[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M699MGDPCENDYSK9PHBG636T":3,"skill-same:01M699MGDPCENDYSK9PHBG636T":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},"01M699MGDPCENDYSK9PHBG636T","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\u002Fml\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 Local ഉം Qwen ഉം ഉപയോഗിച്ച് പ്രാദേശിക AI ഏജന്റുകൾ സൃഷ്ടിക്കൽ\n\n> [Lesson 17 – Creating Local AI Agents](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002FREADME.md) എന്നതിനുള്ള സഹായി കഴിവ്.\n> പഠിതാവിന് താനാക്കിയുള്ള യന്ത്രത്തിലൂടെ പൂർണ്ണമായി സ്വയം വിചാരിക്കുന്ന, ഉപകരണങ്ങൾ വിളിക്കുന്ന, ഡോക്യുമെന്റേഷൻ തിരയുന്ന\n> ഏജന്റിനെ നിർമ്മിക്കുന്നതിന് സഹായത്തിനായി ഇത് ഉപയോഗിക്കുക — ക്ലൗഡ് ഇൻഫെറൻസ് ഇല്ലാതെ. ഓരോ ശുപാർശയും\n> പാഠഭാഗവും പ്രവർത്തനയോഗ്യമായ നോട്ട്‌ബുക്ക് ഉൾപ്പെടെ അടിസ്ഥാനമാക്കുക.\n\n## ട്രിഗറുകൾ\n\nഒരു പഠിതാവ് താഴെ പറയുന്ന കാര്യങ്ങൾ ചൊവ്വഴിക്കുമ്പോൾ ഈ കഴിവ് പ്രവർത്തിപ്പിക്കുക:\n- സ്വകാര്യത, ചെലവ്, അല്ലെങ്കില്‍ ഓഫ്ലൈന് പ്രവര്‍ത്തനക്കാര്‍ണമാകാം ചെയ്യുന്ന ഒരു ഏജൻറ് **പൂർണ്ണമായും ഉപകരണത്തിൽ** പ്രവർത്തിപ്പിക്കുക.\n- **Foundry Local** ഉപയോഗിച്ച് ഒരു മോഡൽ പ്രാദേശികമായി സർവ്വ് ചെയ്ത് OpenAI-ഉം സാമ്യം പുലർത്തുന്ന എൻഡ്പോയിന്റിലൂടെ കണക്റ്റ് ചെയ്യുക.\n- വിശ്വസനീയമായ പ്രാദേശിക ടൂൾ വിളിപ്പിന് **Qwen ഫങ്ഷൻ-കോളിംഗ്** മോഡൽ ഉപയോഗിക്കുക.\n- **പ്രാദേശിക RAG** (Chroma) അല്ലെങ്കിൽ **പ്രാദേശിക MCP സർവർ** ചേർക്കുക.\n- **ഹൈബ്രിഡ്** പ്രാദേശിക\u002Fക്ലൗഡ് റൂട്ടിങ് തന്ത്രം രൂപകൽപ്പന ചെയ്യുക.\n\n## പ്രധാന മാനസിക മോഡൽ\n\nഒരു SLM സ്വകാര്യത, ചെലവ്, ഓഫ്ലൈന് പ്രവര്‍ത്തനം എന്നിവയ്ക്ക് വ്യാപാരസ്ഥലം വഹിക്കുന്നു. വിജയകരമായ\nതന്ത്രം: **SLM ഘടകങ്ങളെ നിയന്ത്രിച്ചുകൊണ്ട് ഉപകരണങ്ങൾ ഭാരവാഹിത്വം ഏറ്റെടുക്കാൻ അനുവദിക്കുക.