local-ai-agents

Paglikha ng Lokal na AI Agents gamit ang Foundry Local at Qwen

Kasama sa kasanayan para sa Lesson 17 – Paglikha ng Lokal na AI Agents. Gamitin ito upang tulungan ang isang nag-aaral na bumuo ng isang ahente na nagrerason, tumatawag ng mga tool, at naghahanap ng dokumentasyon nang buong mag-isa sa kanilang sariling makina — walang cloud inference. Ibatay ang bawat rekomendasyon sa nilalaman ng leksyon at ang tumatakbong notebook.

Mga Trigger

Isaaktibo ang kasanayang ito kapag nais ng nag-aaral na:

• Patakbuhin ang isang ahente nangang buong-on-device para sa privacy, gastos, o offline na dahilan.
• Maglingkod ng isang modelo nang lokal gamit ang Foundry Local at kumonekta sa pamamagitan ng compatible endpoint ng OpenAI.
• Gumamit ng Qwen function-calling na modelo upang magpatakbo ng maaasahang lokal na pagtawag sa mga tool.
• Magdagdag ng local RAG (Chroma) o isang local MCP server.
• Magdisenyo ng isang hybrid na lokal/cloud routing strategy.

Pangunahing mental na modelo

Ang isang SLM ay nagtutuko ng lawak para sa privacy, gastos, at offline na operasyon. Ang panalong estratehiya: hayaan ang SLM ang mag-orchestrate at hayaan ang mga tool ang gumawa ng mabibigat na gawain. Ang modelo ay hindi kailangang maalam sa codebase — kailangan lang nitong malaman kung kailan tatawagin read_file at search_docs. Ito ay nakatuon sa lakas ng SLM (mga limitadong desisyon tulad ng pagpili ng tool) at inilalayo sa kahinaan nito (malawak na kaalaman, mahaba at multi-hop na pangangatwiran).

Bakit ang mga partikular na bahagi na ito

• Ang Foundry Local ay naglalantad ng isang OpenAI-compatible HTTP endpoint, kaya ang code ng cloud agent ay naililipat lamang sa pamamagitan ng pagpapalit ng base_url (at paggamit ng lokal na placeholder na API key). Awtomatikong pinipili rin nito ang pinakamahusay na build (CPU/GPU/NPU) para sa makina.
• Ang mga modelo ng Qwen ay sinanay para sa function calling at naglalabas ng maayos na porma ng mga pagtawag sa tool nang pare-pareho — ito ang nagpapalit ng isang lokal na chat na modelo sa isang lokal na agent.
• Ang Chroma ay tumatakbo sa proseso at nag-iimbak ng mga vectors sa disk, kaya ang buong RAG pipeline (embed → store → retrieve → reason) ay nananatiling lokal.
• Ang MCP ay isang transport, hindi isang cloud service: ang MCP server ay maaaring tumakbo nang lokal sa stdio.

Mga kailangan para sa setup

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)  # lokal na placeholder

~8 GB RAM ang isang realistiko at minimum; nakakatulong ang GPU/NPU pero hindi kinakailangan.

Mga susi na pattern na dapat kopyahin

Ituro ang nag-aaral sa notebook 17-local-agent-foundry-local.ipynb:

• Sandboxed tools: bawat file tool ay nagtutukoy ng mga path at tinatanggihan ang anuman sa labas ng isang solong ugat na proyekto — kahit lokal, ang tool ay tumatakbo gamit ang mga pahintulot ng user.
• Tool-calling loop: irehistro ang mga tool gamit ang OpenAI tools schema, patakbuhin ang hinihiling na mga tool nang lokal, ibalik ang mga resulta, ulitin hanggang sa makakuha ng pinal na sagot.
• Local RAG: mag-upsert ng mga docs sa isang Chroma collection; search_docs ay nagbabalik ng mga nangungunang top-k chunks.
• Local MCP: kumonekta sa isang lokal na server gamit ang stdio; itakda ito sa isang proyekto na direktoryo at patunayan ang mga output nito.

Hybrid na routing (lokal bilang isa sa mga modelo)

Ito ay sumasalamin sa ideya ng model-routing mula sa Lesson 16, gamit ang workstation bilang isa sa mga ruta. Piliin ang mga disenyo na bumabalik sa lokal para ang ahente ay bumaba sa kalidad sa halip na tuluyang mabigo.

Mga guardrail para sa katulong

• Panatilihin ang bawat operasyon sa file/tool na saklaw lamang ng isang sandboxed na direktoryo ng proyekto.
• Huwag magpadala ng code o datos sa cloud kapag ang layunin ng nag-aaral ay privacy/offline — panatilihin ang buong pipeline nang lokal.
• Magtakda ng realistiko na mga inaasahan para sa kalidad ng SLM; umasa sa mga tool at RAG sa halip na ang naalala ng modelo na kaalaman.
• Tandaan na ang Lesson 17 ay walang Foundry Responses endpoint, kaya ang cloud smoke-test action ay hindi nalalapat — patunayan ito sa pamamagitan ng pagpapatakbo ng notebook nang lokal.

---

Pagtatanggi: Ang dokumentong ito ay isinalin gamit ang serbisyo ng AI translation na Co-op Translator. Bagama't nagsusumikap kami para sa katumpakan, pakatandaan na ang awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o hindi pagkakatugma. Ang orihinal na dokumento sa orihinal nitong wika ang dapat ituring na pangunahing sanggunian. Para sa mahahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang maling pagkakaintindi o maling interpretasyon na nagmula sa paggamit ng pagsasaling ito.