Microsoft Tworzenie lokalnych agentów AI za pomocą Foundry Local i Qwen
Umiejętność towarzysząca do Lekcji 17 – Tworzenie lokalnych agentów AI. Użyj jej, aby pomóc uczniowi zbudować agenta, który samodzielnie rozumuje, wywołuje narzędzia i przeszukuje dokumentację w całości na własnym komputerze — bez inferencji w chmurze. Każdą rekomendację oprzyj na treści lekcji i działającym notatniku.
Wyzwalacze
Aktywuj tę umiejętność, gdy uczeń chce:
- Uruchomić agenta w pełni na urządzeniu ze względów prywatności, kosztów lub pracy offline.
- Udostępnić model lokalnie za pomocą Foundry Local i połączyć się przez zgodny z OpenAI punkt końcowy.
- Użyć modelu Qwen z wywoływaniem funkcji do niezawodnego lokalnego wywoływania narzędzi.
- Dodać lokalne RAG (Chroma) lub lokalny serwer MCP.
- Zaprojektować hybrydową strategię trasowania lokalnego/chmurowego.
Podstawowy model mentalny
SLM wymienia rozległość na prywatność, koszt i działanie offline. Zwycięska
strategia: pozwól SLM orkiestrze, a narzędziom na ciężką pracę. Model
nie musi znać kodu — musi wiedzieć, kiedy wywołać read_file i search_docs. To gra do siły SLM (ograniczone decyzje
jak wybór narzędzi) i unika jego słabości (szeroka wiedza, długie wnioskowanie wieloetapowe).
Dlaczego te konkretne elementy
- Foundry Local udostępnia zgodny z OpenAI punkt końcowy HTTP, więc kod agenta w chmurze przenosi się przez zmianę tylko
base_url(i używanie lokalnego zastępczego klucza API). Automatycznie wybiera najlepszą wersję (CPU/GPU/NPU) dla maszyny. - Modele Qwen są trenowane do wywoływania funkcji i konsekwentnie generują dobrze uformowane wywołania narzędzi — to właśnie zmienia lokalny model chat w lokalnego agenta.
- Chroma działa w procesie i przechowuje wektory na dysku, więc cały pipeline RAG (osadź → zapisz → wyszukaj → rozumuj) pozostaje lokalny.
- MCP to transport, a nie usługa chmurowa: serwer MCP może działać lokalnie przez
stdio.
Podstawy konfiguracji
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) # lokalny zastępczy znak
~8 GB RAM to realistyczne minimum; GPU/NPU pomaga, ale nie jest wymagane.
Kluczowe wzorce do odtworzenia
Wskaż uczniowi notatnik
17-local-agent-foundry-local.ipynb:
- Narzędzia w piaskownicy: każde narzędzie plikowe rozwiązuje ścieżki i odrzuca wszystko poza pojedynczym katalogiem projektu — nawet lokalnie narzędzie działa z uprawnieniami użytkownika.
- Pętla wywoływania narzędzi: rejestruj narzędzia według schematu narzędzi OpenAI, wykonuj żądane narzędzia lokalnie, podawaj wyniki z powrotem, powtarzaj aż do uzyskania ostatecznej odpowiedzi.
- Lokalne RAG: dodawaj dokumenty do kolekcji Chroma;
search_docszwraca najlepsze fragmenty. - Lokalny MCP: łącz się z lokalnym serwerem przez
stdio; ogranicz go do katalogu projektu i waliduj jego wyniki.
Hybrydowe trasowanie (lokalne jako jeden z modeli)
| Sytuacja | Gdzie działa |
|---|---|
| Wrażliwe dane / offline | Lokalny SLM |
| Proste, ograniczone zadanie | Lokalny SLM (tani, szybki) |
| Trudne wieloetapowe rozumowanie na danych niewrażliwych | Model w chmurze |
| Przerwa w działaniu chmury | Lokalny SLM (łagodne pogorszenie) |
To odzwierciedla pomysł trasowania modeli z Lekcji 16, gdzie stacja robocza jest jednym z tras. Preferuj projekty, które przełączają się na lokalne, aby agent obniżał jakość zamiast całkowicie zawieść.
Ograniczenia dla asystenta
- Każda operacja na pliku/narzędziu musi być ograniczona do katalogu projektu w piaskownicy.
- Nie wysyłaj kodu ani danych do chmury, gdy celem ucznia jest prywatność/offline — trzymaj cały pipeline lokalnie.
- Ustal realistyczne oczekiwania co do jakości SLM; polegaj na narzędziach i RAG zamiast na zapamiętanej wiedzy modelu.
- Zauważ, że Lekcja 17 nie ma punktu końcowego Foundry Responses, więc test dymny w chmurze nie ma zastosowania — weryfikuj przez uruchomienie notatnika lokalnie.
Zastrzeżenie: Niniejszy dokument został przetłumaczony za pomocą usługi tłumaczenia AI Co-op Translator. Choć dążymy do dokładności, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub niedokładności. Oryginalny dokument w jego języku źródłowym należy uznawać za autorytatywne źródło. W przypadku informacji krytycznych zalecane jest skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.
Source: microsoft/ai-agents-for-beginners → translations/pl/.agents/skills/local-ai-agents/SKILL.md