agentleFS
MicrosoftKnown publishermicrosoft/ai-agents-for-beginners/translations/km/.agents/skills/local-ai-agents/SKILL.md

local-ai-agents

Skill79k starsChanged 4 months agoMITView on GitHub

ជំនាញជំរុញសម្រាប់ មេរៀនទី ១៧ – ការបង្កើតភ្នាក់ងារបញ្ញាសិប្បនិម្មិតក្នុងស្រុក។ ប្រើវាដើម្បីជួយអ្នករៀនបង្កើតភ្នាក់ងារដែលអាចនិយាយអនុវត្តន៍, ហៅឧបករណ៍, និងស្វែងរក ឯកសារបានលើម៉ាស៊ីនផ្ទាល់ខ្លួនរបស់ពួកគេ — គ្មានការសន្និដ្ឋានពពកទេ។ ទំនាក់ទំនង រាល់ការផ្ដល់អនុសាសន៍គឺស្ថិតនៅក្នុងមាតិការបង្រៀន និងសៀវភៅចម្លងដែលអាចដំណើរការ។ បើកបញ្ចំនេះគ្រូបង្រៀនពេលអ្នករៀនចង់: - រត់ភ្នាក់ងារឲ្យ ជាប់នៅលើឧបករណ៍ទាំងស្រុង ដើម្បីការពារ​ភាពឯកជន, ចំណាយ, ឬហេតុផលអញ្ញើញខ្សែ - បម្រើម៉ូឌែលនៅក្នុងស្រុកជាមួយ Foundry Local ហើយភ្ជាប់តាមអ្វីដែលផ្គូរផ្គងនឹង OpenAI។ - ប្រើម៉ូឌែល ហៅមុខងារ Qwen ដើម្បីបញ្ជូនការហៅឧបករណ៍ក្នុងស្រុកដែលមានភាពទុកចិត្ត។ - បន្ថែម RAG ក្នុងស្រុក (Chroma) ឬ ម៉ាស៊ីនបម្រើ MCP ក្នុងស្រុក។ - កំណត់យុទ្ធសាស្រ្ត ផ្សំរវាង ស្រុក និងពពក។ SLM មួយប្តូរពហុភាពទៅជារឿងឯកជនភាព, ថ្លៃដូរ, និងប្រតិបត្តិការអញ្ញើញខ្សែ។យុទ្ធសាស្រ្តឈ្នះគឺ៖ អនុញ្ញាតឲ្យ SLM អប់រំ និងឲ្យឧបករណ៍ធ្វើការលំបាក។ម៉ូឌែលមិនចាំបាច់ត្រូវតែ ស្គាល់ មូលដ្ឋានកូដ — វាត្រូវតែស្គាល់ពេលហៅ readfile និង searchdocs។នោះនៅផ្នែកកម្លាំងរបស់ SLM (សេចក្តីសម្រេចចិត្តមានដែនកំណត់ដូចជាការជ្រើសរើសឧបករណ៍) និងអោយវាចាកចេញពីចំណុចខ្សោយរបស់វា (ចំណេះដឹងទូលំទូលាយ, ការយល់ដឹងប្រសិនបើរំលងច្រើនជំហាន)។ ដូចជាការជ្រើសរើសឧបករណ៍) ហើយឆ្ងាញ់ពីចំណុចខ្សោយរបស់វា (ចំណេះដឹងទូលំទូលាយ, ការត្រួតពិនិត្យការយល់ឃើញច្រើនជំហាន) reasoning)។ ជា​ចំនួនគិតជា ~8 GB RAM គឺជាចំនួនកម្រិតចាប់ផ្ដើមក្នុងការពិត; GPU/NPU ជួយបានប៉ុន្តែមិនចាំបាច់ទេ។ សំទាញអ្នករៀនទៅកាន់សៀវភៅកំណត់ត្រា 17-local-agent-foundry-local.ipynb:

