local-ai-agents
暂无简介
- License 许可
- MIT
- 最近更新
- 2026-11-07
- Stars
- ★ 7.9w
- Forks
- 2.6w
01 前言 Front Matter
- name
- local-ai-agents
- license
- MIT
02 资源文件 2
- 参考文档references/consumer-adapters.md2.0 KB
- 参考文档references/tokens.md3.0 KB
03 SKILL.md 正文
使用 Foundry Local 和 Qwen 建立本地 AI 代理
與課程 17 – 建立本地 AI 代理 的輔助技能。 幫助學習者在他們自己的機器上構建一個能推理、調用工具並搜尋 文件的代理 — 完全不依賴雲端推理。每一項建議都基於課程內容和可運行的筆記本。
- 為了隱私、成本或離線原因,<strong>完全在設備上</strong>運行代理。
- 使用 Foundry Local 於本地部署模型,並透過 OpenAI 相容端點連接。
- 使用 Qwen 函數調用 模型來驅動可靠的本地工具調用。
- 添加 本地 RAG(Chroma)或者 本地 MCP 服務器。
- 設計 <strong>混合式</strong> 本地/雲端路由策略。
讓 SLM 負責協調,並讓工具承擔繁重工作。 模型不需要 <em>知道</em> 程式碼庫 — 它只需要知道什麼時候調用
策略:讓 SLM 來協調,並讓工具負責繁重工作。 模型不需要<em>知道</em>代碼庫——它只需知道何時呼叫
model does not need to know the codebase — it needs to know when to call
read_file 和 search_docs。這符合 SLM 的優勢(有界決策
如工具選擇)並避開其弱點(廣泛知識、長多跳推理)。
為什麼是這些特定部分
- Foundry Local 暴露了一個 與 OpenAI 相容的 HTTP 端點,因此雲端代理代碼只需更改
base_url(並使用本地的佔位符 API 金鑰)即可轉移。它還會自動為該設備選擇最佳的構建(CPU/GPU/NPU)。 - Qwen 模型訓練用於函數呼叫,並穩定傳出格式良好的工具呼叫 —— 這就是將本地聊天模型轉變為本地代理的關鍵。
- Chroma 在同一進程中運行並將向量存儲於磁盤,因此整個 RAG 流程(嵌入 → 存儲 → 檢索 → 推理)保持本地化。
- MCP 是一種傳輸工具,而非雲服務:MCP 伺服器可以透過
stdio在本地運行。
基本設置要點
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
約需 8 GB RAM 是現實的最低需求;GPU/NPU 有助益但非必須。
關鍵模式重現
指向學習者筆記本
17-local-agent-foundry-local.ipynb:
- <strong>受沙盒限制的工具</strong>:每個文件工具解析路徑,並拒絕任何單一專案根目錄外的請求 —— 即使在本地,工具也在使用者權限下運行。
- <strong>工具呼叫迴圈</strong>:使用 OpenAI 工具架構註冊工具,在本地執行請求的工具,反饋結果,重複直到得出最終答案。
- 本地 RAG:將文件上傳至 Chroma 集合;
search_docs返回 top-k 片段。 - 本地 MCP:通過
stdio連接到本地伺服器;將其範圍限定於項目目錄並驗證其輸出。
混合路由(本地作為其中一個模型)
| 情境 | 運行地點 |
|---|---|
| 敏感數據/離線 | 本地 SLM |
| 簡單、範圍有限的任務 | 本地 SLM(廉價且快速) |
| 複雜的多步推理且非敏感數據 | 雲端模型 |
| 雲端故障 | 本地 SLM(漸進式降級) |
此方法反映第 16 課的模型路由概念,將工作站作為其中一條路由。優先考慮可回退到本地的設計,讓代理程式在品質上漸進下降,而非完全失效。
助理的防護措施
- 保持所有檔案/工具操作限定於沙盒化的項目目錄內。
- 當學習者的明確目標是隱私或離線時,切勿將代碼或數據發送到雲端 —— 保持整個流程在本地完成。
- 設置對 SLM 品質的合理預期;依賴工具和 RAG,而非模型的記憶知識。
- 注意第 17 課 <strong>沒有</strong> Foundry Responses 端點,因此雲端煙霧測試操作不適用 —— 請通過在本地運行筆記本進行驗證。
<!-- CO-OP TRANSLATOR DISCLAIMER START --> 免責聲明: 本文件由 AI 翻譯服務 Co-op Translator 翻譯而成。雖然我們致力於確保準確性,但請注意,機器自動翻譯可能包含錯誤或不準確之處。原始文件的母語版本應被視為權威來源。對於重要資訊,建議進行專業人工翻譯。我們不對因使用本翻譯而產生的任何誤解或誤釋承擔責任。 <!-- CO-OP TRANSLATOR DISCLAIMER END -->
04 同仓库更多 Skills
testing-course-samples
暂无简介
microsoft-docs
暂无简介
local-ai-agents
暂无简介
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。
deploying-scalable-agents
暂无简介
azure-openai-to-responses
暂无简介