[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M699ZM8GQZ5NPRRZ2C1N6BVH":3,"skill-same:01M699ZM8GQZ5NPRRZ2C1N6BVH":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},"01M699ZM8GQZ5NPRRZ2C1N6BVH","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\u002Fur\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 اور Qwen کے ساتھ مقامی AI ایجنٹس بنانا\n\n> [سبق 17 – مقامی AI ایجنٹس بنانا](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002FREADME.md) کے لئے ہمراہ مہارت۔\n> اسے استعمال کریں تاکہ ایک سیکھنے والا ایک ایسا ایجنٹ بنا سکے جو سوچتا ہے، ٹولز کو کال کرتا ہے، اور\n> دستاویزات کو مکمل طور پر اپنے ہی مشین پر تلاش کرتا ہے — کوئی کلاؤڈ انفرنس نہیں۔\n> ہر سفارش کو سبق کے مواد اور قابلِ چلانے نوٹ بک کے ساتھ منسلک کریں۔\n\n## محرکات\n\nجب کوئی سیکھنے والا چاہتا ہے تو اس مہارت کو فعال کریں:\n- ایک ایجنٹ کو **مکمل طور پر ڈیوائس پر** پرائیویسی، قیمت، یا آف لائن وجوہات کے لئے چلائیں۔\n- **Foundry Local** کے ساتھ ماڈل کو مقامی طور پر فراہم کریں اور OpenAI-مطابقت پذیر اینڈپوائنٹ کے ذریعے کنیکٹ کریں۔\n- قابلِ اعتماد مقامی ٹول کالز کے لئے **Qwen فنکشن-کالنگ** ماڈل استعمال کریں۔\n- **مقامی RAG** (Chroma) یا **مقامی MCP سرور** شامل کریں۔\n- **ہائبرڈ** مقامی\u002Fکلاؤڈ روٹنگ حکمت عملی ڈیزائن کریں۔\n\n## بنیادی ذہنی ماڈل\n\nایک SLM پرائیویسی، قیمت، اور آف لائن آپریشن کے لئے وسعت کو قربان کرتا ہے۔ فاتح حکمت عملی:\n**ایس ایل ایم کو منظم کرنے دیں اور ٹولز کو بھاری کام کرنے کی اجازت دیں۔** ماڈل کو کوڈ بیس *جاننے*\nکی ضرورت نہیں — اسے یہ جاننا ہوتا ہے کہ کب `read_file` اور `search_docs` کو کال کرنا ہے۔\nیہ SLM کی طاقت (محدود فیصلے جیسے ٹول انتخاب) کو بڑھاتا ہے اور اس کی کمزوری (وسیع علم، لمبی کثیر مرحلہ\nاستدلال) سے ہٹاتا ہے۔\n\n\n## یہ مخصوص حصے کیوں؟\n\n- **Foundry Local** ایک **OpenAI-مطابق HTTP اینڈپوائنٹ** فراہم کرتا ہے، لہٰذا کلاؤڈ ایجنٹ کوڈ صرف `base_url` کو تبدیل کرکے (اور مقامی Placeholder API کلید استعمال کرکے) منتقل ہو جاتا ہے۔ یہ خودبخود مشین کے لیے بہترین بلڈ (CPU\u002FGPU\u002FNPU) بھی منتخب کرتا ہے۔\n- **Qwen** ماڈلز فنکشن کالنگ کے لیے تربیت یافتہ ہیں اور مسلسل خوبصورت ٹول کالز جاری کرتے ہیں — یہی چیز ایک مقامی *چیٹ* ماڈل کو ایک مقامی *ایجنٹ* میں تبدیل کرتی ہے۔\n- **Chroma** پروسس میں چلتا ہے اور ویکٹرز کو ڈسک پر ذخیرہ کرتا ہے، لہٰذا پورا RAG پائپ لائن (ایمبیڈ → اسٹور → بازیافت → استدلال) مقامی رہتا ہے۔\n- **MCP** ایک ٹرانسپورٹ ہے، کوئی کلاؤڈ سروس نہیں: ایک MCP سرور `stdio` پر مقامی طور پر چل سکتا ہے۔