[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M699NVVZB3XBYHGRJZXM2Y89":3,"skill-same:01M699NVVZB3XBYHGRJZXM2Y89":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},"01M699NVVZB3XBYHGRJZXM2Y89","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\u002Fmy\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 နှင့် Qwen တို့ဖြင့် ဒေသဆိုင်ရာ AI ကိုယ်စားလှယ်များ ဖန်တီးခြင်း\n\n> [Lesson 17 – ဒေသဆိုင်ရာ AI ကိုယ်စားလှယ်များ ဖန်တီးခြင်း](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002FREADME.md) အတွက် ဆက်စပ် ကျွမ်းကျင်မှု။\n> သင်တန်းသားတစ်ဦးကို သူတို့ရဲ့စက်သာလုံး ဖြင့် လုံးဝ ကိုယ်တိုင် အကြံပြုချက်များ ထုတ်၍ ကိရိယာများ ကို ခေါ်ယူပြီး စာတမ်းများကို ရှာဖွေရန်\n> ကူညီရန် အသုံးပြုပါ — တိမ်တိုက် မှ မဟုတ်ပါ။ အကြံပြုချက်တိုင်းကို ဘာသာရပ် အကြောင်းအရာ နှင့် အသုံးပြုနိုင်သောစာမျက်နှာအတွင်းတွင် အခြေခံပါ။\n\n\n\n\n- ကိုယ်ပိုင် စက်ပေါ်တွင် **လုံးဝ အသုံးပြုနိုင်သော** ကိုယ်စားလှယ် အတွက် ပုဂ္ဂိုလ်ရေး၊ ကုန်ကျစရိတ် သို့မဟုတ် အော့ဖ်လိုင်း အကြောင်းများအတွက်။\n- **Foundry Local** ဖြင့် မော်ဒယ်ကို ဒေသတွင်း တပ်ဆင်၍ OpenAI-ကိုက်ညီသော endpoint ဖြင့် ချိတ်ဆက်ရန်။\n- ယုံကြည်စိတ်ချရသော ဒေသဆိုင်ရာ ကိရိယာခေါ်ယူမှုများ ကြီးပွားစေရန် **Qwen function-calling** မော်ဒယ် အသုံးပြုရန်။\n- **ဒေသဆိုင်ရာ RAG** (Chroma) သို့မဟုတ် **ဒေသဆိုင်ရာ MCP ဆာဗာ** ထည့်သွင်းရန်။\n- **ဒေသဆိုင်ရာ\u002Fတိမ်တိုက်ပေါင်းစပ်** လမ်းညွှန် များဒီဇိုင်းရန်။\n\n\n\n\nမဟာဗျူဟာမှာ - **SLM ကို ဦးဆောင်ခိုင်းပြီး ကိရိယာများကို အလေးပေး လုပ်ဆောင်စေခြင်း** ဖြစ်ပါသည်။ \nမော်ဒယ်သည် ကိုဒ်အခြေခံကို *သိရန်* မလိုအပ်ပါ — ဘယ်အချိန်ကိရိယာ ခေါ်ရမည်ကိုသာ သိရမည်။\nမော်ဒယ်အနေနဲ့ ကုဒ်ဘေ့စ်ကို *သိ*ဖို့ မလိုအပ်ပါဘူး — ဖုန်းခေါ်ဖို့ ဘယ်အချိန်လဲဆိုတာကိုပဲ သိထားဖို့ လိုပါတယ်\n`read_file` နှင့် `search_docs` တို့။ ၎င်းသည် SLM ၏အားသာချက်ဖြစ်သည့် (ကန့်သတ်ထားသောဆုံးဖြတ်ချက်များ\nကဲ့သို့သောကိရိယာရွေးချယ်မှု) အားဖြင့်ကစားပြီး၊ ၎င်း၏အားနည်းချက်ဖြစ်သည့် (ကျယ်ပြန့်သောအသိပညာ၊ ရှည်လျားသောအဆင့်မြှင့်\nတိုက်ရိုက်သုံးသပ်ခြင်း) ထွက်ခြားသည်။\n\n## ဤအထူးအစိတ်အပိုင်းများကိုဘာကြောင့်\n\n- **Foundry Local** သည် **OpenAI-ကိုက်ညီသော HTTP