Microsoft Δημιουργία Τοπικών Πρακτόρων Τεχνητής Νοημοσύνης με το Foundry Local και το Qwen
Δεξιότητα συνοδού για το Μάθημα 17 – Δημιουργία Τοπικών Πρακτόρων Τεχνητής Νοημοσύνης. Χρησιμοποιήστε το για να βοηθήσετε έναν μαθητευόμενο να δημιουργήσει έναν πράκτορα που λογικεύεται, καλεί εργαλεία και αναζητά την τεκμηρίωση εξ ολοκλήρου στον δικό του υπολογιστή — χωρίς υπολογισμούς στο σύννεφο. Βασίστε κάθε σύσταση στο περιεχόμενο του μαθήματος και στο εκτελέσιμο σημειωματάριο.
Ενεργοποιήσεις
Ενεργοποιήστε αυτή τη δεξιότητα όταν ένας μαθητευόμενος θέλει να:
- Εκτελέσει έναν πράκτορα αποκλειστικά στη συσκευή για λόγους απορρήτου, κόστους ή εκτός σύνδεσης.
- Παρέχει ένα μοντέλο τοπικά με Foundry Local και να συνδεθεί μέσω του endpoint συμβατού με OpenAI.
- Χρησιμοποιήσει ένα μοντέλο Qwen με κλήση συναρτήσεων για αξιόπιστες κλήσεις τοπικών εργαλείων.
- Προσθέσει τοπικό RAG (Chroma) ή έναν τοπικό MCP server.
- Σχεδιάσει μια υβριδική στρατηγική δρομολόγησης τοπικά/στο σύννεφο.
Βασικό νοητικό μοντέλο
Ένα SLM θυσιάζει την ευρύτητα για ιδιωτικότητα, κόστη και λειτουργία εκτός σύνδεσης. Η επιτυχημένη
στρατηγική: ας αναλαμβάνει το SLM τον συντονισμό και ας κάνουν τα εργαλεία την βαριά δουλειά. Το
μοντέλο δεν χρειάζεται να γνωρίζει όλη τη βάση κώδικα — πρέπει να ξέρει πότε να καλεί
read_file και search_docs. Αυτό αξιοποιεί τη δύναμη ενός SLM (περιορισμένες αποφάσεις
όπως η επιλογή εργαλείου) και αποφεύγει την αδυναμία του (ευρεία γνώση, πολύπλοκη πολυ-βηματική
λογική).
Γιατί αυτά τα συγκεκριμένα κομμάτια
- Το Foundry Local προσφέρει ένα συμβατό με OpenAI HTTP endpoint, ώστε ο κώδικας πράκτορα σύννεφου να μεταφέρεται απλώς αλλάζοντας το
base_url(και χρησιμοποιώντας τοπικό placeholder API key). Επίσης επιλέγει αυτόματα την καλύτερη έκδοση (CPU/GPU/NPU) για το μηχάνημα. - Τα μοντέλα Qwen εκπαιδεύονται για κλήση συναρτήσεων και παράγουν συνεπείς και σωστά διαμορφωμένες κλήσεις εργαλείων — αυτό μετατρέπει ένα τοπικό μοντέλο συνομιλίας σε τοπικό πράκτορα.
- Το Chroma τρέχει στην ίδια διεργασία και αποθηκεύει τους διανύσματα στο δίσκο, οπότε ολόκληρος ο αγωγός RAG (embed → αποθήκευση → ανάκτηση → λογική) παραμένει τοπικός.
- Το MCP είναι μέσο μεταφοράς, όχι υπηρεσία στο σύννεφο: ένας MCP server μπορεί να τρέχει τοπικά μέσω
stdio.
Βασικά βήματα εγκατάστασης
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) # τοπική θέση κράτησης
Περίπου 8 GB RAM είναι ένα ρεαλιστικό ελάχιστο· βοηθάει η GPU/NPU αλλά δεν είναι απαραίτητη.
Κύρια μοτίβα προς αναπαραγωγή
Κατευθύνετε τον μαθητευόμενο στο σημειωματάριο
17-local-agent-foundry-local.ipynb:
- Απομονωμένα εργαλεία: κάθε εργαλείο αρχείου επιλύει μονοπάτια και απορρίπτει οτιδήποτε εκτός μιας μοναδικής ριζικής διαδρομής έργου — ακόμη και τοπικά, ένα εργαλείο τρέχει με τα δικαιώματα του χρήστη.
- Βρόχος κλήσης εργαλείων: καταχωρεί εργαλεία με το schema εργαλείων OpenAI, εκτελεί τα αιτούμενα εργαλεία τοπικά, επιστρέφει τα αποτελέσματα, επαναλαμβάνει μέχρι την τελική απάντηση.
- Τοπικό RAG: καταχωρεί έγγραφα σε μια συλλογή Chroma·
search_docsεπιστρέφει τα κορυφαία κομμάτια. - Τοπικό MCP: συνδέεται σε τοπικό server μέσω
stdio; περιορίζει το εύρος σε φάκελο έργου και επικυρώνει τις εξόδους του.
Υβριδική δρομολόγηση (τοπικό ως ένα από τα μοντέλα)
| Κατάσταση | Πού τρέχει |
|---|---|
| Ευαίσθητα δεδομένα / εκτός σύνδεσης | Τοπικό SLM |
| Απλή, περιορισμένη εργασία | Τοπικό SLM (φθηνό, γρήγορο) |
| Πολύπλοκη πολυ-βηματική λογική σε μη ευαίσθητα δεδομένα | Μοντέλο σύννεφου |
| Διακοπή υπηρεσίας στο σύννεφο | Τοπικό SLM (ομαλή υποβάθμιση) |
Αυτό αντικατοπτρίζει την ιδέα δρομολόγησης μοντέλων από το Μάθημα 16, με τον σταθμό εργασίας ως μία από τις διαδρομές. Προτιμήστε σχέδια που επιστρέφουν τοπικά ώστε ο πράκτορας να υποβαθμίζεται σε ποιότητα αντί να αποτυγχάνει πλήρως.
Φράγματα ασφαλείας για τον βοηθό
- Κρατήστε κάθε λειτουργία αρχείου/εργαλείου περιορισμένη σε απομονωμένο φάκελο έργου.
- Μην στέλνετε κώδικα ή δεδομένα στο σύννεφο όταν ο μαθητευόμενος δηλώνει ως στόχο την ιδιωτικότητα/λειτουργία εκτός σύνδεσης — κρατήστε όλο τον αγωγό τοπικό.
- Θέστε ρεαλιστικές προσδοκίες για την ποιότητα του SLM· βασιστείτε σε εργαλεία και RAG παρά στη μνημονευμένη γνώση του μοντέλου.
- Σημειώστε ότι το Μάθημα 17 δεν έχει endpoint Foundry Responses, οπότε η δράση δοκιμής καπνού σύννεφου δεν ισχύει — επικυρώστε εκτελώντας το σημειωματάριο τοπικά.
Αποποίηση ευθυνών: Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία μετάφρασης με τεχνητή νοημοσύνη Co-op Translator. Ενώ επιδιώκουμε την ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.
Source: microsoft/ai-agents-for-beginners → translations/el/.agents/skills/local-ai-agents/SKILL.md