יצירת סוכני AI מקומיים עם Foundry Local ו-Qwen

מיומנות מלווה עבור שיעור 17 – יצירת סוכני AI מקומיים.
השתמש בה כדי לעזור ללומד לבנות סוכן שמבצע ניתוח, קורא לכלים ומחפש
תיעוד באופן עצמאי לחלוטין במחשב האישי שלו — ללא ניתוח בענן. קבע כל
המלצה על תוכן השיעור והמחברת הרצה.

טריגרים

הפעל מיומנות זו כאשר לומד רוצה:

• להריץ סוכן מלא במכשיר למען פרטיות, עלות או סיבות לא מקוונות.
• להפעיל מודל מקומית עם Foundry Local ולחבר דרך נקודת קצה התומכת ב-OpenAI.
• להשתמש במודל Qwen קריאת-פונקציות כדי להניע קריאות כלים מקומיות אמינות.
• להוסיף RAG מקומי (Chroma) או שרת MCP מקומי.
• לתכנן אסטרטגיית ניתוב היברידית בין מקומי/ענן.

מודל מנטלי מרכזי

SLM סוחרים ברוחב לטובת פרטיות, עלות והפעלה ללא חיבור. האסטרטגיה המנצחת:
תן ל-SLM לארגן ולתן לכלים לעשות את העבודה הכבדה. המודל
לא צריך לדעת את בסיס הקוד — הוא צריך לדעת מתי לקרוא ל
read_file ו-search_docs. זה מנצל את חוזק ה-SLM (החלטות ממוקדות
כמו בחירת כלי) ומרחיק מחולשה שלו (ידע רחב, ניתוח ארוך מולטי-הופ).

למה דווקא החלקים האלה

• Foundry Local חושף נקודת קצה HTTP התואמת ל-OpenAI, כך שקוד הסוכן בענן עובר שינוי רק ב-base_url (ושימוש במפתח API מקומי). הוא גם בוחר אוטומטית בבנייה הטובה ביותר (CPU/GPU/NPU) עבור המכשיר.
• דגמי Qwen מאומנים לקריאות פונקציות ומפיקים קריאות כלים בנוסח תקין בעקביות — זה מה שהופך מודל שיחה מקומי ל-סוכן מקומי.
• Chroma פועל בתהליך ושומר וקטורים בדיסק, כך שכל צינור ה-RAG (מיזוג → אחסון → משיכה → ניתוח) נשאר מקומי.
• MCP הוא תעבורה, לא שירות בענן: שרת MCP יכול לפעול מקומית דרך stdio.

דרישות התקנה חיוניות

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)  # מָקוֹם מְנֻחָה מְקוּמִי

מינימום מציאותי של כ-8 גיגהבייט זיכרון; GPU/NPU מסייע אך אינו חובה.

דפוסי מפתח לשחזור

הפנה את הלומד למחברת
`17-local-agent-foundry-local.ipynb`:

• כלים בסביבת סנדבוקס: כל כלי של קובץ פותר נתיבים ודוחה כל דבר מחוץ לשורש פרויקט יחיד — גם מקומית, כלי פועל בהרשאות המשתמש.
• לולאת קריאת כלים: רשם כלים עם סכמת OpenAI, הרץ את הכלים המתבקשים מקומית, הזן את התוצאות חזרה, חזור עד לתשובה סופית.
• RAG מקומית: הוסף מסמכים לאוסף Chroma; search_docs מחזיר את הקטעים המובילים.
• MCP מקומית: התחבר לשרת מקומי דרך stdio; הגבל אותו לספריית פרויקט ואמת את הפלט שלו.

ניתוב היברידי (מקומי כאחד המודלים)

מצב	היכן זה פועל
נתונים רגישים / אופליין	SLM מקומי
משימה פשוטה ומוגבלת	SLM מקומי (זול, מהיר)
ניתוח קשה מולטי-הופ על נתונים לא רגישים	מודל ענן
תקלה בענן	SLM מקומי (התדרדרות הדרגתית)

זה משקף את רעיון ניתוב המודלים משיעור 16, עם תחנת עבודה כאחד הנתיבים. העדף עיצובים שנופלים חזרה למקומי כך שהסוכן מתדרדר באיכות ולא נכשל לגמרי.

גדרות בטחון לעוזר

• שמור שכל פעולה של קובץ/כלי תהיה מוגבלת לספריית פרויקט בסנדבוקס.
• אל תשלח קוד או נתונים לענן כאשר המטרה שהלומד הצהיר עליה היא פרטיות/לא מקוון — שמור על כל הצינור מקומי.
• קבע ציפיות ריאליסטיות לאיכות ה-SLM; נשען על כלים ו-RAG במקום ידע שמור במודל.
• שים לב שלשיעור 17 אין נקודת קצה Foundry Responses, כך שפעלת הבדיקה בענן לא חלה — אמת באמצעות הרצת המחברת מקומית.

---

כתב ויתור:
מסמך זה תורגם באמצעות שירות תרגום אוטומטי Co-op Translator. למרות שאנו שואפים לדיוק, יש לקחת בחשבון שתרגומים אוטומטיים עלולים להכיל שגיאות או אי-דיוקים. יש להחשיב את המסמך המקורי בשפתו הטבעית כמקור הסמכות. למידע קריטי מומלץ להשתמש בתרגום מקצועי על ידי מתרגם אדם. אנו לא אחראים לכל אי-הבנה או פירוש שגוי הנובע מהשימוש בתרגום זה.