Files
SKILL.md

ការបង្កើតភ្នាក់ងារបញ្ញាសិប្បនិម្មិតក្នុងស្រុកជាមួយ Foundry Local និង Qwen

ជំនាញជំរុញសម្រាប់ មេរៀនទី ១៧ – ការបង្កើតភ្នាក់ងារបញ្ញាសិប្បនិម្មិតក្នុងស្រុក។ ប្រើវាដើម្បីជួយអ្នករៀនបង្កើតភ្នាក់ងារដែលអាចនិយាយអនុវត្តន៍, ហៅឧបករណ៍, និងស្វែងរក ឯកសារបានលើម៉ាស៊ីនផ្ទាល់ខ្លួនរបស់ពួកគេ — គ្មានការសន្និដ្ឋានពពកទេ។ ទំនាក់ទំនង រាល់ការផ្ដល់អនុសាសន៍គឺស្ថិតនៅក្នុងមាតិការបង្រៀន និងសៀវភៅចម្លងដែលអាចដំណើរការ។

តំណើរការ

បើកបញ្ចំនេះគ្រូបង្រៀនពេលអ្នករៀនចង់:

  • រត់ភ្នាក់ងារឲ្យ ជាប់នៅលើឧបករណ៍ទាំងស្រុង ដើម្បីការពារ​ភាពឯកជន, ចំណាយ, ឬហេតុផលអញ្ញើញខ្សែ
  • បម្រើម៉ូឌែលនៅក្នុងស្រុកជាមួយ Foundry Local ហើយភ្ជាប់តាមអ្វីដែលផ្គូរផ្គងនឹង OpenAI។
  • ប្រើម៉ូឌែល ហៅមុខងារ Qwen ដើម្បីបញ្ជូនការហៅឧបករណ៍ក្នុងស្រុកដែលមានភាពទុកចិត្ត។
  • បន្ថែម RAG ក្នុងស្រុក (Chroma) ឬ ម៉ាស៊ីនបម្រើ MCP ក្នុងស្រុក។
  • កំណត់យុទ្ធសាស្រ្ត ផ្សំរវាង ស្រុក និងពពក។

គំរូម៉េតាដ៏សំខាន់

SLM មួយប្តូរពហុភាពទៅជារឿងឯកជនភាព, ថ្លៃដូរ, និងប្រតិបត្តិការអញ្ញើញខ្សែ។យុទ្ធសាស្រ្តឈ្នះគឺ៖ **អនុញ្ញាតឲ្យ SLM អប់រំ និងឲ្យឧបករណ៍ធ្វើការលំបាក។**ម៉ូឌែលមិនចាំបាច់ត្រូវតែ ស្គាល់ មូលដ្ឋានកូដ — វាត្រូវតែស្គាល់ពេលហៅ read_file និង search_docs។នោះនៅផ្នែកកម្លាំងរបស់ SLM (សេចក្តីសម្រេចចិត្តមានដែនកំណត់ដូចជាការជ្រើសរើសឧបករណ៍) និងអោយវាចាកចេញពីចំណុចខ្សោយរបស់វា (ចំណេះដឹងទូលំទូលាយ, ការយល់ដឹងប្រសិនបើរំលងច្រើនជំហាន)។

ហេតុអ្វីបានជាផ្នែកទាំងនេះ

ដូចជាការជ្រើសរើសឧបករណ៍) ហើយឆ្ងាញ់ពីចំណុចខ្សោយរបស់វា (ចំណេះដឹងទូលំទូលាយ, ការត្រួតពិនិត្យការយល់ឃើញច្រើនជំហាន) reasoning)។

