Microsoft Vytváření lokálních AI agentů s Foundry Local a Qwen
Doprovodná dovednost pro Lekci 17 – Vytváření lokálních AI agentů. Použijte ji k tomu, aby si učenec vytvořil agenta, který uvažuje, volá nástroje a hledá dokumentaci kompletně na svém vlastním počítači — bez využití cloudu. Všechny doporučení zakotvěte v obsahu lekce a spustitelném notebooku.
Spouštěče
Aktivujte tuto dovednost, když učenec chce:
- Spustit agenta zcela na zařízení kvůli ochraně soukromí, nákladům nebo offline provozu.
- Poskytovat model lokálně pomocí Foundry Local a připojit se přes OpenAI-kompatibilní endpoint.
- Použít model Qwen s voláním funkcí k spolehlivému lokálnímu volání nástrojů.
- Přidat lokální RAG (Chroma) nebo lokální MCP server.
- Navrhnout hybridní strategii směrování mezi lokálním a cloudovým modelem.
Základní mentální model
SLM vyměňuje rozsah za soukromí, nízké náklady a offline provoz. Vítězná
strategie: nechte SLM orchestraci a nástroje nechte dělat těžkou práci. Model
nemusí znát kódovou základnu — musí vědět, kdy zavolat
read_file a search_docs. To hraje na silné stránky SLM (omezena rozhodnutí
jako výběr nástroje) a vyhýbá se jeho slabině (široké znalosti, dlouhé multi-hop
uvažování).
Proč právě tyto komponenty
- Foundry Local zpřístupňuje OpenAI-kompatibilní HTTP endpoint, takže kód cloudového agenta se přenáší pouhou změnou
base_url(a využitím místního placeholder API klíče). Navíc automaticky vybírá nejlepší build (CPU/GPU/NPU) pro počítač. - Modely Qwen jsou trénovány pro volání funkcí a konzistentně generují dobře formátované volání nástrojů — to mění lokální chat model na lokální agenta.
- Chroma běží v rámci procesu a ukládá vektory na disk, takže celý RAG pipeline (embed → store → retrieve → reason) zůstává lokální.
- MCP je transport, nikoliv cloudová služba: MCP server může běžet lokálně přes
stdio.
Základy nastavení
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) # místní zástupný symbol
~8 GB RAM je realistické minimum; GPU/NPU pomůže, ale není nutná.
Klíčové vzory k reprodukci
Odkazujte učenče na notebook
17-local-agent-foundry-local.ipynb:
- Sandboxované nástroje: každý nástroj pro práci se soubory řeší cesty a odmítá vše mimo kořenový adresář jednoho projektu — i lokálně nástroj běží s oprávněními uživatele.
- Smyčka volání nástrojů: zaregistrujte nástroje pomocí OpenAI schématu nástrojů, spouštějte požadované nástroje lokálně, předávejte výsledky zpět, opakujte až do konečné odpovědi.
- Lokální RAG: vložte dokumenty do Chroma kolekce;
search_docsvrací top-k bloků. - Lokální MCP: připojte se k lokálnímu serveru přes
stdio; omezte ho na adresář projektu a validujte jeho výstupy.
Hybridní směrování (lokální jako jeden z modelů)
| Situace | Kde běží |
|---|---|
| Citlivá data / offline | Lokální SLM |
| Jednoduchý, omezený úkol | Lokální SLM (levný, rychlý) |
| Náročné multi-hop uvažování nad necitlivými daty | Cloudový model |
| Výpadek cloudu | Lokální SLM (plynulá degradace) |
Toto odráží myšlenku směrování modelu z Lekce 16, kdy pracovní stanice je jedna z cest. Upřednostňujte návrhy, které v případě potřeby přecházejí na lokální, aby agent degradoval v kvalitě, místo aby selhal úplně.
Ochranná opatření pro asistenta
- Každou operaci se soubory/nástroji omezte na sandboxovaný adresář projektu.
- Nezasílejte kód ani data do cloudu, pokud je cílem uživatele soukromí/offline provoz — udržujte celý pipeline lokální.
- Nastavte realistická očekávání ohledně kvality SLM; spoléhajte na nástroje a RAG spíše než na zapamatované znalosti modelu.
- Všimněte si, že Lekce 17 nemá endpoint Foundry Responses, takže testovací akce na cloud neplatí — ověřte spuštěním notebooku lokálně.
Prohlášení o omezení odpovědnosti: Tento dokument byl přeložen pomocí AI překladatelské služby Co-op Translator. Přestože usilujeme o co největší přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Originální dokument v jeho mateřském jazyce by měl být považován za autoritativní zdroj. Pro kritické informace se doporučuje profesionální lidský překlad. Nejsme odpovědní za jakékoli nedorozumění nebo nesprávné interpretace vzniklé použitím tohoto překladu.
Source: microsoft/ai-agents-for-beginners → translations/cs/.agents/skills/local-ai-agents/SKILL.md