** മോഡലിന്\nകുറേക്കൂടി കോഡ് പരിശോധിക്കേണ്ടതില്ല — പരീക്ഷിക്കേണ്ടത് 언제 വിളിക്കണമെന്ന് മാത്രമാണ്\n`read_file` અને `search_docs`. ഇത് SLM-ന്റെ ശക്തിയാണെന്ന് കാണിക്കുന്നു (ഉപകരണ തിരഞ്ഞെടുപ്പ് പോലെയുള്ള നിയന്ത്രിത തീരുമാനങ്ങൾ)\nഅത്രയും പരിചയസമ്പത്തുള്ളതാണ് (വ്യാപകമായ അറിവ്, ദീർഘകാല ബഹു-ഹോപ്പ്\nചിന്തനം ഇല്ല).\n\n## ഈ പ്രത്യേക ഘടകങ്ങൾ എങ്കിൽ\n\n- **Foundry Local** ഒരു **OpenAI-സാമ്യമുള്ള HTTP എൻഡ്പോയിന്റ്** കാണിക്കുന്നു, ക്ലൗഡ് ഏജന്റ് കോഡ് സാന്ദ്രമായി മാറ്റാൻ എളുപ്പമാണ് `base_url` മാത്രം മാറ്റുകയോ പ്രാദേശിക പ്ലേസ്ഹോൾഡർ API കീ ഉപയോഗിക്കുകയോ ചെയ്യുക. ഇത് ഉപകരണത്തിന് ഏറ്റവും നല്ല ബിൽഡ് (CPU\u002FGPU\u002FNPU) സ്വയം തിരഞ്ഞെടുക്കുന്നു.\n- **Qwen** മോഡലുകൾ ഫങ്ഷൻ കോളിംഗ് പരിശീലിപ്പിച്ചവയാണ്, സ്ഥിരതയുള്ള ടൂൾ കോൾസ് പുറപ്പെടുവിക്കുന്നു — ഇത് പ്രാദേശിക *ചാറ്റ്* മോഡൽ പ്രാദേശിക *ഏജന്റായി* മാറ്റുന്നു.\n- **Chroma** പ്രോസസ്സിനുള്ളിൽ പ്രവർത്തിക്കുന്നു, വീക്ടറുകൾ ഡിസ്കിൽ സംഭരിക്കുന്നു, അതിനാൽ മുഴുവൻ RAG പൈപ്പ്‌ലൈൻ (എമ്പെഡ് → സൂക്ഷിക്കുക → തിരിച്ചെടുക്കുക → വിചാരിക്കുക) പ്രാദേശികമായിരിക്കും.\n- **MCP** ഒരു ട്രാൻസ്പോർട്ടാണ്, ക്ലൗഡ് സേവനം അല്ല: MCP സർവർ പ്രാദേശികമായി `stdio` വഴി പ്രവർത്തിക്കാം.\n\n## ഘടനാപരമായ ആവശ്യങ്ങൾ\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\n~8 GB RAM യഥാർത്ഥകൃത്യമായ കുറഞ്ഞ ആവശ്യമാണ്; GPU\u002FNPU സഹായകമാണ്, പക്ഷേ ആവശ്യകമല്ല.\n\n## പുനരാവൃതിക്കാനുള്ള മുഖ്യ മാതൃകകൾ\n\nപഠിതാവിനെ നോട്ട്‌ബുക്കിലേക്ക് നയിക്കുക\n[`17-local-agent-foundry-local.ipynb`](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002Fcode_samples\u002F17-local-agent-foundry-local.ipynb):\n\n- **സാൻഡ്‌ബോക്സ് ചെയ്ത ഉപകരണങ്ങൾ**: ഓരോ ഫയൽ ഉപകരണവും പാതകൾ പ്രക്രിയപ്പെടുത്തി, ഒരൊറ്റ പ്രോജക്റ്റ് റൂട്ട് ഒഴികെയുള്ള എല്ലാം നിരസിക്കുന്നു — പ്രാദേശികമായാലും ഉപകരണം ഉപയോക്താവിന്റെ അനുമതികളോടെ പ്രവർത്തിക്കുന്നു.