local-ai-agents

Lokale AI-agents maken met Foundry Local en Qwen

Bijbehorende vaardigheid voor Les 17 – Lokale AI-agents maken. Gebruik het om een lerende te helpen een agent te bouwen die redeneert, tools aanroept en documentatie doorzoekt volledig op hun eigen machine — geen cloud-inferentie. Baseer elke aanbeveling op de lesinhoud en het uitvoerbare notitieboek.

Triggers

Activeer deze vaardigheid wanneer een lerende wil:

• Een agent volledig on-device draaien om privacy-, kosten- of offline-redenen.
• Een model lokaal aanbieden met Foundry Local en verbinding maken via de OpenAI-compatibele endpoint.
• Een Qwen function-calling model gebruiken om betrouwbare lokale tool-aanroepen te sturen.
• Lokale RAG (Chroma) of een lokale MCP-server toevoegen.
• Een hybride lokaal/cloud routeringsstrategie ontwerpen.

Kern mentale model

Een SLM ruilt breedte in voor privacy, kosten en offline werking. De winnende strategie: laat de SLM orkestreren en laat tools het zware werk doen. Het model hoeft de codebasis niet te kennen — het hoeft alleen te weten wanneer het read_file en search_docs moet aanroepen. Dat speelt in op de kracht van een SLM (begrensde beslissingen zoals tool-selectie) en maakt gebruik van zijn zwakte (brede kennis, lange multi-hop redenering).

Waarom juist deze onderdelen

• Foundry Local biedt een OpenAI-compatibele HTTP-endpoint aan, zodat cloud agentcode overgezet kan worden door alleen base_url te wijzigen (en een lokale tijdelijke API-sleutel te gebruiken). Het selecteert ook automatisch de beste build (CPU/GPU/NPU) voor de machine.
• Qwen modellen zijn getraind voor function calling en genereren consequent goed gevormde tool-aanroepen — dit verandert een lokaal chat model in een lokale agent.
• Chroma draait in-process en slaat vectoren op schijf op, zodat de hele RAG-pijplijn (embed → opslaan → ophalen → redeneren) lokaal blijft.
• MCP is een transport, geen cloudservice: een MCP-server kan lokaal draaien via stdio.

Belangrijke setup-essenties

foundry model run qwen2.5-7b-instruct
foundry service status

from foundry_local import FoundryLocalManager
from openai import OpenAI

manager = FoundryLocalManager("qwen2.5-7b-instruct")
client = OpenAI(base_url=manager.endpoint, api_key=manager.api_key)  # local placeholder

~8 GB RAM is een realistisch minimum; een GPU/NPU helpt maar is niet verplicht.

Belangrijke patronen om te reproduceren

Verwijs de lerende naar het notitieboek 17-local-agent-foundry-local.ipynb:

• Sandboxed tools: elke bestandstool lost paden op en weigert alles buiten één project-root — zelfs lokaal draait een tool met de permissies van de gebruiker.
• Tool-aanroep lus: registreer tools met het OpenAI tool-schema, voer de gevraagde tools lokaal uit, voed de resultaten terug, herhaal tot een definitief antwoord.
• Lokale RAG: pas documenten toe in een Chroma-collectie; search_docs retourneert top-k fragmenten.
• Lokale MCP: verbind met een lokale server via stdio; scopeer het naar een projectdirectory en valideer de outputs.

Hybride routering (lokaal als één van de modellen)

Situatie	Waar het draait
Gevoelige data / offline	Lokale SLM
Eenvoudige, begrensde taak	Lokale SLM (goedkoop, snel)
Moeilijke multi-hop redenering op niet-gevoelige data	Cloud model
Cloud uitval	Lokale SLM (gracieuze degradatie)

Dit weerspiegelt het modelrouteringsidee uit Les 16, met de werkplek als één van de routes. Geef voorkeur aan ontwerpen die terugvallen op lokaal zodat de agent degradeert in kwaliteit in plaats van volledig faalt.

Veilgheden voor de assistent

• Houd elke bestand/tool operatie beperkt tot een sandboxed projectdirectory.
• Stuur geen code of data naar de cloud wanneer het opgegeven doel van de lerende privacy/offline is — hou de hele pijplijn lokaal.
• Stel realistische verwachtingen voor SLM-kwaliteit; leun op tools en RAG in plaats van op de gememoriseerde kennis van het model.
• Let op dat Les 17 geen Foundry Responses-endpoint heeft, dus de cloud smoke-test actie niet van toepassing is — valideer door het notitieboek lokaal uit te voeren.

---

<!-- CO-OP TRANSLATOR DISCLAIMER START --> Disclaimer: Dit document is vertaald met behulp van de AI vertaaldienst Co-op Translator. Hoewel we streven naar nauwkeurigheid, dient u er rekening mee te houden dat geautomatiseerde vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het originele document in de oorspronkelijke taal moet worden beschouwd als de gezaghebbende bron. Voor kritieke informatie wordt professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor eventuele misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling. <!-- CO-OP TRANSLATOR DISCLAIMER END -->