ហេតុអ្វីបានជាផ្នែកជាក់លាក់ទាំងនេះ

  • Foundry Local បង្ហាញពី ច្រក HTTP ដែលសមរម្យនឹង OpenAI, ដូច្នេះកូដភ្នាក់ងារតាមពពកត្រូវផ្ទេរដោយការផ្លាស់ប្ដូរ តែ base_url ប៉ុណ្ណោះ (និងប្រើកូនសោ API ជំនួសក្នុងតំបន់)។ វាក៏ជ្រើសរើសសំណុំបង្កើតល្អបំផុត (CPU/GPU/NPU) សម្រាប់ម៉ាស៊ីនផងដែរ។
  • ម៉ូដែល Qwen ត្រូវបានបណ្តុះបណ្តាលសម្រាប់ការហៅមុខងារ និងបញ្ចេញការហៅឧបករណ៍ដែលបានរៀបចំរួចសព្វថ្ងៃ — នេះគឺជាអ្វីដែលបម្លែងម៉ូដែល chat ក្នុងតំបន់ទៅជាភ្នាក់ងារផ្ទាល់។
  • Chroma ប្រតិបត្តិការជាការផ្តល់ក្នុងដំណើរការនិងស្តុកវ៉ិចទ័រនៅលើឌីស, ដូច្នេះលំហូរ RAG ទាំងមូល (បញ្ចូល → ផ្ទុក → ស្ដារឡើងវិញ → ធ្វើហេតុផល) រក្សាទុកនៅក្នុងតំបន់។
  • MCP គឺជាការដឹកជញ្ជូនមិនមែនជាសេវាកម្មពពកទេ៖ ម៉ាស៊ីនបម្រើ MCP អាចរត់ក្នុងតំបន់តាមរយៈ stdio។

ការតំឡើងគឺចាំបាច់

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)  # local placeholder

ជា​ចំនួនគិតជា ~8 GB RAM គឺជាចំនួនកម្រិតចាប់ផ្ដើមក្នុងការពិត; GPU/NPU ជួយបានប៉ុន្តែមិនចាំបាច់ទេ។

លំនាំសំខាន់ៗសម្រាប់ធ្វើឡើងម្ដងទៀត

សំទាញអ្នករៀនទៅកាន់សៀវភៅកំណត់ត្រា 17-local-agent-foundry-local.ipynb:

  • ឧបករណ៍ដែលមានដែនកំណត់៖ រាល់ឧបករណ៍ឯកសារត្រូវដោះស្រាយផ្លូវ និងបដិសេធអ្វីដែលនៅក្រៅឫសគម្រោងតែមួយ — ទោះនៅក្នុងតំបន់, ឧបករណ៍ដំណើរការជាមួយសិទ្ធិយោងទៅតាមអ្នកប្រើប្រាស់។
  • រង្វិលហៅឧបករណ៍៖ ចុះបញ្ជីឧបករណ៍ជាមួយស្កីម៉ាឧបករណ៍ OpenAI, បញ្ចូលឧបករណ៍ដែលត្រូវបានស្នើសុំពីក្នុងតំបន់, បញ្ចូលលទ្ធផលត្រឡប់វិញ, ម្តងទៀតរហូតដល់បានចម្លើយចុងក្រោយ។
  • RAG ក្នុងតំបន់៖ បញ្ចូលឯកសារចូលក្នុងការប្រមូល Chroma; search_docs បង្ហាញកំណត់ត្រា top-k។
  • MCP ក្នុងតំបន់៖ ជាប់ភ្ជាប់ទៅម៉ាស៊ីនបម្រើក្នុងតំបន់តាមរយៈ stdio; គ្នាប្រមូលគ្នាទៅក្នុងថតគម្រោង ហើយផ្ទៀងផ្ទាត់លទ្ធផលរបស់វា។

ការបញ្ជូនតាមរយៈម៉ូដែលចម្រុះ (តំបន់ជាម៉ូដែលមួយ)

ស្ថានភាពកន្លែងវារត់
ទិន្នន័យសូវភាគ / អូហ្វឡាញSLM ក្នុងតំបន់
ការងារងាយស្រួល មានដែនកំណត់SLM ក្នុងតំបន់ (ងាយស្រួល, លឿន)
ការគិតហាត់គុណជាច្រើនដំណើរការលំបាកលើទិន្នន័យមិនសូវភាគម៉ូដែលពពក
បាត់បង់សេវាពពកSLM ក្នុងតំបន់ (ធ្វើការត្រួតពិនិត្យអត់បទបញ្ហា)