\n- **ഉപകരണ വിളി ലൂപ്പ്**: OpenAI ഉപകരണം സ്‌കീമയിൽ ഉപകരണങ്ങൾ രജിസ്റ്റർ ചെയ്ത്, ആവശ്യപ്പെട്ട ഉപകരണങ്ങൾ പ്രാദേശികമായി നിർവ്വഹിച്ച് ഫലം തിരിച്ചെത്തിച്ച് ചുരുക്കം പരിഹരിവരെ ആവർത്തിക്കുക.\n- **പ്രാദേശിക RAG**: ഡോക്യുമെന്റുകൾ ഒരു Chroma ശേഖരത്തിൽ അപ്സർട്ട് ചെയ്യുക; `search_docs` ഉന്നത- കെ ഭാഗങ്ങൾ തിരികെ നൽകുന്നു.\n- **പ്രാദേശിക MCP**: പ്രാദേശിക സერვറിനെ `stdio` മുഖാന്തിരം കണക്റ്റ് ചെയ്യുക; പ്രോജക്റ്റ് ഡയറക്ടറിയിലേക്ക് പരിധിയിടുക, ഫലങ്ങൾ പരിശോധിക്കുക.\n\n## ഹൈബ്രിഡ് റൂട്ടിങ് (പ്രാദേശികം മോഡലുകളിൽ ഒറ്റമായി)\n\n| സ്ഥിതി | ആത്ര പ്രവർത്തിക്കുന്നു |\n|-----------|---------------|\n| സാമ്പത്തിക വിവരങ്ങൾ \u002F ഓഫ്ലൈൻ | പ്രാദേശിക SLM |\n| ലളിതവും നിയന്ത്രിതവും ആയ ജോലി | പ്രാദേശിക SLM (ചെലവുകുറഞ്ഞ, വേഗം) |\n| അസംവേദനാത്മക വിവരങ്ങളിൽ ദീർഘബാഹുവായ ചിന്തനം | ക്ലൗഡ് മോഡൽ |\n| ക്ലൗഡ് പണിമുടക്ക് | പ്രാദേശിക SLM (സൗമ്യമായ ക്ഷയം) |\n\nഇത് പാഠം 16 ലെ മോഡൽ റൂട്ടിങ് ആശയം പ്രതിഫലിപ്പിക്കുന്നു, പണിയിടം ഒരു മാർഗമാക്കിയാണ്. ഏജന്റ് വിജയത്തോടെ പ്രവൃത്തിക്കാൻ പ്രാദേശികത്തിലേക്ക് തിരിയുന്ന രൂപകൽപ്പനകൾ നൽക്കം.\n\nനിലവാരം ഇടിഞ്ഞുപോകുന്നതിന് പകരം ഒരു ഏജന്റ് പൂർണ്ണമായി പരാജയപ്പെടാതെ പ്രാദേശികത്തിലേക്ക് തിരിച്ചുപോകാൻ മുൻ‌ഗണനയുള്ള രൂപകൽപ്പനകൾ നല്കുക.\n\n## സഹായി പ്രവർത്തനത്തിനുള്ള ഗാർഡ്രയിലുകൾ\n\n- എല്ലാ ഫയൽ\u002Fഉപകരണം പ്രവൃത്തികളും സാൻഡ്‌ബോക്സ് പ്രോജക്റ്റ് ഡയറക്ടറിയിലേക്ക് പരിധിയിടുക.\n- പഠിതാവിന്റെ ലക്ഷ്യം സ്വകാര്യത\u002Fഓഫ്ലൈൻ ആയാൽ കോഡോ ഡാറ്റയും ക്ലൗഡിലേക്ക് അയക്കേണ്ടതാണ് — പൈപ്പ്‌ലൈൻ മുഴുവൻ പ്രാദേശികമാക്കുക.\n- SLM നിലവാരത്തിനുള്ള യാഥാർത്ഥ്യ പ്രതീക്ഷകൾ സജ്ജമാക്കുക; മോഡലിന്റെ ഓർമ്മപ്പെടുത്തൽ അറിവിലേക്കായി വൈസ് ടൂളുകളും RAG-ഉം ആശ്രയിക്കുക.