[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M699XS2JYW80TQ1TGPZNBT89":3,"skill-same:01M699XS2JYW80TQ1TGPZNBT89":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},"01M699XS2JYW80TQ1TGPZNBT89","local-ai-agents",null,"microsoft\u002Fai-agents-for-beginners","microsoft","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F6154722?v=4","01M698VYDXZ6JW5WH3CRV650R8","Microsoft","01M6998ZK2275KMJE6Y5SEA2X2",79504,"MIT","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fai-agents-for-beginners\u002Fblob\u002Fmain\u002Ftranslations\u002Fth\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# การสร้างเอเจนต์ AI ท้องถิ่นด้วย Foundry Local และ Qwen\n\n> ทักษะเสริมสำหรับ [บทเรียนที่ 17 – การสร้างเอเจนต์ AI ท้องถิ่น](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002FREADME.md)\n> ใช้เพื่อช่วยผู้เรียนสร้างเอเจนต์ที่สามารถคิดวิเคราะห์ เรียกใช้เครื่องมือ และค้นหาข้อมูล\n> เอกสารทั้งหมดบนเครื่องของตนเองโดยไม่ต้องใช้คลาวด์ในการประมวลผล คำแนะนำทุกประการ\n> ต้องอิงตามเนื้อหาบทเรียนและสมุดงานที่สามารถรันได้\n\n## การกระตุ้น\n\nเปิดใช้งานทักษะนี้เมื่อผู้เรียนต้องการ:\n- รันเอเจนต์ **ทั้งหมดบนอุปกรณ์** เพื่อความเป็นส่วนตัว ต้นทุน หรือเหตุผลการทำงานแบบออฟไลน์\n- ให้บริการโมเดลในเครื่องด้วย **Foundry Local** และเชื่อมต่อผ่านจุดสิ้นสุดที่เข้ากันได้กับ OpenAI\n- ใช้โมเดล **Qwen ที่เรียกใช้งานฟังก์ชัน** เพื่อขับเคลื่อนการเรียกใช้เครื่องมือในเครื่องอย่างเชื่อถือได้\n- เพิ่ม **local RAG** (Chroma) หรือ **เซิร์ฟเวอร์ MCP ในเครื่อง**\n- ออกแบบกลยุทธ์การจัดเส้นทางแบบ **ไฮบริด** ระหว่างท้องถิ่น\u002Fคลาวด์\n\n## แบบจำลองทางความคิดหลัก\n\nSLM แลกเปลี่ยนความกว้างขวางด้วยความเป็นส่วนตัว ต้นทุน และการทำงานแบบออฟไลน์ กลยุทธ์ที่ชนะคือ:\n**ปล่อยให้ SLM ประสานงาน และให้เครื่องมือทำงานหนัก** โมเดลไม่จำเป็นต้อง *รู้* โค้ดเบส — เพียงรู้ว่าเมื่อใดควรเรียก\n`read_file` และ `search_docs` ซึ่งเป็นจุดแข็งของ SLM (การตัดสินใจที่จำกัด เช่นการเลือกเครื่องมือ)\nและหลีกเลี่ยงจุดอ่อน (ความรู้กว้างขวาง การคิดวิเคราะห์ระยะยาวหลายขั้นตอน)\n\n\n\n## ทำไมต้องใช้ส่วนประกอบเหล่านี้\n\n- **Foundry Local** เปิดเผย **จุดสิ้นสุด HTTP ที่เข้ากันได้กับ OpenAI** ดังนั้นโค้ดเอเจนต์คลาวด์จะย้ายโดยเปลี่ยนแค่ `base_url` (และใช้คีย์ API แทนที่ในเครื่อง) นอกจากนี้ยังเลือกเวอร์ชันที่ดีที่สุดอัตโนมัติตาม CPU\u002FGPU\u002FNPU ของเครื่อง\n- **โมเดล Qwen** ถูกฝึกให้เรียกฟังก์ชันและสร้างการเรียกใช้เครื่องมือที่มีรูปแบบดีอย่างสม่ำเสมอ — นี่คือสิ่งที่เปลี่ยนโมเดล *แชท* ในเครื่องให้เป็น *เอเจนต์* ในเครื่อง\n- **Chroma** ทำงานภายในกระบวนการและเก็บเวกเตอร์ไว้บนดิสก์ ทำให้กระบวนการ RAG ทั้งหมด (ฝัง → เก็บ → ดึง → วิเคราะห์) อยู่ในเครื่องทั้งหมด\n- **MCP** คือระบบขนส่งข้อมูล ไม่ใช่บริการคลาวด์: เซิร์ฟเวอร์ MCP สามารถรันในเครื่องผ่าน `stdio`\n\n## สิ่งจำเป็นในการตั้งค่า\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)  # ตัวแปรแทนที่ภายในท้องถิ่น\n```\n\nRAM ประมาณ 8 GB เป็นขั้นต่ำที่สมเหตุสมผล; GPU\u002FNPU ช่วยได้แต่ไม่จำเป็นต้องมี\n\n## รูปแบบสำคัญที่ควรทำซ้ำ\n\nชี้ผู้เรียนไปที่สมุดงาน\n[`17-local-agent-foundry-local.ipynb`](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002Fcode_samples\u002F17-local-agent-foundry-local.ipynb):\n\n- **เครื่องมือแบบจำกัดบริบท**: เครื่องมือไฟล์แต่ละตัวจะตรวจสอบเส้นทางและปฏิเสธทุกอย่างนอกโฟลเดอร์โครงการเดียว — แม้ในเครื่อง เครื่องมือจะทำงานด้วยสิทธิ์ของผู้ใช้\n- **ลูปเรียกใช้เครื่องมือ**: ลงทะเบียนเครื่องมือด้วยสคีมาของ OpenAI เรียกใช้งานเครื่องมือที่ร้องขอในเครื่อง นำผลลัพธ์กลับมา ทำซ้ำจนได้คำตอบสุดท้าย\n- **Local RAG**: เพิ่มเอกสารลงในคอลเลกชัน Chroma; `search_docs` คืนชิ้นส่วนที่ดีที่สุดจำนวน k\n- **Local MCP**: เชื่อมต่อกับเซิร์ฟเวอร์ในเครื่องผ่าน `stdio`; จำกัดขอบเขตให้โฟลเดอร์โครงการและตรวจสอบผลลัพธ์ที่ได้\n\n## การจัดเส้นทางแบบไฮบริด (ใช้ท้องถิ่นเป็นหนึ่งในโมเดล)\n\n| สถานการณ์ | ที่ที่รัน |\n|-----------|---------------|\n| ข้อมูลที่ละเอียดอ่อน \u002F ออฟไลน์ | SLM ท้องถิ่น |\n| งานง่ายที่จำกัด | SLM ท้องถิ่น (ราคาถูก เร็ว) |\n| การวิเคราะห์หลายขั้นตอนที่ซับซ้อนกับข้อมูลที่ไม่ละเอียดอ่อน | โมเดลคลาวด์ |\n| คลาวด์ล่ม | SLM ท้องถิ่น (เสถียรภาพแบบลดระดับ) |\n\nนี่สะท้อนแนวคิดการจัดเส้นทางโมเดลจากบทที่ 16 โดยที่เวิร์กสเตชันคือหนึ่งในเส้นทาง ชื่นชอบการออกแบบที่ย้อนกลับไปใช้โมเดลในเครื่องเพื่อให้เอเจนต์ลดคุณภาพลง\nแทนที่จะล้มเหลวโดยสิ้นเชิง\n\n\n## แนวทางจำกัดสำหรับผู้ช่วย\n\n- จำกัดการดำเนินการไฟล์\u002Fเครื่องมือแต่ละรายการในโฟลเดอร์โครงการที่ถูกจำกัด\n- ห้ามส่งโค้ดหรือข้อมูลไปคลาวด์เมื่อเป้าหมายของผู้เรียนเน้นความเป็นส่วนตัว\u002Fออฟไลน์ — รักษากระบวนการทั้งหมดให้อยู่ในเครื่อง\n- ตั้งความคาดหวังที่สมจริงเกี่ยวกับคุณภาพของ SLM; พึ่งพาเครื่องมือและ RAG มากกว่าความรู้ที่จำในโมเดล\n- ให้สังเกตว่าบทที่ 17 ไม่มีจุดสิ้นสุด Foundry Responses ดังนั้นการทดสอบแบบคลาวด์จึงไม่เหมาะสม — ตรวจสอบโดยรันสมุดงานในเครื่อง\n\n---\n\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**ปฏิเสธความรับผิดชอบ**:\nเอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI [Co-op Translator](https:\u002F\u002Fgithub.com\u002FAzure\u002Fco-op-translator) ขณะที่เราพยายามให้ความถูกต้อง โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นทางควรถูกพิจารณาเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ แนะนำให้ใช้การแปลโดยมนุษย์มืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดที่เกิดขึ้นจากการใช้การแปลนี้\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER END -->","# การสร้างเอเจนต์ AI ท้องถิ่นด้วย Foundry Local และ Qwen\n\n> ทักษะเสริมสำหรับ [บทเรียนที่ 17 – การสร้างเอเจนต์ AI ท้องถิ่น](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002FREADME.md)\n> ใช้เพื่อช่วยผู้เรียนสร้างเอเจนต์ที่สามารถคิดวิเคราะห์ เรียกใช้เครื่องมือ และค้นหาข้อมูล\n> เอกสารทั้งหมดบนเครื่องของตนเองโดยไม่ต้องใช้คลาวด์ในการประมวลผล คำแนะนำทุกประการ\n> ต้องอิงตามเนื้อหาบทเรียนและสมุดงานที่สามารถรันได้\n\n## การกระตุ้น\n\nเปิดใช้งานทักษะนี้เมื่อผู้เรียนต้องการ:\n- รันเอเจนต์ **ทั้งหมดบนอุปกรณ์** เพื่อความเป็นส่วนตัว ต้นทุน หรือเหตุผลการทำงานแบบออฟไลน์\n- ให้บริการโมเดลในเครื่องด้วย **Foundry Local** และเชื่อมต่อผ่านจุดสิ้นสุดที่เข้ากันได้กับ OpenAI\n- ใช้โมเดล **Qwen ที่เรียกใช้งานฟังก์ชัน** เพื่อขับเคลื่อนการเรียกใช้เครื่องมือในเครื่องอย่างเชื่อถือได้\n- เพิ่ม **local RAG** (Chroma) หรือ **เซิร์ฟเวอร์ MCP ในเครื่อง**\n- ออกแบบกลยุทธ์การจัดเส้นทางแบบ **ไฮบริด** ระหว่างท้องถิ่น\u002Fคลาวด์\n\n## แบบจำลองทางความคิดหลัก\n\nSLM แลกเปลี่ยนความกว้างขวางด้วยความเป็นส่วนตัว ต้นทุน และการทำงานแบบออฟไลน์ กลยุทธ์ที่ชนะคือ:\n**ปล่อยให้ SLM ประสานงาน และให้เครื่องมือทำงานหนัก** โมเดลไม่จำเป็นต้อง *รู้* โค้ดเบส — เพียงรู้ว่าเมื่อใดควรเรียก\n`read_file` และ `search_docs` ซึ่งเป็นจุดแข็งของ SLM (การตัดสินใจที่จำกัด เช่นการเลือกเครื่องมือ)\nและหลีกเลี่ยงจุดอ่อน (ความรู้กว้างขวาง การคิดวิเคราะห์ระยะยาวหลายขั้นตอน)\n\n\n\n## ทำไมต้องใช้ส่วนประกอบเหล่านี้\n\n- **Foundry Local** เปิดเผย **จุดสิ้นสุด HTTP ที่เข้ากันได้กับ OpenAI** ดังนั้นโค้ดเอเจนต์คลาวด์จะย้ายโดยเปลี่ยนแค่ `base_url` (และใช้คีย์ API แทนที่ในเครื่อง) นอกจากนี้ยังเลือกเวอร์ชันที่ดีที่สุดอัตโนมัติตาม CPU\u002FGPU\u002FNPU ของเครื่อง\n- **โมเดล Qwen** ถูกฝึกให้เรียกฟังก์ชันและสร้างการเรียกใช้เครื่องมือที่มีรูปแบบดีอย่างสม่ำเสมอ — นี่คือสิ่งที่เปลี่ยนโมเดล *แชท* ในเครื่องให้เป็น *เอเจนต์* ในเครื่อง\n- **Chroma** ทำงานภายในกระบวนการและเก็บเวกเตอร์ไว้บนดิสก์ ทำให้กระบวนการ RAG ทั้งหมด (ฝัง → เก็บ → ดึง → วิเคราะห์) อยู่ในเครื่องทั้งหมด\n- **MCP** คือระบบขนส่งข้อมูล ไม่ใช่บริการคลาวด์: เซิร์ฟเวอร์ MCP สามารถรันในเครื่องผ่าน `stdio`\n\n## สิ่งจำเป็นในการตั้งค่า\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)  # ตัวแปรแทนที่ภายในท้องถิ่น\n```\n\nRAM ประมาณ 8 GB เป็นขั้นต่ำที่สมเหตุสมผล; GPU\u002FNPU