[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M699KKCD4DAN7DT4C3WZJDV4":3,"skill-same:01M699KKCD4DAN7DT4C3WZJDV4":87},{"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},"01M699KKCD4DAN7DT4C3WZJDV4","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\u002Fko\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# Foundry Local과 Qwen으로 로컬 AI 에이전트 만들기\n\n> [Lesson 17 – 로컬 AI 에이전트 만들기](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002FREADME.md)의 동반 스킬입니다.\n> 학습자가 자신의 머신에서 독립적으로 추론하고, 도구를 호출하며, 문서를 검색하는 에이전트를 구축하는 데 사용하세요 — 클라우드 추론 없이. 모든 권장 사항은 수업 내용과 실행 가능한 노트북을 기반으로 합니다.\n> \n> \n\n## 트리거\n\n학습자가 다음을 원할 때 이 스킬을 활성화하세요:\n- 완전히 **기기 내에서** 에이전트를 실행하여 개인 정보 보호, 비용 절감 또는 오프라인 목적을 달성.\n- \u003Cstrong>Foundry Local\u003C\u002Fstrong>을 사용하여 로컬에서 모델 서비스를 제공하고 OpenAI 호환 엔드포인트로 연결.\n- 신뢰할 수 있는 로컬 도구 호출을 위해 **Qwen 함수 호출** 모델 사용.\n- **로컬 RAG** (Chroma) 또는 **로컬 MCP 서버** 추가.\n- \u003Cstrong>하이브리드\u003C\u002Fstrong> 로컬\u002F클라우드 라우팅 전략 설계.\n\n## 핵심 사고 모델\n\nSLM은 개인 정보 보호, 비용, 오프라인 운영을 위해 범위를 줄입니다. 성공 전략은: **SLM이 오케스트레이션하고 도구가 무거운 작업을 맡도록 하는 것.** 모델이 코드베이스를 \u003Cem>알 필요\u003C\u002Fem>는 없으며 — 대신 `read_file`과 `search_docs`를 언제 호출할지 알아야 합니다. 이는 도구 선택과 같은 제한된 결정에는 SLM이 강하지만, 광범위한 지식이나 긴 다중 단계 추론에는 약한 점을 이용하는 것입니다.\n\n\n\n\n\n\n## 왜 이 특정 구성 요소들인가\n\n- \u003Cstrong>Foundry Local\u003C\u002Fstrong>은 \u003Cstrong>OpenAI 호환 HTTP 엔드포인트\u003C\u002Fstrong>를 노출하므로 클라우드 에이전트 코드를 `base_url`만 바꾸고 로컬 플레이스홀더 API 키를 사용해도 이전할 수 있습니다. 또한 머신에 최적화된 빌드(CPU\u002FGPU\u002FNPU)를 자동 선택합니다.\n- **Qwen** 모델은 함수 호출을 위해 훈련되었으며 일관되게 형식에 맞는 도구 호출을 생성합니다 — 로컬 \u003Cem>챗\u003C\u002Fem> 모델을 로컬 \u003Cem>에이전트\u003C\u002Fem>로 만드는 핵심입니다.\n- \u003Cstrong>Chroma\u003C\u002Fstrong>는 프로세스 내에서 실행되며 벡터를 디스크에 저장하므로 전체 RAG 파이프라인(임베드 → 저장 → 검색 → 추론)이 로컬에 머무릅니다.\n- \u003Cstrong>MCP\u003C\u002Fstrong>는 클라우드 서비스가 아니라 전송 계층입니다: MCP 서버는 `stdio`를 통해 로컬에서 실행할 수 있습니다.\n\n## 설치 필수 요소\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)  # 로컬 자리 표시자\n```\n\n약 8GB RAM이 현실적인 최소 사양이며 GPU\u002FNPU가 있으면 도움이 되나 필수는 아닙니다.\n\n## 재현할 주요 패턴\n\n학습자에게 다음 노트북을 안내하세요\n[`17-local-agent-foundry-local.ipynb`](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002Fcode_samples\u002F17-local-agent-foundry-local.ipynb):\n\n- **샌드박스화된 도구**: 모든 파일 도구는 경로를 해석하고 단일 프로젝트 루트 외부는 거부 — 로컬이어도 도구 실행 시 사용자의 권한만 사용합니다.