\n- പാഠം 17-ൽ **Foundry Responses** എൻഡ്പോയ്റ്റ് ഇല്ല, അതുകൊണ്ട് ക്ലൗഡ് സ്മോക്ക്-ടെസ്റ്റ് പ്രവർത്തനങ്ങൾ ബാധകമല്ല — നോട്ട്‌ബുക്ക് പ്രാദേശികമായി പ്രവർത്തിപ്പിച്ച് പരിശോധിക്കുക.\n\n---\n\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**അറിയിപ്പ്**:\nഈ രേഖ AI പരിഭാഷാ സേവനം [Co-op Translator](https:\u002F\u002Fgithub.com\u002FAzure\u002Fco-op-translator) ഉപയോഗിച്ച് പരിഭാഷപ്പെടുത്തിയതാണ്. ഞങ്ങൾ കൃത്യതയ്ക്കായി ശ്രമിക്കുന്നുവെങ്കിലും, ഓട്ടോമേറ്റഡ് പരിഭാഷകളിൽ പിഴവുകൾ അല്ലെങ്കിൽ തെറ്റായ വിവരങ്ങൾ ഉണ്ടാകാൻ സാധ്യതയുണ്ട്. അതിന്റെ സ്വാഭാവിക ഭാഷയിലുള്ള അസൽ രേഖയാണ് പ്രാമാണികമായ ഉറവിടമായി പരിഗണിക്കേണ്ടത്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ പരിഭാഷ ശുപാർശ ചെയ്യുന്നു. ഈ പരിഭാഷ ഉപയോഗിച്ച് ഉണ്ടാകുന്ന തെറ്റിദ്ധാരണകൾ അല്ലെങ്കിൽ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കായി ഞങ്ങൾ ഉത്തരവാദികളല്ല.\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER END -->","# Foundry Local ഉം Qwen ഉം ഉപയോഗിച്ച് പ്രാദേശിക AI ഏജന്റുകൾ സൃഷ്ടിക്കൽ\n\n> [Lesson 17 – Creating Local AI Agents](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002FREADME.md) എന്നതിനുള്ള സഹായി കഴിവ്.\n> പഠിതാവിന് താനാക്കിയുള്ള യന്ത്രത്തിലൂടെ പൂർണ്ണമായി സ്വയം വിചാരിക്കുന്ന, ഉപകരണങ്ങൾ വിളിക്കുന്ന, ഡോക്യുമെന്റേഷൻ തിരയുന്ന\n> ഏജന്റിനെ നിർമ്മിക്കുന്നതിന് സഹായത്തിനായി ഇത് ഉപയോഗിക്കുക — ക്ലൗഡ് ഇൻഫെറൻസ് ഇല്ലാതെ. ഓരോ ശുപാർശയും\n> പാഠഭാഗവും പ്രവർത്തനയോഗ്യമായ നോട്ട്‌ബുക്ക് ഉൾപ്പെടെ അടിസ്ഥാനമാക്കുക.\n\n## ട്രിഗറുകൾ\n\nഒരു പഠിതാവ് താഴെ പറയുന്ന കാര്യങ്ങൾ ചൊവ്വഴിക്കുമ്പോൾ ഈ കഴിവ് പ്രവർത്തിപ്പിക്കുക:\n- സ്വകാര്യത, ചെലവ്, അല്ലെങ്കില്‍ ഓഫ്ലൈന് പ്രവര്‍ത്തനക്കാര്‍ണമാകാം ചെയ്യുന്ന ഒരു ഏജൻറ് **പൂർണ്ണമായും ഉപകരണത്തിൽ** പ്രവർത്തിപ്പിക്കുക.