[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M699V58KNKDWERG7ZX5CNFWQ":3,"skill-same:01M699V58KNKDWERG7ZX5CNFWQ":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},"01M699V58KNKDWERG7ZX5CNFWQ","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\u002Fsl\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# Ustvarjanje lokalnih AI agentov s Foundry Local in Qwen\n\n> Spremljevalna veščina za [Lekcija 17 – Ustvarjanje lokalnih AI agentov](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002FREADME.md).\n> Uporabi jo, da pomaga učencu zgraditi agenta, ki samostojno razmišlja, kliče orodja in išče\n> dokumentacijo povsem na lastnem računalniku — brez oblačnega sklepanja. Vsako\n> priporočilo poveži z vsebino lekcije in izvedljivim zvezkom.\n\n## Sprožilci\n\nAktiviraj to veščino, ko učenec želi:\n- Zagnati agenta **popolnoma na napravi** zaradi zasebnosti, stroškov ali brez povezave.\n- Postreči model lokalno z **Foundry Local** in se povezati prek OpenAI združljivega konektorja.\n- Uporabiti model **Qwen za klicanje funkcij** za zanesljive lokalne klice orodij.\n- Dodati **lokalni RAG** (Chroma) ali **lokalni MCP strežnik**.\n- Oblikovati **hibridno** usmerjevalno strategijo lokalno\u002Foblak.\n\n## Osnovni mentalni model\n\nSLM zamenja širino za zasebnost, stroške in delovanje brez povezave. Zmagovalna\nstrategija: **dovoli, da SLM usmerja in naj orodja opravijo težko delo.** Model\nne potrebuje, da *pozna* kodo — mora vedeti, kdaj poklicati\n`read_file` in `search_docs`. To izkorišča prednosti SLM (omejene odločitve,\nkot je izbira orodij) in se izogiba njegovim slabostim (široko znanje, dolgoročno večstopenjsko\nsklepanje).\n\n## Zakaj prav ti deli\n\n- **Foundry Local** izpostavlja **OpenAI združljiv HTTP konektor**, tako se koda oblaka prenese samo z zamenjavo `base_url` (in uporabo lokalnega nadomestnega API ključa). Prav tako samodejno izbere najboljšo gradnjo (CPU\u002FGPU\u002FNPU) za napravo.\n- Modeli **Qwen** so usposobljeni za klic funkcij in dosledno ustvarjajo dobro oblikovane klice orodij — to spremeni lokalni *klepetalni* model v lokalnega *agenta*.\n- **Chroma** deluje znotraj procesa in shranjuje vektorje na disku, tako celoten RAG cevovod (vstavljanje → shranjevanje → pridobivanje → sklepanje) ostane lokalni.\n- **MCP** je prenos, ne oblačna storitev: MCP strežnik lahko teče lokalno preko `stdio`.\n\n## Osnove nastavitve\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)  # lokalni rezervni prostor\n```\n\n~8 GB RAM je realna minimum; GPU\u002FNPU pomaga, vendar ni nujen.\n\n## Ključni vzorci za ponovitev\n\nUsmeri učenca na zvezek\n[`17-local-agent-foundry-local.ipynb`](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002Fcode_samples\u002F17-local-agent-foundry-local.ipynb):\n\n- **Orodja v peskovniku**: vsako orodje za datoteke rešuje poti in zavrne vse zunaj enega projekta — tudi lokalno orodje teče z uporabnikovimi dovoljenji.\n- **Zanka za klic orodij**: registriraj orodja po OpenAI shemi orodij, lokalno izvedi zahtevana orodja, vrni rezultate in ponovi, dokler ni končnega odgovora.\n- **Lokalni RAG**: vstavi dokumente v Chroma zbirko; `search_docs` vrne najboljše kose.\n- **Lokalni MCP**: poveži se na lokalni strežnik preko `stdio`; omeji na projektno mapo in preveri njegove izhode.\n\n## Hibridno usmerjanje (lokalno kot en izmed modelov)\n\n| Situacija | Kje teče |\n|-----------|---------------|\n| Zaupni podatki \u002F brez povezave | Lokalni SLM |\n| Enostavna, omejena naloga | Lokalni SLM (ceneje, hitreje) |\n| Zahtevno večstopenjsko sklepanje na nezaupnih podatkih | Model v oblaku |\n| Izpad oblaka | Lokalni SLM (vljudno degradiranje) |\n\nTo zrcali idejo usmerjanja modela iz Lekcije 16, kjer je delovna postaja ena\nod poti. Prednost daj zasnovam, ki se priklenejo nazaj na lokalno, da agent upada v\nkakovosti namesto da popolnoma odpove.\n\n## Zaščitne ograje za asistenta\n\n- Večino operacij z datotekami\u002Forodji omeji na peskovniško projektno mapo.\n- Ne pošiljaj kode ali podatkov v oblak, ko je cilj učenca zasebnost\u002Fbrez povezave — naj celoten cevovod ostane lokalni.\n- Nastavi realna pričakovanja za kakovost SLM; opiraj se na orodja in RAG namesto na modelovo zapomnjeno znanje.\n- Upoštevaj, da Lekcija 17 nima **Foundry Responses** konektorja, zato oblačni test ni uporaben — preveri z zagonom zvezka lokalno.\n\n---\n\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**Omejitev odgovornosti**:\nTa dokument je bil preveden z uporabo AI prevajalske storitve [Co-op Translator](https:\u002F\u002Fgithub.com\u002FAzure\u002Fco-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da avtomatizirani prevodi lahko vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za kritične informacije je priporočljiv strokovni človeški prevod. Ne odgovarjamo za morebitna nesporazume ali napačne interpretacije, ki izhajajo iz uporabe tega prevoda.