\n- **도구 호출 루프**: OpenAI 도구 스키마에 도구 등록, 요청된 도구 로컬 실행, 결과 반환, 최종 답변까지 반복.\n- **로컬 RAG**: 문서를 Chroma 컬렉션에 업서트; `search_docs`는 상위 k개 청크를 반환.\n- **로컬 MCP**: `stdio`로 로컬 서버에 연결; 프로젝트 디렉토리에 범위를 설정하고 출력 유효성 검사.\n\n## 하이브리드 라우팅 (모델 중 하나로서 로컬)\n\n| 상황 | 실행 위치 |\n|-----------|---------------|\n| 민감한 데이터 \u002F 오프라인 | 로컬 SLM |\n| 단순하고 제한된 작업 | 로컬 SLM (저렴하고 빠름) |\n| 비민감 데이터에 대한 복잡한 다중 단계 추론 | 클라우드 모델 |\n| 클라우드 장애 | 로컬 SLM (점진적 성능 저하) |\n\n이는 Lesson 16의 모델 라우팅 아이디어를 반영하며 워크스테이션을 하나의 경로로 활용합니다. 에이전트가 완전히 실패하지 않고 품질이 저하되는 방향으로 로컬 fallback을 선호하세요.\n\n\n\n## 어시스턴트를 위한 가드레일\n\n- 모든 파일\u002F도구 작업을 샌드박스화된 프로젝트 디렉토리 내로 제한하세요.\n- 학습자의 명시적 목표가 개인 정보 보호\u002F오프라인일 때는 코드나 데이터를 클라우드로 전송하지 마세요 — 전체 파이프라인을 로컬에 유지하세요.\n- SLM 품질에 대해 현실적인 기대를 설정하고, 모델의 암기 지식보다는 도구와 RAG에 의존하세요.\n- Lesson 17에는 **Foundry Responses 엔드포인트가 없으므로**, 클라우드 스모크 테스트 액션은 적용되지 않습니다 — 노트북을 로컬에서 실행해 검증하세요.\n\n---\n\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**면책 조항**:\n이 문서는 AI 번역 서비스 [Co-op Translator](https:\u002F\u002Fgithub.com\u002FAzure\u002Fco-op-translator)를 사용하여 번역되었습니다. 정확성을 기하기 위해 노력하고 있으나, 자동 번역은 오류나 부정확한 부분이 있을 수 있음을 유의하시기 바랍니다. 원본 문서의 원어본이 권위 있는 자료로 간주되어야 합니다. 중요한 정보의 경우, 전문가의 인간 번역을 권장합니다. 이 번역 사용으로 인해 발생하는 오해나 잘못된 해석에 대해 당사는 책임을 지지 않습니다.\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER END -->","# Foundry Local과 Qwen으로 로컬 AI 에이전트 만들기\n\n> [Lesson 17 – 로컬 AI 에이전트 만들기](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002FREADME.md)의 동반 스킬입니다.\n> 학습자가 자신의 머신에서 독립적으로 추론하고, 도구를 호출하며, 문서를 검색하는 에이전트를 구축하는 데 사용하세요 — 클라우드 추론 없이. 모든 권장 사항은 수업 내용과 실행 가능한 노트북을 기반으로 합니다.\n> \n> \n\n## 트리거\n\n학습자가 다음을 원할 때 이 스킬을 활성화하세요:\n- 완전히 **기기 내에서** 에이전트를 실행하여 개인 정보 보호, 비용 절감 또는 오프라인 목적을 달성.\n- \u003Cstrong>Foundry Local\u003C\u002Fstrong>을 사용하여 로컬에서 모델 서비스를 제공하고 OpenAI 호환 엔드포인트로 연결.\n- 신뢰할 수 있는 로컬 도구 호출을 위해 **Qwen 함수 호출** 모델 사용.\n- **로컬 RAG** (Chroma) 또는 **로컬 MCP 서버** 추가.\n- \u003Cstrong>하이브리드\u003C\u002Fstrong> 로컬\u002F클라우드 라우팅 전략 설계.\n\n## 핵심 사고 모델\n\nSLM은 개인 정보 보호, 비용, 오프라인 운영을 위해 범위를 줄입니다. 성공 전략은: **SLM이 오케스트레이션하고 도구가 무거운 작업을 맡도록 하는 것.** 모델이 코드베이스를 \u003Cem>알 필요\u003C\u002Fem>는 없으며 — 대신 `read_file`과 `search_docs`를 언제 호출할지 알아야 합니다. 이는 도구 선택과 같은 제한된 결정에는 SLM이 강하지만, 광범위한 지식이나 긴 다중 단계 추론에는 약한 점을 이용하는 것입니다.\n\n\n\n\n\n\n## 왜 이 특정 구성 요소들인가\n\n- \u003Cstrong>Foundry Local\u003C\u002Fstrong>은 \u003Cstrong>OpenAI 호환 HTTP 엔드포인트\u003C\u002Fstrong>를 노출하므로 클라우드 에이전트 코드를 `base_url`만 바꾸고 로컬 플레이스홀더 API 키를 사용해도 이전할 수 있습니다. 