\n- **Foundry Local** ഉപയോഗിച്ച് ഒരു മോഡൽ പ്രാദേശികമായി സർവ്വ് ചെയ്ത് OpenAI-ഉം സാമ്യം പുലർത്തുന്ന എൻഡ്പോയിന്റിലൂടെ കണക്റ്റ് ചെയ്യുക.\n- വിശ്വസനീയമായ പ്രാദേശിക ടൂൾ വിളിപ്പിന് **Qwen ഫങ്ഷൻ-കോളിംഗ്** മോഡൽ ഉപയോഗിക്കുക.\n- **പ്രാദേശിക RAG** (Chroma) അല്ലെങ്കിൽ **പ്രാദേശിക MCP സർവർ** ചേർക്കുക.\n- **ഹൈബ്രിഡ്** പ്രാദേശിക\u002Fക്ലൗഡ് റൂട്ടിങ് തന്ത്രം രൂപകൽപ്പന ചെയ്യുക.\n\n## പ്രധാന മാനസിക മോഡൽ\n\nഒരു SLM സ്വകാര്യത, ചെലവ്, ഓഫ്ലൈന് പ്രവര്‍ത്തനം എന്നിവയ്ക്ക് വ്യാപാരസ്ഥലം വഹിക്കുന്നു. വിജയകരമായ\nതന്ത്രം: **SLM ഘടകങ്ങളെ നിയന്ത്രിച്ചുകൊണ്ട് ഉപകരണങ്ങൾ ഭാരവാഹിത്വം ഏറ്റെടുക്കാൻ അനുവദിക്കുക.** മോഡലിന്\nകുറേക്കൂടി കോഡ് പരിശോധിക്കേണ്ടതില്ല — പരീക്ഷിക്കേണ്ടത് 언제 വിളിക്കണമെന്ന് മാത്രമാണ്\n`read_file` અને `search_docs`. ഇത് SLM-ന്റെ ശക്തിയാണെന്ന് കാണിക്കുന്നു (ഉപകരണ തിരഞ്ഞെടുപ്പ് പോലെയുള്ള നിയന്ത്രിത തീരുമാനങ്ങൾ)\nഅത്രയും പരിചയസമ്പത്തുള്ളതാണ് (വ്യാപകമായ അറിവ്, ദീർഘകാല ബഹു-ഹോപ്പ്\nചിന്തനം ഇല്ല).\n\n## ഈ പ്രത്യേക ഘടകങ്ങൾ എങ്കിൽ\n\n- **Foundry Local** ഒരു **OpenAI-സാമ്യമുള്ള HTTP എൻഡ്പോയിന്റ്** കാണിക്കുന്നു, ക്ലൗഡ് ഏജന്റ് കോഡ് സാന്ദ്രമായി മാറ്റാൻ എളുപ്പമാണ് `base_url` മാത്രം മാറ്റുകയോ പ്രാദേശിക പ്ലേസ്ഹോൾഡർ API കീ ഉപയോഗിക്കുകയോ ചെയ്യുക. ഇത് ഉപകരണത്തിന് ഏറ്റവും നല്ല ബിൽഡ് (CPU\u002FGPU\u002FNPU) സ്വയം തിരഞ്ഞെടുക്കുന്നു.\n- **Qwen** മോഡലുകൾ ഫങ്ഷൻ കോളിംഗ് പരിശീലിപ്പിച്ചവയാണ്, സ്ഥിരതയുള്ള ടൂൾ കോൾസ് പുറപ്പെടുവിക്കുന്നു — ഇത് പ്രാദേശിക *ചാറ്റ്* മോഡൽ പ്രാദേശിക *ഏജന്റായി* മാറ്റുന്നു.\n- **Chroma** പ്രോസസ്സിനുള്ളിൽ പ്രവർത്തിക്കുന്നു, വീക്ടറുകൾ ഡിസ്കിൽ സംഭരിക്കുന്നു, അതിനാൽ മുഴുവൻ RAG പൈപ്പ്‌ലൈൻ (എമ്പെഡ് → സൂക്ഷിക്കുക → തിരിച്ചെടുക്കുക → വിചാരിക്കുക) പ്രാദേശികമായിരിക്കും.\n- **MCP** ഒരു ട്രാൻസ്പോർട്ടാണ്, ക്ലൗഡ് സേവനം അല്ല: MCP സർവർ പ്രാദേശികമായി `stdio` വഴി പ്രവർത്തിക്കാം.