុងតំបន់។\n- **MCP** គឺជាការដឹកជញ្ជូនមិនមែនជាសេវាកម្មពពកទេ៖ ម៉ាស៊ីនបម្រើ MCP អាចរត់ក្នុងតំបន់តាមរយៈ `stdio`។\n\n## ការតំឡើងគឺចាំបាច់\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\nជា​ចំនួនគិតជា ~8 GB RAM គឺជាចំនួនកម្រិតចាប់ផ្ដើមក្នុងការពិត; GPU\u002FNPU ជួយបានប៉ុន្តែមិនចាំបាច់ទេ។\n\n## លំនាំសំខាន់ៗសម្រាប់ធ្វើឡើងម្ដងទៀត\n\nសំទាញអ្នករៀនទៅកាន់សៀវភៅកំណត់ត្រា\n[`17-local-agent-foundry-local.ipynb`](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002Fcode_samples\u002F17-local-agent-foundry-local.ipynb):\n\n- **ឧបករណ៍ដែលមានដែនកំណត់**៖ រាល់ឧបករណ៍ឯកសារត្រូវដោះស្រាយផ្លូវ និងបដិសេធអ្វីដែលនៅក្រៅឫសគម្រោងតែមួយ — ទោះនៅក្នុងតំបន់, ឧបករណ៍ដំណើរការជាមួយសិទ្ធិយោងទៅតាមអ្នកប្រើប្រាស់។\n- **រង្វិលហៅឧបករណ៍**៖ ចុះបញ្ជីឧបករណ៍ជាមួយស្កីម៉ាឧបករណ៍ OpenAI, បញ្ចូលឧបករណ៍ដែលត្រូវបានស្នើសុំពីក្នុងតំបន់, បញ្ចូលលទ្ធផលត្រឡប់វិញ, ម្តងទៀតរហូតដល់បានចម្លើយចុងក្រោយ។\n- **RAG ក្នុងតំបន់**៖ បញ្ចូលឯកសារចូលក្នុងការប្រមូល Chroma; `search_docs` បង្ហាញកំណត់ត្រា top-k។\n- **MCP ក្នុងតំបន់**៖ ជាប់ភ្ជាប់ទៅម៉ាស៊ីនបម្រើក្នុងតំបន់តាមរយៈ `stdio`; គ្នាប្រមូលគ្នាទៅក្នុងថតគម្រោង ហើយផ្ទៀងផ្ទាត់លទ្ធផលរបស់វា។\n\n## ការបញ្ជូនតាមរយៈម៉ូដែលចម្រុះ (តំបន់ជាម៉ូដែលមួយ)\n\n| ស្ថានភាព | កន្លែងវារត់ |\n|-----------|---------------|\n| ទិន្នន័យសូវភាគ \u002F អូហ្វឡាញ | SLM ក្នុងតំបន់ |\n| ការងារងាយស្រួល មានដែនកំណត់ | SLM ក្នុងតំបន់ (ងាយស្រួល, លឿន) |\n| ការគិតហាត់គុណជាច្រើនដំណើរការលំបាកលើទិន្នន័យមិនសូវភាគ | ម៉ូដែលពពក |\n| បាត់បង់សេវាពពក | SLM ក្នុងតំបន់ (ធ្វើការត្រួតពិនិត្យអត់បទបញ្ហា) |\n\nនេះស្រដៀងនឹងគំនិតនៃការបែងចែកម៉ូដែលពីមេរៀនទី 16, ជាមួយនឹងកុំព្យូទ័រផ្ទះដោយជាម៉ាស៊ីនមួយ\nក្នុងចំណោមផ្លូវ។ ចូលចិត្តរចនាបទដែលត្រូវតែត្រលប់ទៅតំបន់ ដូច្នេះភ្នាក់ងារនឹងបន្ថយគុណភាពជាងការបរាជ័យបែបច្បាស់។\n\n\n\n\n- កុំផ្សាយកូដឬទិន្នន័យទៅពពកពេលគោលបំណងរបស់អ្នករៀនគឺសំរាប់ភាពឯកជន\u002Fអូហ្វឡាញ — ហូរកំណត់ទាំងបណ្ដោយនៅក្នុងតំបន់។\n- កំណត់សមត្ថភាពចាំបាច់សម្រាប់គុណភាព SLM; ពឹងផ្អែកលើឧបករណ៍ និង RAG ជាងចំណេះដឹងដែលម៉ូដែលបានចងចាំ។\n- សូមចំណាំថាមេរៀនទី 17 មិនមានច្រក Foundry Responses ទេ, ដូច្នេះសកម្មភាពសាកល្បងផ្ទុកពពកមិនអនុវត្ត — ធ្វើការផ្ទៀងផ្ទាត់ដោយរត់សៀវភៅកំណត់ត្រានៅក្នុងតំបន់។\n- សូមចំណាំថា មេរៀនទី១៧ មិនមានចំណុចបញ្ចប់ Foundry Responses ទេ ដូច្នេះសកម្មភាពសាកល្បងដុំធូលីពពកមិនសមរម្យ — សូមធានាថា ដោយរក្សាសុវត្ថិភាពដោយរត់កំណត់ត្រាដៃក្នុងម្ចាស់ម៉ាស៊ីន។\n\n---\n\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**ការបដិសេធ**:\nឯកសារនេះត្រូវបានបម្លែងភាសា ដោយប្រើសេវាបម្លែងភាសា AI [Co-op Translator](https:\u002F\u002Fgithub.com\u002FAzure\u002Fco-op-translator)។ ទោះយើងខ្ញុំមានក្តីប្រាថ្នាឱ្យបានច្បាស់លាស់ តែសូមយល់ដឹងថាការបម្លែងដោយស្វ័យប្រវត្តិក៏អាចមានកំហុសឬភាពមិនត្រឹមត្រូវ។ ឯកសារដើមជាភាសាទីតាំងគួរត្រូវបានគេប្រើជាប្រភពច្បាស់លាស់។ សម្រាប់ព័ត៌មានសំខាន់ៗ សូមណែនាំឱ្យប្រើប្រាស់ការប្រែដោយមនុស្សជំនាញ។ យើងខ្ញុំមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកស្រាយខុសបន្ទាប់ពីការប្រើប្រាស់ការបម្លែងនេះនោះទេ។\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER END -->",{"name":5,"license":14},"main","f09e94ffe170f8af6d3db7c42987bbe4db227723","translations\u002Fkm\u002F.agents\u002Fskills\u002Flocal-ai-agents",26019,"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\u002Fkm\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"]