នេះស្រដៀងនឹងគំនិតនៃការបែងចែកម៉ូដែលពីមេរៀនទី 16, ជាមួយនឹងកុំព្យូទ័រផ្ទះដោយជាម៉ាស៊ីនមួយ ក្នុងចំណោមផ្លូវ។ ចូលចិត្តរចនាបទដែលត្រូវតែត្រលប់ទៅតំបន់ ដូច្នេះភ្នាក់ងារនឹងបន្ថយគុណភាពជាងការបរាជ័យបែបច្បាស់។

  • កុំផ្សាយកូដឬទិន្នន័យទៅពពកពេលគោលបំណងរបស់អ្នករៀនគឺសំរាប់ភាពឯកជន/អូហ្វឡាញ — ហូរកំណត់ទាំងបណ្ដោយនៅក្នុងតំបន់។
  • កំណត់សមត្ថភាពចាំបាច់សម្រាប់គុណភាព SLM; ពឹងផ្អែកលើឧបករណ៍ និង RAG ជាងចំណេះដឹងដែលម៉ូដែលបានចងចាំ។
  • សូមចំណាំថាមេរៀនទី 17 មិនមានច្រក Foundry Responses ទេ, ដូច្នេះសកម្មភាពសាកល្បងផ្ទុកពពកមិនអនុវត្ត — ធ្វើការផ្ទៀងផ្ទាត់ដោយរត់សៀវភៅកំណត់ត្រានៅក្នុងតំបន់។
  • សូមចំណាំថា មេរៀនទី១៧ មិនមានចំណុចបញ្ចប់ Foundry Responses ទេ ដូច្នេះសកម្មភាពសាកល្បងដុំធូលីពពកមិនសមរម្យ — សូមធានាថា ដោយរក្សាសុវត្ថិភាពដោយរត់កំណត់ត្រាដៃក្នុងម្ចាស់ម៉ាស៊ីន។

<!-- CO-OP TRANSLATOR DISCLAIMER START -->

ការបដិសេធ: ឯកសារនេះត្រូវបានបម្លែងភាសា ដោយប្រើសេវាបម្លែងភាសា AI Co-op Translator។ ទោះយើងខ្ញុំមានក្តីប្រាថ្នាឱ្យបានច្បាស់លាស់ តែសូមយល់ដឹងថាការបម្លែងដោយស្វ័យប្រវត្តិក៏អាចមានកំហុសឬភាពមិនត្រឹមត្រូវ។ ឯកសារដើមជាភាសាទីតាំងគួរត្រូវបានគេប្រើជាប្រភពច្បាស់លាស់។ សម្រាប់ព័ត៌មានសំខាន់ៗ សូមណែនាំឱ្យប្រើប្រាស់ការប្រែដោយមនុស្សជំនាញ។ យើងខ្ញុំមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកស្រាយខុសបន្ទាប់ពីការប្រើប្រាស់ការបម្លែងនេះនោះទេ។

<!-- CO-OP TRANSLATOR DISCLAIMER END -->

Download now (ZIP)

Trending

Less talk lately.about the whole repository

Dec 2025: 3 mentionsJan 2026: 4 mentionsFeb 2026: 1 mentionMar 2026: 7 mentionsApr 2026: 9 mentionsMay 2026: 5 mentionsJun 2026: 2 mentionsJul 2026: 8 mentionsAug 2026: 3 mentionsSep 2026: 5 mentionsOct 2026: 5 mentionsNov 2026: 0 mentions
Dec 2025Jun 2026Nov 2026
Mentions a month of the microsoft/ai-agents-for-beginners repository that our weekly crawl found. There is no adoption data for this file yet.

Who's talking about microsoft/ai-agents-for-beginners

The biggest 5 of 105 mentions linking to the repository that our crawl found. Each line is their own headline.

See all 105

Talked about on GitHub, Bluesky, YouTube, the web and Hacker News (105 times).

On GitHub · 47

42 more on GitHub

On Bluesky · 34

29 more on Bluesky

On YouTube · 17

12 more on YouTube

On Hacker News · 3

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

Reviews can't be read right now.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.