\n\n## ഘടനാപരമായ ആവശ്യങ്ങൾ\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\n~8 GB RAM യഥാർത്ഥകൃത്യമായ കുറഞ്ഞ ആവശ്യമാണ്; GPU\u002FNPU സഹായകമാണ്, പക്ഷേ ആവശ്യകമല്ല.\n\n## പുനരാവൃതിക്കാനുള്ള മുഖ്യ മാതൃകകൾ\n\nപഠിതാവിനെ നോട്ട്‌ബുക്കിലേക്ക് നയിക്കുക\n[`17-local-agent-foundry-local.ipynb`](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002Fcode_samples\u002F17-local-agent-foundry-local.ipynb):\n\n- **സാൻഡ്‌ബോക്സ് ചെയ്ത ഉപകരണങ്ങൾ**: ഓരോ ഫയൽ ഉപകരണവും പാതകൾ പ്രക്രിയപ്പെടുത്തി, ഒരൊറ്റ പ്രോജക്റ്റ് റൂട്ട് ഒഴികെയുള്ള എല്ലാം നിരസിക്കുന്നു — പ്രാദേശികമായാലും ഉപകരണം ഉപയോക്താവിന്റെ അനുമതികളോടെ പ്രവർത്തിക്കുന്നു.\n- **ഉപകരണ വിളി ലൂപ്പ്**: OpenAI ഉപകരണം സ്‌കീമയിൽ ഉപകരണങ്ങൾ രജിസ്റ്റർ ചെയ്ത്, ആവശ്യപ്പെട്ട ഉപകരണങ്ങൾ പ്രാദേശികമായി നിർവ്വഹിച്ച് ഫലം തിരിച്ചെത്തിച്ച് ചുരുക്കം പരിഹരിവരെ ആവർത്തിക്കുക.\n- **പ്രാദേശിക RAG**: ഡോക്യുമെന്റുകൾ ഒരു Chroma ശേഖരത്തിൽ അപ്സർട്ട് ചെയ്യുക; `search_docs` ഉന്നത- കെ ഭാഗങ്ങൾ തിരികെ നൽകുന്നു.\n- **പ്രാദേശിക MCP**: പ്രാദേശിക സერვറിനെ `stdio` മുഖാന്തിരം കണക്റ്റ് ചെയ്യുക; പ്രോജക്റ്റ് ഡയറക്ടറിയിലേക്ക് പരിധിയിടുക, ഫലങ്ങൾ പരിശോധിക്കുക.\n\n## ഹൈബ്രിഡ് റൂട്ടിങ് (പ്രാദേശികം മോഡലുകളിൽ ഒറ്റമായി)\n\n| സ്ഥിതി | ആത്ര പ്രവർത്തിക്കുന്നു |\n|-----------|---------------|\n| സാമ്പത്തിക വിവരങ്ങൾ \u002F ഓഫ്ലൈൻ | പ്രാദേശിക SLM |\n| ലളിതവും നിയന്ത്രിതവും ആയ ജോലി | പ്രാദേശിക SLM (ചെലവുകുറഞ്ഞ, വേഗം) |\n| അസംവേദനാത്മക വിവരങ്ങളിൽ ദീർഘബാഹുവായ ചിന്തനം | ക്ലൗഡ് മോഡൽ |\n| ക്ലൗഡ് പണിമുടക്ക് | പ്രാദേശിക SLM (സൗമ്യമായ ക്ഷയം) |\n\nഇത് പാഠം 16 ലെ മോഡൽ റൂട്ടിങ് ആശയം പ്രതിഫലിപ്പിക്കുന്നു, പണിയിടം ഒരു മാർഗമാക്കിയാണ്. ഏജന്റ് വിജയത്തോടെ പ്രവൃത്തിക്കാൻ പ്രാദേശികത്തിലേക്ക് തിരിയുന്ന രൂപകൽപ്പനകൾ നൽക്കം.