\n\n## سیٹ اپ کے لازمی نکات\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\nتقریباً 8 جی بی ریم ایک حقیقی کم از کم ہے؛ GPU\u002FNPU مدد دیتا ہے لیکن ضروری نہیں۔\n\n## نقل کرنے کے لیے کلیدی پیٹرنز\n\nلرنر کو نوٹ بک کی سمت کریں\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**: ہر فائل ٹول راستے حل کرتا ہے اور کسی بھی چیز کو جو ایک پروجیکٹ روٹ سے باہر ہو مسترد کر دیتا ہے — یہاں تک کہ مقامی طور پر، ٹول صارف کی اجازتوں کے ساتھ چلتا ہے۔\n- **Tool-calling loop**: OpenAI ٹولز اسکیمہ کے ساتھ ٹولز رجسٹر کریں، مقامی طور پر درکار ٹولز چلائیں، نتائج واپس کھلائیں، جب تک کہ حتمی جواب نہ مل جائے دہرائیں۔\n- **Local RAG**: دستاویزات کو Chroma کلیکشن میں اپسرٹ کریں؛ `search_docs` ٹاپ-k ٹکڑے واپس کرتا ہے۔\n- **Local MCP**: مقامی سرور سے `stdio` کے ذریعے جڑیں؛ اسے ایک پروجیکٹ ڈائریکٹری تک محدود کریں اور اس کے آؤٹ پٹ کی تصدیق کریں۔\n\n## ہائبرڈ روٹنگ (ماڈلز میں سے ایک کے طور پر مقامی)\n\n| صورتحال | کہاں چلتا ہے |\n|-----------|---------------|\n| حساس ڈیٹا \u002F آف لائن | مقامی SLM |\n| سادہ، محدود کام | مقامی SLM (سستا، تیز) |\n| مشکل ملٹی-ہاپ استدلال غیر حساس ڈیٹا پر | کلاؤڈ ماڈل |\n| کلاؤڈ کا بند ہونا | مقامی SLM (موزوں کمی) |\n\nیہ سبق 16 کے ماڈل روٹنگ خیال کی عکاسی کرتا ہے، جس میں ورک اسٹیشن روٹوں میں سے ایک ہے۔\nایسی ڈیزائنز کو ترجیح دیں جو مقامی پر واپس آ سکیں تاکہ ایجنٹ معیار میں کمی کرے نہ کہ مکمل ناکام ہو جائے۔\n\n\n\n\n- جب لرنر کا واضح مقصد پرائیویسی\u002Fآف لائن ہو تو کوڈ یا ڈیٹا کلاؤڈ کو نہ بھیجیں — پورا پائپ لائن مقامی رکھیں۔\n- SLM کے معیار کے لیے حقیقت پسندانہ توقعات قائم کریں؛ ماڈل کے یاد شدہ علم کی بجائے ٹولز اور RAG پر انحصار کریں۔\n- نوٹ کریں کہ سبق 17 میں **کوئی** Foundry Responses اینڈپوائنٹ نہیں ہے، لہٰذا کلاؤڈ کی سموک ٹیسٹ کارروائی لاگو نہیں ہوتی — نوٹ بک کو مقامی طور پر چلا کر تصدیق کریں۔\n- نوٹ کریں کہ سبق 17 میں **کوئی** Foundry Responses اینڈ پوائنٹ نہیں ہے، اس لیے کلاؤڈ سموک ٹیسٹ ایکشن لاگو نہیں ہوتا — نوٹ بک کو مقامی طور پر چلا کر تصدیق کریں۔\n\n---\n\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**ڈس کلیمر**:\nیہ دستاویز AI ترجمہ سروس [Co-op Translator](https:\u002F\u002Fgithub.com\u002FAzure\u002Fco-op-translator) کے ذریعے ترجمہ کی گئی ہے۔ جبکہ ہم درستگی کے لیے کوشاں ہیں، براہ کرم اس بات سے آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا عدم درستیاں ہو سکتی ہیں۔ اصل دستاویز اپنے مادری زبان میں مستند ماخذ سمجھی جائے گی۔ حساس معلومات کے لیے پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کی ذمہ داری ہم قبول نہیں کرتے۔