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_docs vrací 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.