\n\nനിലവാരം ഇടിഞ്ഞുപോകുന്നതിന് പകരം ഒരു ഏജന്റ് പൂർണ്ണമായി പരാജയപ്പെടാതെ പ്രാദേശികത്തിലേക്ക് തിരിച്ചുപോകാൻ മുൻ‌ഗണനയുള്ള രൂപകൽപ്പനകൾ നല്കുക.\n\n## സഹായി പ്രവർത്തനത്തിനുള്ള ഗാർഡ്രയിലുകൾ\n\n- എല്ലാ ഫയൽ\u002Fഉപകരണം പ്രവൃത്തികളും സാൻഡ്‌ബോക്സ് പ്രോജക്റ്റ് ഡയറക്ടറിയിലേക്ക് പരിധിയിടുക.\n- പഠിതാവിന്റെ ലക്ഷ്യം സ്വകാര്യത\u002Fഓഫ്ലൈൻ ആയാൽ കോഡോ ഡാറ്റയും ക്ലൗഡിലേക്ക് അയക്കേണ്ടതാണ് — പൈപ്പ്‌ലൈൻ മുഴുവൻ പ്രാദേശികമാക്കുക.\n- SLM നിലവാരത്തിനുള്ള യാഥാർത്ഥ്യ പ്രതീക്ഷകൾ സജ്ജമാക്കുക; മോഡലിന്റെ ഓർമ്മപ്പെടുത്തൽ അറിവിലേക്കായി വൈസ് ടൂളുകളും RAG-ഉം ആശ്രയിക്കുക.\n- പാഠം 17-ൽ **Foundry Responses** എൻഡ്പോയ്റ്റ് ഇല്ല, അതുകൊണ്ട് ക്ലൗഡ് സ്മോക്ക്-ടെസ്റ്റ് പ്രവർത്തനങ്ങൾ ബാധകമല്ല — നോട്ട്‌ബുക്ക് പ്രാദേശികമായി പ്രവർത്തിപ്പിച്ച് പരിശോധിക്കുക.\n\n---\n\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**അറിയിപ്പ്**:\nഈ രേഖ AI പരിഭാഷാ സേവനം [Co-op Translator](https:\u002F\u002Fgithub.com\u002FAzure\u002Fco-op-translator) ഉപയോഗിച്ച് പരിഭാഷപ്പെടുത്തിയതാണ്. ഞങ്ങൾ കൃത്യതയ്ക്കായി ശ്രമിക്കുന്നുവെങ്കിലും, ഓട്ടോമേറ്റഡ് പരിഭാഷകളിൽ പിഴവുകൾ അല്ലെങ്കിൽ തെറ്റായ വിവരങ്ങൾ ഉണ്ടാകാൻ സാധ്യതയുണ്ട്. അതിന്റെ സ്വാഭാവിക ഭാഷയിലുള്ള അസൽ രേഖയാണ് പ്രാമാണികമായ ഉറവിടമായി പരിഗണിക്കേണ്ടത്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ പരിഭാഷ ശുപാർശ ചെയ്യുന്നു. ഈ പരിഭാഷ ഉപയോഗിച്ച് ഉണ്ടാകുന്ന തെറ്റിദ്ധാരണകൾ അല്ലെങ്കിൽ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കായി ഞങ്ങൾ ഉത്തരവാദികളല്ല.\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER END -->",{"name":5,"license":14},"main","f09e94ffe170f8af6d3db7c42987bbe4db227723","translations\u002Fml\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\u002Fml\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"]