endpoint** ကိုဖော်ပြထားပြီး၊ ထိုကဲ့သို့ဖြစ်ခြင်းကြောင့် cloud agent ကုဒ်သည် `base_url` (နှင့် ဒေသတွင်း placeholder API key ကိုအသုံးပြုခြင်း) တို့မှသာပြောင်းလဲခြင်းဖြင့် လွယ်ကူစွာရွှေ့ပြောင်းနိုင်သည်။ ၎င်းသည် စက်ပစ္စည်းအတွက် အကောင်းဆုံး build (CPU\u002FGPU\u002FNPU) ကိုအလိုအလျောက်ရွေးချယ်ပေးသည်။\n- **Qwen** မော်ဒယ်များကို function ခေါ်ဆိုမှုအတွက် လေ့ကျင့်ထားပြီး ကောင်းမွန်စွာဖွဲ့စည်းထားသော tool ခေါ်ရာများကို တပြတ်တည်းထုတ်ပေးသည် — ၎င်းဟာ ဒေသတွင်း *chat* မော်ဒယ်ကို ဒေသတွင်း *agent* သို့ပြောင်းလဲသောအရာဖြစ်သည်။\n- **Chroma** သည် process အတွင်းတွင်ပြေးဆွဲပြီး disk တွင် vectors များသိမ်းဆည်းထားပြီး RAG pipeline (embed → store → retrieve → reason) အားလုံးကို ဒေသတြင္း ထာ၀ရထားသည်။\n- **MCP** သည် cloud ဝန်ဆောင်မှုမဟုတ်သော သယ်ယူပို့ဆောင်မှုဖြစ်ပြီး။ MCP server ကို ဒေသတွင်းတွင် `stdio` မှတဆင့် ပြေးနိုင်သည်။\n\n## ဆက်တင်လိုအပ်ချက်များ\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\nရုပ်ပိုင်းဆိုင်ရာ ~8 GB RAM သည် အနည်းဆုံးလိုအပ်ချက်ဖြစ်သည်; GPU\u002FNPU ကူညီပေးသော်လည်း မလိုအပ်ပါ။\n\n## ထပ်မံ အသုံးချရန်သောအဓိကပုံစံများ\n\nသင်ယူသူကို notebook တွင် အချက်ပြပါ\n[`17-local-agent-foundry-local.ipynb`](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002Fcode_samples\u002F17-local-agent-foundry-local.ipynb):\n\n- **Sandboxed tools**: ဖိုင်ကိရိယာတိုင်းသည် path များကိုဖြေရှင်းပြီး တစ်ခုတည်းသော project root နေရာပြင်ပမှအားလုံးကို ငြင်းချခံရသည် — ဒေသတွင်းတင်ဖြစ်စေ ကိရိယာသည် အသုံးပြုသူ၏ခွင့်ပြုချက်ဖြင့်ပြေးဆွဲသည်။\n- **Tool-calling loop**: OpenAI tools schema အတိုင်း ကိရိယာများကို မှတ်ပုံတင်ပြီး၊ တောင်းဆိုထားသောကိရိယာများကို ဒေသတွင်းကတိပြုဆောင်ရွက်ကာ၊ရလဒ်များကို ပြန်ထည့်ပြီး နောက်တစ်ကြိမ် ထပ်ဆင့်ဆောင်ရွက်သည်။\n- **Local RAG**: Chroma စုစည်းမှုတွင် စာရွက်စာတမ်းများကို upsert လုပ်သည်; `search_docs` သည် ထိပ်တန်း-k အပိုင်းများကို ပြန်ပေးသည်။\n- **Local MCP**: ဒေသတွင်း server သို့ `stdio` မှတဆင့်ချိတ်ဆက်သည်; ထိုရာထူးကို project directory သို့ပိတ်သိမ်းပြီး ထွက်ရှိချက်များကို မှန်ကန်ကြောင်း စစ်ဆေးသည်။\n\n## မျိုးစုံလမ်းကြောင်း (ဒေသတွင်းကို မော်ဒယ်အနက် တစ်ခုအနေဖြင့်)\n\n| အခြေအနေ | ဘယ်မှာပြေးစေမလဲ |\n|-----------|---------------|\n| အရပ်သားဒေတာ \u002F အော့ဖ်လိုင်း | ဒေသတွင်း SLM |\n| ရိုးရှင်းသော, ကန့်သတ်ချက်ဖြစ်သောတာဝန် | ဒေသတွင်း SLM (စျေးတန်၊ အမြန်) |\n| အရပ်ပမာဏမရှိသော အခက်အခဲများရှိသော ဒေတာအပေါ် ခက်ခဲသော multi-hop တင်သုံးသပ်ချက် | Cloud မော်ဒယ် |\n| Cloud ပိတ်ဆို့ခြင်း | ဒေသတွင်း SLM (အဆင်ပြေပျော့ပါးမှု) |\n\n၎င်းသည် ပစ်မှတ် 16 တွင် ပါဝင်သော မော်ဒယ်လမ်းကြောင်း စိတ်ကူးတစ်ခုအတိုင်း ရှုမြင်ခြင်းဖြစ်ပြီး၊ workstation ကို တစ်ခုသော မောင်းလမ်းအဖြစ် သတ်မှတ်ထားသည်။ ဒေသတွင်းစနစ်သို့ ပြန်လှန်ရောက်ရှိသော ပုံစံများကို မျှော်မှန်း၍ agent သည် လုံးဝ မပျက်မကွက်ဘဲ အရည်အသွေးကျဆင်းမှုဖြင့်သာ   လျော့နည်းစေရန်ကြိုးစားပါ။\n\n\n\n## အကူအညီပေးသူအတွက် ကာကွယ်စောင့်ရှောက်မှုများ\n\n- ဖိုင်\u002Fကိရိယာ လုပ်ဆောင်မှုတစ်ခုချင်းစီကို sandboxed project directory အတွင်း သီးခြားထားပါ။\n- သင်ယူသူ၏ ရည်ရွယ်ချက်မှာ privacy\u002Foffline ဖြစ်သောအခါ cloud သို့ ကုဒ် သို့မဟုတ် ဒေတာ မပို့ပေးပါနှင့် — ဆက်လက်လုပ်ဆောင်မှုအားလုံးကို ဒေသတွင်းထိန်းသိမ်းထားပါ။\n- SLM ၏အရည်အသွေးအတွက် အတိအကျမျှော်မှန်းချက်များထားပါ; မော်ဒယ်မှ မှတ်မိထားသောအသိပညာထက် ကိရိယာများနှင့် RAG ကို အားထားပါ။\n- Lesson 17 တွင် **Foundry Responses endpoint မရှိ** သည့်အကြောင်းသတိပြုပါ၊ ထို့ကြောင့် cloud smoke-test လုပ်ငန်းစဉ်သည် မသက်ဆိုင်ပါ — notebook ကို ဒေသတွင်းသွား၍ စစ်ဆေးပါ။\n\n---\n\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**ပြောကြားချက်**\nဤစာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https:\u002F\u002Fgithub.com\u002FAzure\u002Fco-op-translator) အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးပမ်းနေသော်လည်း၊ စက်ကိရိယာဘာသာပြန်ခြင်းများတွင် အမှားများ သို့မဟုတ် မှားယွင်းချက်များ ပါဝင်နိုင်ကြောင်း သတိပြုပါရန် လိုအပ်ပါသည်။ မူလစာတမ်းကို မူရင်းဘာသာဖြင့်သာ ယုံကြည်စိတ်ချရသော အချက်အလက်အဖြစ် သတ်မှတ်သင့်သည်။ အရေးကြီးသည့် သတင်းအချက်အလက်များအတွက် ပရော်ဖက်ရှင်နယ် လူသားဘာသာပြန်သူဝန်ဆောင်မှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်ချက်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုကွာခြားမှုများ သို့မဟုတ် မမှန်ကန်သော အသုံးပြုမှုများအတွက် ကျွန်ုပ်တို့ တာဝန်မခံပါ။\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER END -->","# Foundry Local နှင့် Qwen တို့ဖြင့် ဒေသဆိုင်ရာ AI ကိုယ်စားလှယ်များ ဖန်တီးခြင်း\n\n> [Lesson 17 – ဒေသဆိုင်ရာ AI ကိုယ်စားလှယ်များ ဖန်တီးခြင်း](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002FREADME.md) အတွက် ဆက်စပ် ကျွမ်းကျင်မှု။\n> သင်တန်းသားတစ်ဦးကို သူတို့ရဲ့စက်သာလုံး ဖြင့် လုံးဝ ကိုယ်တိုင် အကြံပြုချက်များ ထုတ်၍ ကိရိယာများ ကို ခေါ်ယူပြီး စာတမ်းများကို ရှာဖွေရန်\n> ကူညီရန် အသုံးပြုပါ — တိမ်တိုက် မှ မဟုတ်ပါ။ အကြံပြုချက်တိုင်းကို ဘာသာရပ် အကြောင်းအရာ နှင့် အသုံးပြုနိုင်သောစာမျက်နှာအတွင်းတွင် အခြေခံပါ။\n\n\n\n\n- ကိုယ်ပိုင် စက်ပေါ်တွင် **လုံးဝ အသုံးပြုနိုင်သော** ကိုယ်စားလှယ် အတွက် ပုဂ္ဂိုလ်ရေး၊ ကုန်ကျစရိတ် သို့မဟုတ် အော့ဖ်လိုင်း အကြောင်းများအတွက်။\n- **Foundry Local** ဖြင့် မော်ဒယ်ကို ဒေသတွင်း တပ်ဆင်၍ OpenAI-ကိုက်ညီသော endpoint ဖြင့် ချိတ်ဆက်ရန်။\n- ယုံကြည်စိတ်ချရသော ဒေသဆိုင်ရာ ကိရိယာခေါ်ယူမှုများ ကြီးပွားစေရန် **Qwen function-calling** မော်ဒယ် အသုံးပြုရန်။\n- **ဒေသဆိုင်ရာ RAG** (Chroma) သို့မဟုတ် **ဒေသဆိုင်ရာ MCP ဆာဗာ** ထည့်သွင်းရန်။\n- **ဒေသဆိုင်ရာ\u002Fတိမ်တိုက်ပေါင်းစပ်** လမ်းညွှန် များဒီဇိုင်းရန်။\n\n\n\n\nမဟာဗျူဟာမှာ - **SLM ကို ဦးဆောင်ခိုင်းပြီး ကိရိယာများကို အလေးပေး လုပ်ဆောင်စေခြင်း** ဖြစ်ပါသည်။ \nမော်ဒယ်သည် ကိုဒ်အခြေခံကို *သိရန်* မလိုအပ်ပါ — ဘယ်အချိန်ကိရိယာ ခေါ်ရမည်ကိုသာ သိရမည်။\nမော်ဒယ်အနေနဲ့ ကုဒ်ဘေ့စ်ကို *သိ*ဖို့ မလိုအပ်ပါဘူး — ဖုန်းခေါ်ဖို့ ဘယ်အချိန်လဲဆိုတာကိုပဲ သိထားဖို့ လိုပါတယ်\n`read_file` နှင့် `search_docs` တို့။ ၎င်းသည် SLM ၏အားသာချက်ဖြစ်သည့် (ကန့်သတ်ထားသောဆုံးဖြတ်ချက်များ\nကဲ့သို့သောကိရိယာရွေးချယ်မှု) အားဖြင့်ကစားပြီး၊ ၎င်း၏အားနည်းချက်ဖြစ်သည့် (ကျယ်ပြန့်သောအသိပညာ၊ ရှည်လျားသောအဆင့်မြှင့်\nတိုက်ရိုက်သုံးသပ်ခြင်း) ထွက်ခြားသည်။\n\n## ဤအထူးအစိတ်အပိုင်းများကိုဘာကြောင့်\n\n- **Foundry Local** သည် **OpenAI-ကိုက်ညီသော HTTP endpoint** ကိုဖော်ပြထားပြီး၊ ထိုကဲ့သို့ဖြစ်ခြင်းကြောင့် cloud agent ကုဒ်သည် `base_url` (နှင့် ဒေသတွင်း placeholder API key ကိုအသုံးပြုခြင်း) တို့မှသာပြောင်းလဲခြင်းဖြင့် လွယ်ကူစွာရွှေ့ပြောင်းနိုင်သည်။ ၎င်းသည် စက်ပစ္စည်းအတွက် အကောင်းဆုံး build (CPU\u002FGPU\u002FNPU) ကိုအလိုအလျောက်ရွေးချယ်ပေးသည်။\n- **Qwen** မော်ဒယ်များကို function ခေါ်ဆိုမှုအတွက် လေ့ကျင့်ထားပြီး ကောင်းမွန်စွာဖွဲ့စည်းထားသော tool ခေါ်ရာများကို တပြတ်တည်းထုတ်ပေးသည် — ၎င်းဟာ ဒေသတွင်း *chat* မော်ဒယ်ကို ဒေသတွင်း *agent* သို့ပြောင်းလဲသောအရာဖြစ်သည်။\n- **Chroma** သည် process အတွင်းတွင်ပြေးဆွဲပြီး disk တွင် vectors များသိမ်းဆည်းထားပြီး RAG pipeline (embed → store → retrieve → reason) အားလုံးကို ဒေသတြင္း ထာ၀ရထားသည်။\n- **MCP** သည် cloud ဝန်ဆောင်မှုမဟုတ်သော သယ်ယူပို့ဆောင်မှုဖြစ်ပြီး။ MCP server ကို ဒေသတွင်းတွင် `stdio` မှတဆင့် ပြေးနိုင်သည်။\n\n## ဆက်တင်လိုအပ်ချက်များ\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\nရုပ်ပိုင်းဆိုင်ရာ ~8 GB RAM သည် အနည်းဆုံးလိုအပ်ချက်ဖြစ်သည်; GPU\u002FNPU ကူညီပေးသော်လည်း မလိုအပ်ပါ။\n\n## ထပ်မံ အသုံးချရန်သောအဓိကပုံစံများ\n\nသင်ယူသူကို notebook တွင် အချက်ပြပါ\n[`17-local-agent-foundry-local.ipynb`](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002Fcode_samples\u002F17-local-agent-foundry-local.ipynb):\n\n- **Sandboxed tools**: ဖိုင်ကိရိယာတိုင်းသည် path များကိုဖြေရှင်းပြီး တစ်ခုတည်းသော project root နေရာပြင်ပမှအားလုံးကို ငြင်းချခံရသည် — ဒေသတွင်းတင်ဖြစ်စေ ကိရိယာသည် အသုံးပြုသူ၏ခွင့်ပြုချက်ဖြင့်ပြေးဆွဲသည်။\n- **Tool-calling loop**: OpenAI tools schema အတိုင်း ကိရိယာများကို မှတ်ပုံတင်ပြီး၊ တောင်းဆိုထားသောကိရိယာများကို ဒေသတွင်းကတိပြုဆောင်ရွက်ကာ၊ရလဒ်များကို ပြန်ထည့်ပြီး နောက်တစ်ကြိမ် ထပ်ဆင့်ဆောင်ရွက်သည်။\n- **Local RAG**: Chroma စုစည်းမှုတွင် စာရွက်စာတမ်းများကို upsert လုပ်သည်; `search_docs` သည် ထိပ်တန်း-k အပိုင်းများကို ပြန်ပေးသည်။\n- **Local MCP**: ဒေသတွင်း server သို့ `stdio` မှတဆင့်ချိတ်ဆက်သည်; ထိုရာထူးကို project directory သို့ပိတ်သိမ်းပြီး ထွက်ရှိချက်များကို မှန်ကန်ကြောင်း စစ်ဆေးသည်။\n\n## မျိုးစုံလမ်းကြောင်း (ဒေသတွင်းကို မော်ဒယ်အနက် တစ်ခုအနေဖြင့်)\n\n| အခြေအနေ | ဘယ်မှာပြေးစေမလဲ |\n|-----------|---------------|\n| အရပ်သားဒေတာ \u002F အော့ဖ်လိုင်း | ဒေသတွင်း SLM |\n| ရိုးရှင်းသော, ကန့်သတ်ချက်ဖြစ်သောတာဝန် | ဒေသတွင်း SLM (စျေးတန်၊ အမြန်) |\n| အရပ်ပမာဏမရှိသော အခက်အခဲများရှိသော ဒေတာအပေါ် ခက်ခဲသော multi-hop တင်သုံးသပ်ချက် | Cloud