또한 머신에 최적화된 빌드(CPU\u002FGPU\u002FNPU)를 자동 선택합니다.\n- **Qwen** 모델은 함수 호출을 위해 훈련되었으며 일관되게 형식에 맞는 도구 호출을 생성합니다 — 로컬 \u003Cem>챗\u003C\u002Fem> 모델을 로컬 \u003Cem>에이전트\u003C\u002Fem>로 만드는 핵심입니다.\n- \u003Cstrong>Chroma\u003C\u002Fstrong>는 프로세스 내에서 실행되며 벡터를 디스크에 저장하므로 전체 RAG 파이프라인(임베드 → 저장 → 검색 → 추론)이 로컬에 머무릅니다.\n- \u003Cstrong>MCP\u003C\u002Fstrong>는 클라우드 서비스가 아니라 전송 계층입니다: MCP 서버는 `stdio`를 통해 로컬에서 실행할 수 있습니다.\n\n## 설치 필수 요소\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)  # 로컬 자리 표시자\n```\n\n약 8GB RAM이 현실적인 최소 사양이며 GPU\u002FNPU가 있으면 도움이 되나 필수는 아닙니다.\n\n## 재현할 주요 패턴\n\n학습자에게 다음 노트북을 안내하세요\n[`17-local-agent-foundry-local.ipynb`](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002Fcode_samples\u002F17-local-agent-foundry-local.ipynb):\n\n- **샌드박스화된 도구**: 모든 파일 도구는 경로를 해석하고 단일 프로젝트 루트 외부는 거부 — 로컬이어도 도구 실행 시 사용자의 권한만 사용합니다.\n- **도구 호출 루프**: OpenAI 도구 스키마에 도구 등록, 요청된 도구 로컬 실행, 결과 반환, 최종 답변까지 반복.\n- **로컬 RAG**: 문서를 Chroma 컬렉션에 업서트; `search_docs`는 상위 k개 청크를 반환.\n- **로컬 MCP**: `stdio`로 로컬 서버에 연결; 프로젝트 디렉토리에 범위를 설정하고 출력 유효성 검사.\n\n## 하이브리드 라우팅 (모델 중 하나로서 로컬)\n\n| 상황 | 실행 위치 |\n|-----------|---------------|\n| 민감한 데이터 \u002F 오프라인 | 로컬 SLM |\n| 단순하고 제한된 작업 | 로컬 SLM (저렴하고 빠름) |\n| 비민감 데이터에 대한 복잡한 다중 단계 추론 | 클라우드 모델 |\n| 클라우드 장애 | 로컬 SLM (점진적 성능 저하) |\n\n이는 Lesson 16의 모델 라우팅 아이디어를 반영하며 워크스테이션을 하나의 경로로 활용합니다. 에이전트가 완전히 실패하지 않고 품질이 저하되는 방향으로 로컬 fallback을 선호하세요.\n\n\n\n## 어시스턴트를 위한 가드레일\n\n- 모든 파일\u002F도구 작업을 샌드박스화된 프로젝트 디렉토리 내로 제한하세요.\n- 학습자의 명시적 목표가 개인 정보 보호\u002F오프라인일 때는 코드나 데이터를 클라우드로 전송하지 마세요 — 전체 파이프라인을 로컬에 유지하세요.\n- SLM 품질에 대해 현실적인 기대를 설정하고, 모델의 암기 지식보다는 도구와 RAG에 의존하세요.\n- Lesson 17에는 **Foundry Responses 엔드포인트가 없으므로**, 클라우드 스모크 테스트 액션은 적용되지 않습니다 — 노트북을 로컬에서 실행해 검증하세요.\n\n---\n\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**면책 조항**:\n이 문서는 AI 번역 서비스 [Co-op Translator](https:\u002F\u002Fgithub.com\u002FAzure\u002Fco-op-translator)를 사용하여 번역되었습니다. 정확성을 기하기 위해 노력하고 있으나, 자동 번역은 오류나 부정확한 부분이 있을 수 있음을 유의하시기 바랍니다. 원본 문서의 원어본이 권위 있는 자료로 간주되어야 합니다. 중요한 정보의 경우, 전문가의 인간 번역을 권장합니다. 이 번역 사용으로 인해 발생하는 오해나 잘못된 해석에 대해 당사는 책임을 지지 않습니다.