ช่วยได้แต่ไม่จำเป็นต้องมี\n\n## รูปแบบสำคัญที่ควรทำซ้ำ\n\nชี้ผู้เรียนไปที่สมุดงาน\n[`17-local-agent-foundry-local.ipynb`](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002Fcode_samples\u002F17-local-agent-foundry-local.ipynb):\n\n- **เครื่องมือแบบจำกัดบริบท**: เครื่องมือไฟล์แต่ละตัวจะตรวจสอบเส้นทางและปฏิเสธทุกอย่างนอกโฟลเดอร์โครงการเดียว — แม้ในเครื่อง เครื่องมือจะทำงานด้วยสิทธิ์ของผู้ใช้\n- **ลูปเรียกใช้เครื่องมือ**: ลงทะเบียนเครื่องมือด้วยสคีมาของ OpenAI เรียกใช้งานเครื่องมือที่ร้องขอในเครื่อง นำผลลัพธ์กลับมา ทำซ้ำจนได้คำตอบสุดท้าย\n- **Local RAG**: เพิ่มเอกสารลงในคอลเลกชัน Chroma; `search_docs` คืนชิ้นส่วนที่ดีที่สุดจำนวน k\n- **Local MCP**: เชื่อมต่อกับเซิร์ฟเวอร์ในเครื่องผ่าน `stdio`; จำกัดขอบเขตให้โฟลเดอร์โครงการและตรวจสอบผลลัพธ์ที่ได้\n\n## การจัดเส้นทางแบบไฮบริด (ใช้ท้องถิ่นเป็นหนึ่งในโมเดล)\n\n| สถานการณ์ | ที่ที่รัน |\n|-----------|---------------|\n| ข้อมูลที่ละเอียดอ่อน \u002F ออฟไลน์ | SLM ท้องถิ่น |\n| งานง่ายที่จำกัด | SLM ท้องถิ่น (ราคาถูก เร็ว) |\n| การวิเคราะห์หลายขั้นตอนที่ซับซ้อนกับข้อมูลที่ไม่ละเอียดอ่อน | โมเดลคลาวด์ |\n| คลาวด์ล่ม | SLM ท้องถิ่น (เสถียรภาพแบบลดระดับ) |\n\nนี่สะท้อนแนวคิดการจัดเส้นทางโมเดลจากบทที่ 16 โดยที่เวิร์กสเตชันคือหนึ่งในเส้นทาง ชื่นชอบการออกแบบที่ย้อนกลับไปใช้โมเดลในเครื่องเพื่อให้เอเจนต์ลดคุณภาพลง\nแทนที่จะล้มเหลวโดยสิ้นเชิง\n\n\n## แนวทางจำกัดสำหรับผู้ช่วย\n\n- จำกัดการดำเนินการไฟล์\u002Fเครื่องมือแต่ละรายการในโฟลเดอร์โครงการที่ถูกจำกัด\n- ห้ามส่งโค้ดหรือข้อมูลไปคลาวด์เมื่อเป้าหมายของผู้เรียนเน้นความเป็นส่วนตัว\u002Fออฟไลน์ — รักษากระบวนการทั้งหมดให้อยู่ในเครื่อง\n- ตั้งความคาดหวังที่สมจริงเกี่ยวกับคุณภาพของ SLM; พึ่งพาเครื่องมือและ RAG มากกว่าความรู้ที่จำในโมเดล\n- ให้สังเกตว่าบทที่ 17 ไม่มีจุดสิ้นสุด Foundry Responses ดังนั้นการทดสอบแบบคลาวด์จึงไม่เหมาะสม — ตรวจสอบโดยรันสมุดงานในเครื่อง\n\n---\n\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**ปฏิเสธความรับผิดชอบ**:\nเอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI [Co-op Translator](https:\u002F\u002Fgithub.com\u002FAzure\u002Fco-op-translator) ขณะที่เราพยายามให้ความถูกต้อง โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นทางควรถูกพิจารณาเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ แนะนำให้ใช้การแปลโดยมนุษย์มืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดที่เกิดขึ้นจากการใช้การแปลนี้\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER END -->",{"name":5,"license":14},"main","f09e94ffe170f8af6d3db7c42987bbe4db227723","translations\u002Fth\u002F.agents\u002Fskills\u002Flocal-ai-agents",26043,"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\u002Fth\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"]