မော်ဒယ် |\n| Cloud ပိတ်ဆို့ခြင်း | ဒေသတွင်း SLM (အဆင်ပြေပျော့ပါးမှု) |\n\n၎င်းသည် ပစ်မှတ် 16 တွင် ပါဝင်သော မော်ဒယ်လမ်းကြောင်း စိတ်ကူးတစ်ခုအတိုင်း ရှုမြင်ခြင်းဖြစ်ပြီး၊ workstation ကို တစ်ခုသော မောင်းလမ်းအဖြစ် သတ်မှတ်ထားသည်။ ဒေသတွင်းစနစ်သို့ ပြန်လှန်ရောက်ရှိသော ပုံစံများကို မျှော်မှန်း၍ agent သည် လုံးဝ မပျက်မကွက်ဘဲ အရည်အသွေးကျဆင်းမှုဖြင့်သာ   လျော့နည်းစေရန်ကြိုးစားပါ။\n\n\n\n## အကူအညီပေးသူအတွက် ကာကွယ်စောင့်ရှောက်မှုများ\n\n- ဖိုင်\u002Fကိရိယာ လုပ်ဆောင်မှုတစ်ခုချင်းစီကို sandboxed project directory အတွင်း သီးခြားထားပါ။\n- သင်ယူသူ၏ ရည်ရွယ်ချက်မှာ privacy\u002Foffline ဖြစ်သောအခါ cloud သို့ ကုဒ် သို့မဟုတ် ဒေတာ မပို့ပေးပါနှင့် — ဆက်လက်လုပ်ဆောင်မှုအားလုံးကို ဒေသတွင်းထိန်းသိမ်းထားပါ။\n- SLM ၏အရည်အသွေးအတွက် အတိအကျမျှော်မှန်းချက်များထားပါ; မော်ဒယ်မှ မှတ်မိထားသောအသိပညာထက် ကိရိယာများနှင့် RAG ကို အားထားပါ။\n- Lesson 17 တွင် **Foundry Responses endpoint မရှိ** သည့်အကြောင်းသတိပြုပါ၊ ထို့ကြောင့် cloud smoke-test လုပ်ငန်းစဉ်သည် မသက်ဆိုင်ပါ — notebook ကို ဒေသတွင်းသွား၍ စစ်ဆေးပါ။\n\n---\n\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**ပြောကြားချက်**\nဤစာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https:\u002F\u002Fgithub.com\u002FAzure\u002Fco-op-translator) အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးပမ်းနေသော်လည်း၊ စက်ကိရိယာဘာသာပြန်ခြင်းများတွင် အမှားများ သို့မဟုတ် မှားယွင်းချက်များ ပါဝင်နိုင်ကြောင်း သတိပြုပါရန် လိုအပ်ပါသည်။ မူလစာတမ်းကို မူရင်းဘာသာဖြင့်သာ ယုံကြည်စိတ်ချရသော အချက်အလက်အဖြစ် သတ်မှတ်သင့်သည်။ အရေးကြီးသည့် သတင်းအချက်အလက်များအတွက် ပရော်ဖက်ရှင်နယ် လူသားဘာသာပြန်သူဝန်ဆောင်မှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်ချက်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုကွာခြားမှုများ သို့မဟုတ် မမှန်ကန်သော အသုံးပြုမှုများအတွက် ကျွန်ုပ်တို့ တာဝန်မခံပါ။\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER END -->",{"name":5,"license":14},"main","f09e94ffe170f8af6d3db7c42987bbe4db227723","translations\u002Fmy\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\u002Fmy\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"]