\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER END -->",{"name":5,"license":14},"main","f09e94ffe170f8af6d3db7c42987bbe4db227723","translations\u002Fko\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\u002Fko\u002F.agents\u002Fskills\u002Flocal-ai-agents\u002FSKILL.md",true,[49,55,59,63,67,71,75,79,83],{"path":50,"resourceType":51,"resourceTypeDesc":52,"sizeBytes":53,"sourceHtmlUrl":54},"ci.md","REFERENCE","参考文档",1304,"https:\u002F\u002Fgithub.com\u002Fshengdabai\u002FTony-Claude-Code-Skills\u002Fblob\u002Fmain\u002Fskills\u002F_collections\u002Fclaude-code\u002Fskills\u002Fts-project-initialize\u002Fci.md",{"path":56,"resourceType":51,"resourceTypeDesc":52,"sizeBytes":57,"sourceHtmlUrl":58},"dev-tools.md",164,"https:\u002F\u002Fgithub.com\u002Fshengdabai\u002FTony-Claude-Code-Skills\u002Fblob\u002Fmain\u002Fskills\u002F_collections\u002Fclaude-code\u002Fskills\u002Fts-project-initialize\u002Fdev-tools.md",{"path":60,"resourceType":51,"resourceTypeDesc":52,"sizeBytes":61,"sourceHtmlUrl":62},"hono.md",5543,"https:\u002F\u002Fgithub.com\u002Fshengdabai\u002FTony-Claude-Code-Skills\u002Fblob\u002Fmain\u002Fskills\u002F_collections\u002Fclaude-code\u002Fskills\u002Fts-project-initialize\u002Fhono.md",{"path":64,"resourceType":51,"resourceTypeDesc":52,"sizeBytes":65,"sourceHtmlUrl":66},"oxc.md",19135,"https:\u002F\u002Fgithub.com\u002Fshengdabai\u002FTony-Claude-Code-Skills\u002Fblob\u002Fmain\u002Fskills\u002F_collections\u002Fclaude-code\u002Fskills\u002Fts-project-initialize\u002Foxc.md",{"path":68,"resourceType":51,"resourceTypeDesc":52,"sizeBytes":69,"sourceHtmlUrl":70},"package.md",2399,"https:\u002F\u002Fgithub.com\u002Fshengdabai\u002FTony-Claude-Code-Skills\u002Fblob\u002Fmain\u002Fskills\u002F_collections\u002Fclaude-code\u002Fskills\u002Fts-project-initialize\u002Fpackage.md",{"path":72,"resourceType":51,"resourceTypeDesc":52,"sizeBytes":73,"sourceHtmlUrl":74},"shadcn-ui.md",875,"https:\u002F\u002Fgithub.com\u002Fshengdabai\u002FTony-Claude-Code-Skills\u002Fblob\u002Fmain\u002Fskills\u002F_collections\u002Fclaude-code\u002Fskills\u002Fts-project-initialize\u002Fshadcn-ui.md",{"path":76,"resourceType":51,"resourceTypeDesc":52,"sizeBytes":77,"sourceHtmlUrl":78},"tanstack-spa.md",3308,"https:\u002F\u002Fgithub.com\u002Fshengdabai\u002FTony-Claude-Code-Skills\u002Fblob\u002Fmain\u002Fskills\u002F_collections\u002Fclaude-code\u002Fskills\u002Fts-project-initialize\u002Ftanstack-spa.md",{"path":80,"resourceType":51,"resourceTypeDesc":52,"sizeBytes":81,"sourceHtmlUrl":82},"typescript.md",1855,"https:\u002F\u002Fgithub.com\u002Fshengdabai\u002FTony-Claude-Code-Skills\u002Fblob\u002Fmain\u002Fskills\u002F_collections\u002Fclaude-code\u002Fskills\u002Fts-project-initialize\u002Ftypescript.md",{"path":84,"resourceType":51,"resourceTypeDesc":52,"sizeBytes":85,"sourceHtmlUrl":86},"workspace.md",574,"https:\u002F\u002Fgithub.com\u002Fshengdabai\u002FTony-Claude-Code-Skills\u002Fblob\u002Fmain\u002Fskills\u002F_collections\u002Fclaude-code\u002Fskills\u002Fts-project-initialize\u002Fworkspace.md",[88,106,117,122,130,137],{"skillNo":89,"name":90,"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":91,"categories":92,"keywords":103,"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",[93,98],{"categoryNo":94,"categoryName":95,"taxonomyType":96,"taxonomyTypeDesc":97},"01JBSEEDCAT000000000000008","测试与质量","SCENARIO","使用场景",{"categoryNo":99,"categoryName":100,"taxonomyType":101,"taxonomyTypeDesc":102},"01JBSEEDCAT000000000000039","教师与教育","PROFESSION","适用职业",[104,105],"testing","testing course samples",{"skillNo":107,"name":108,"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":109,"categories":110,"keywords":114,"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",[111],{"categoryNo":112,"categoryName":113,"taxonomyType":96,"taxonomyTypeDesc":97},"01JBSEEDCAT000000000000023","Skill与智能体开发",[115,8,116],"docs","microsoft docs",{"skillNo":118,"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":119,"categories":120,"keywords":121,"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":123,"name":124,"nameZh":6,"description":125,"descriptionZh":6,"repositoryFullName":7,"ownerLogin":8,"ownerAvatarUrl":9,"ownerAccountNo":10,"ownerDisplayName":11,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":126,"categories":127,"keywords":128,"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",[],[129],"jupyter notebook",{"skillNo":131,"name":132,"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":133,"categories":134,"keywords":135,"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",[],[136],"deploying scalable agents",{"skillNo":138,"name":139,"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":140,"categories":141,"keywords":142,"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",[],[143],"azure openai to responses"]