\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER END -->","# Foundry Local اور Qwen کے ساتھ مقامی AI ایجنٹس بنانا\n\n> [سبق 17 – مقامی AI ایجنٹس بنانا](..\u002F..\u002F..\u002F17-creating-local-ai-agents\u002FREADME.md) کے لئے ہمراہ مہارت۔\n> اسے استعمال کریں تاکہ ایک سیکھنے والا ایک ایسا ایجنٹ بنا سکے جو سوچتا ہے، ٹولز کو کال کرتا ہے، اور\n> دستاویزات کو مکمل طور پر اپنے ہی مشین پر تلاش کرتا ہے — کوئی کلاؤڈ انفرنس نہیں۔\n> ہر سفارش کو سبق کے مواد اور قابلِ چلانے نوٹ بک کے ساتھ منسلک کریں۔\n\n## محرکات\n\nجب کوئی سیکھنے والا چاہتا ہے تو اس مہارت کو فعال کریں:\n- ایک ایجنٹ کو **مکمل طور پر ڈیوائس پر** پرائیویسی، قیمت، یا آف لائن وجوہات کے لئے چلائیں۔\n- **Foundry Local** کے ساتھ ماڈل کو مقامی طور پر فراہم کریں اور OpenAI-مطابقت پذیر اینڈپوائنٹ کے ذریعے کنیکٹ کریں۔\n- قابلِ اعتماد مقامی ٹول کالز کے لئے **Qwen فنکشن-کالنگ** ماڈل استعمال کریں۔\n- **مقامی RAG** (Chroma) یا **مقامی MCP سرور** شامل کریں۔\n- **ہائبرڈ** مقامی\u002Fکلاؤڈ روٹنگ حکمت عملی ڈیزائن کریں۔\n\n## بنیادی ذہنی ماڈل\n\nایک SLM پرائیویسی، قیمت، اور آف لائن آپریشن کے لئے وسعت کو قربان کرتا ہے۔ فاتح حکمت عملی:\n**ایس ایل ایم کو منظم کرنے دیں اور ٹولز کو بھاری کام کرنے کی اجازت دیں۔** ماڈل کو کوڈ بیس *جاننے*\nکی ضرورت نہیں — اسے یہ جاننا ہوتا ہے کہ کب `read_file` اور `search_docs` کو کال کرنا ہے۔\nیہ SLM کی طاقت (محدود فیصلے جیسے ٹول انتخاب) کو بڑھاتا ہے اور اس کی کمزوری (وسیع علم، لمبی کثیر مرحلہ\nاستدلال) سے ہٹاتا ہے۔\n\n\n## یہ مخصوص حصے کیوں؟\n\n- **Foundry Local** ایک **OpenAI-مطابق HTTP اینڈپوائنٹ** فراہم کرتا ہے، لہٰذا کلاؤڈ ایجنٹ کوڈ صرف `base_url` کو تبدیل کرکے (اور مقامی Placeholder API کلید استعمال کرکے) منتقل ہو جاتا ہے۔ یہ خودبخود مشین کے لیے بہترین بلڈ (CPU\u002FGPU\u002FNPU) بھی منتخب کرتا ہے۔\n- **Qwen** ماڈلز فنکشن کالنگ کے لیے تربیت یافتہ ہیں اور مسلسل خوبصورت ٹول کالز جاری کرتے ہیں — یہی چیز ایک مقامی *چیٹ* ماڈل کو ایک مقامی *ایجنٹ* میں تبدیل کرتی ہے۔\n- **Chroma** پروسس میں چلتا ہے اور ویکٹرز کو ڈسک پر ذخیرہ کرتا ہے، لہٰذا پورا RAG پائپ لائن (ایمبیڈ → اسٹور → بازیافت → استدلال) مقامی رہتا ہے۔\n- **MCP** ایک ٹرانسپورٹ ہے، کوئی کلاؤڈ سروس نہیں: ایک MCP سرور `stdio` پر مقامی طور پر چل سکتا ہے۔\n\n## سیٹ اپ کے لازمی نکات\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\nتقریباً 8 جی بی ریم ایک حقیقی کم از کم ہے؛ GPU\u002FNPU مدد دیتا ہے لیکن ضروری نہیں۔