\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER END -->","# Ustvarjanje lokalnih AI agentov s Foundry Local in Qwen\n\n> Spremljevalna veščina za [Lekcija 17 – Ustvarjanje lokalnih AI agentov](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002FREADME.md).\n> Uporabi jo, da pomaga učencu zgraditi agenta, ki samostojno razmišlja, kliče orodja in išče\n> dokumentacijo povsem na lastnem računalniku — brez oblačnega sklepanja. Vsako\n> priporočilo poveži z vsebino lekcije in izvedljivim zvezkom.\n\n## Sprožilci\n\nAktiviraj to veščino, ko učenec želi:\n- Zagnati agenta **popolnoma na napravi** zaradi zasebnosti, stroškov ali brez povezave.\n- Postreči model lokalno z **Foundry Local** in se povezati prek OpenAI združljivega konektorja.\n- Uporabiti model **Qwen za klicanje funkcij** za zanesljive lokalne klice orodij.\n- Dodati **lokalni RAG** (Chroma) ali **lokalni MCP strežnik**.\n- Oblikovati **hibridno** usmerjevalno strategijo lokalno\u002Foblak.\n\n## Osnovni mentalni model\n\nSLM zamenja širino za zasebnost, stroške in delovanje brez povezave. Zmagovalna\nstrategija: **dovoli, da SLM usmerja in naj orodja opravijo težko delo.** Model\nne potrebuje, da *pozna* kodo — mora vedeti, kdaj poklicati\n`read_file` in `search_docs`. To izkorišča prednosti SLM (omejene odločitve,\nkot je izbira orodij) in se izogiba njegovim slabostim (široko znanje, dolgoročno večstopenjsko\nsklepanje).\n\n## Zakaj prav ti deli\n\n- **Foundry Local** izpostavlja **OpenAI združljiv HTTP konektor**, tako se koda oblaka prenese samo z zamenjavo `base_url` (in uporabo lokalnega nadomestnega API ključa). Prav tako samodejno izbere najboljšo gradnjo (CPU\u002FGPU\u002FNPU) za napravo.\n- Modeli **Qwen** so usposobljeni za klic funkcij in dosledno ustvarjajo dobro oblikovane klice orodij — to spremeni lokalni *klepetalni* model v lokalnega *agenta*.\n- **Chroma** deluje znotraj procesa in shranjuje vektorje na disku, tako celoten RAG cevovod (vstavljanje → shranjevanje → pridobivanje → sklepanje) ostane lokalni.\n- **MCP** je prenos, ne oblačna storitev: MCP strežnik lahko teče lokalno preko `stdio`.\n\n## Osnove nastavitve\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)  # lokalni rezervni prostor\n```\n\n~8 GB RAM je realna minimum; GPU\u002FNPU pomaga, vendar ni nujen.\n\n## Ključni vzorci za ponovitev\n\nUsmeri učenca na zvezek\n[`17-local-agent-foundry-local.ipynb`](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002Fcode_samples\u002F17-local-agent-foundry-local.ipynb):\n\n- **Orodja v peskovniku**: vsako orodje za datoteke rešuje poti in zavrne vse zunaj enega projekta — tudi lokalno orodje teče z uporabnikovimi dovoljenji.\n- **Zanka za klic orodij**: registriraj orodja po OpenAI shemi orodij, lokalno izvedi zahtevana orodja, vrni rezultate in ponovi, dokler ni končnega odgovora.\n- **Lokalni RAG**: vstavi dokumente v Chroma zbirko; `search_docs` vrne najboljše kose.\n- **Lokalni MCP**: poveži se na lokalni strežnik preko `stdio`; omeji na projektno mapo in preveri njegove izhode.\n\n## Hibridno usmerjanje (lokalno kot en izmed modelov)\n\n| Situacija | Kje teče |\n|-----------|---------------|\n| Zaupni podatki \u002F brez povezave | Lokalni SLM |\n| Enostavna, omejena naloga | Lokalni SLM (ceneje, hitreje) |\n| Zahtevno večstopenjsko sklepanje na nezaupnih podatkih | Model v oblaku |\n| Izpad oblaka | Lokalni SLM (vljudno degradiranje) |\n\nTo zrcali idejo usmerjanja modela iz Lekcije 16, kjer je delovna postaja ena\nod poti. Prednost daj zasnovam, ki se priklenejo nazaj na lokalno, da agent upada v\nkakovosti namesto da popolnoma odpove.\n\n## Zaščitne ograje za asistenta\n\n- Večino operacij z datotekami\u002Forodji omeji na peskovniško projektno mapo.\n- Ne pošiljaj kode ali podatkov v oblak, ko je cilj učenca zasebnost\u002Fbrez povezave — naj celoten cevovod ostane lokalni.\n- Nastavi realna pričakovanja za kakovost SLM; opiraj se na orodja in RAG namesto na modelovo zapomnjeno znanje.\n- Upoštevaj, da Lekcija 17 nima **Foundry Responses** konektorja, zato oblačni test ni uporaben — preveri z zagonom zvezka lokalno.\n\n---\n\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**Omejitev odgovornosti**:\nTa dokument je bil preveden z uporabo AI prevajalske storitve [Co-op Translator](https:\u002F\u002Fgithub.com\u002FAzure\u002Fco-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da avtomatizirani prevodi lahko vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za kritične informacije je priporočljiv strokovni človeški prevod. Ne odgovarjamo za morebitna nesporazume ali napačne interpretacije, ki izhajajo iz uporabe tega prevoda.\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER END -->",{"name":5,"license":14},"main","f09e94ffe170f8af6d3db7c42987bbe4db227723","translations\u002Fsl\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\u002Fsl\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"]