\n\n## نقل کرنے کے لیے کلیدی پیٹرنز\n\nلرنر کو نوٹ بک کی سمت کریں\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**: ہر فائل ٹول راستے حل کرتا ہے اور کسی بھی چیز کو جو ایک پروجیکٹ روٹ سے باہر ہو مسترد کر دیتا ہے — یہاں تک کہ مقامی طور پر، ٹول صارف کی اجازتوں کے ساتھ چلتا ہے۔\n- **Tool-calling loop**: OpenAI ٹولز اسکیمہ کے ساتھ ٹولز رجسٹر کریں، مقامی طور پر درکار ٹولز چلائیں، نتائج واپس کھلائیں، جب تک کہ حتمی جواب نہ مل جائے دہرائیں۔\n- **Local RAG**: دستاویزات کو Chroma کلیکشن میں اپسرٹ کریں؛ `search_docs` ٹاپ-k ٹکڑے واپس کرتا ہے۔\n- **Local MCP**: مقامی سرور سے `stdio` کے ذریعے جڑیں؛ اسے ایک پروجیکٹ ڈائریکٹری تک محدود کریں اور اس کے آؤٹ پٹ کی تصدیق کریں۔\n\n## ہائبرڈ روٹنگ (ماڈلز میں سے ایک کے طور پر مقامی)\n\n| صورتحال | کہاں چلتا ہے |\n|-----------|---------------|\n| حساس ڈیٹا \u002F آف لائن | مقامی SLM |\n| سادہ، محدود کام | مقامی SLM (سستا، تیز) |\n| مشکل ملٹی-ہاپ استدلال غیر حساس ڈیٹا پر | کلاؤڈ ماڈل |\n| کلاؤڈ کا بند ہونا | مقامی SLM (موزوں کمی) |\n\nیہ سبق 16 کے ماڈل روٹنگ خیال کی عکاسی کرتا ہے، جس میں ورک اسٹیشن روٹوں میں سے ایک ہے۔\nایسی ڈیزائنز کو ترجیح دیں جو مقامی پر واپس آ سکیں تاکہ ایجنٹ معیار میں کمی کرے نہ کہ مکمل ناکام ہو جائے۔\n\n\n\n\n- جب لرنر کا واضح مقصد پرائیویسی\u002Fآف لائن ہو تو کوڈ یا ڈیٹا کلاؤڈ کو نہ بھیجیں — پورا پائپ لائن مقامی رکھیں۔\n- SLM کے معیار کے لیے حقیقت پسندانہ توقعات قائم کریں؛ ماڈل کے یاد شدہ علم کی بجائے ٹولز اور RAG پر انحصار کریں۔\n- نوٹ کریں کہ سبق 17 میں **کوئی** Foundry Responses اینڈپوائنٹ نہیں ہے، لہٰذا کلاؤڈ کی سموک ٹیسٹ کارروائی لاگو نہیں ہوتی — نوٹ بک کو مقامی طور پر چلا کر تصدیق کریں۔\n- نوٹ کریں کہ سبق 17 میں **کوئی** Foundry Responses اینڈ پوائنٹ نہیں ہے، اس لیے کلاؤڈ سموک ٹیسٹ ایکشن لاگو نہیں ہوتا — نوٹ بک کو مقامی طور پر چلا کر تصدیق کریں۔\n\n---\n\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**ڈس کلیمر**:\nیہ دستاویز AI ترجمہ سروس [Co-op Translator](https:\u002F\u002Fgithub.com\u002FAzure\u002Fco-op-translator) کے ذریعے ترجمہ کی گئی ہے۔ جبکہ ہم درستگی کے لیے کوشاں ہیں، براہ کرم اس بات سے آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا عدم درستیاں ہو سکتی ہیں۔ اصل دستاویز اپنے مادری زبان میں مستند ماخذ سمجھی جائے گی۔ حساس معلومات کے لیے پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کی ذمہ داری ہم قبول نہیں کرتے۔\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER END -->",{"name":5,"license":14},"main","f09e94ffe170f8af6d3db7c42987bbe4db227723","translations\u002Fur\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\u002Fur\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"]