** በ AI የተጎላበተ ሶፍትዌር ልማትን ከLangChain እና StackGen ጋር ለራስ-ሰር ክስተት ምርመራ ማደራጀት**

መግቢያ

የአርቴፊሻል ኢንተለጀንስ (AI) እና አውቶሜሽን መጨመር የሶፍትዌር ልማት ገጽታን አብዮት አድርጓል። የዘመናዊ የሶፍትዌር ስርዓቶች ውስብስብነት እየጨመረ በመምጣቱ ቀልጣፋ እና ውጤታማ የሆነ የአደጋ ምርመራ እና መፍትሄ አስፈላጊነት ከመቼውም ጊዜ ይበልጥ አሳሳቢ እየሆነ መጥቷል። በዚህ ጽሑፍ ውስጥ፣ በ AI የሚነዳ DevOps አውቶማቲክን በመጠቀም የአደጋ ምርመራን እና መፍትሄን በራስ ሰር ለመስራት LangChain እና StackGen የተባሉትን ሁለት ኃይለኛ የኦርኬስትራ መሳሪያዎች የመጠቀም አቅምን እንመረምራለን። እንዲሁም የAWS DevOps ወኪል እና ክላውድ ወኪሎችን አጠቃቀም በጥልቀት እንመረምራለን እና የዴቭኦፕስ ቡድኖችን በ AI-powered አውቶሜሽን የመተካት እድልን እንመረምራለን።

** LangChain ምንድን ነው?**

LangChain በ AI የሚንቀሳቀሱ መተግበሪያዎችን ለመገንባት ክፍት ምንጭ፣ Python ላይ የተመሠረተ ማዕቀፍ ነው። ለተፈጥሮ ቋንቋ ማቀናበሪያ (NLP)፣ የማሽን መማር (ML) እና የውሂብ ሳይንስ የመሳሪያዎች እና ቤተ-መጻሕፍት ስብስብ ያቀርባል። LangChain ገንቢዎች ብጁ AI ሞዴሎችን እንዲፈጥሩ እና ከተለያዩ የመረጃ ምንጮች ጋር እንዲያዋህዱ ያስችላቸዋል፣ ይህም በ AI የሚነዳ DevOps አውቶሜሽን ቧንቧዎችን ለመገንባት ተመራጭ ያደርገዋል።

** StackGen ምንድን ነው?**

StackGen እንደ ኮድ (IaC) መሠረተ ልማት ለመገንባት እና ለማስተዳደር የደመና-ተወላጅ፣ ክፍት ምንጭ መሳሪያ ነው። የመሠረተ ልማት አወቃቀሮችን ለመወሰን ገላጭ አገባብ ያቀርባል እና የደመና ሀብቶችን ማሰማራት እና ማስተዳደርን በራስ-ሰር ያዘጋጃል። StackGen ከLangChain ጋር ያለምንም እንከን ይዋሃዳል፣ ይህም ገንቢዎች በአይአይ የተጎለበተ የIaC ቧንቧዎችን በመፍጠር የአደጋ ምርመራን እና መፍትሄን በራስ-ሰር እንዲፈጥሩ ያስችላቸዋል።

** በAI-Driven DevOps አውቶሜትሽን ከላንግቻይን እና ከስታክጄን ጋር መተግበር**

በ AI የሚነዳ DevOps አውቶሜሽን ከላngChain እና StackGen ጋር ለመተግበር የሚከተሉትን ደረጃዎች መከተል አለብን።

1. ** የ AI ሞዴልን ይግለጹ ***: LangChain ን በመጠቀም የአደጋ መረጃን ለመተንተን እና ሊሆኑ የሚችሉ ምክንያቶችን መለየት የሚችል ብጁ AI ሞዴል እንገልፃለን.
2. ** ከStackGen ጋር ይዋሃዱ ***: የ AI ሞዴሉን ከ StackGen ጋር እናዋህዳለን, ይህም የደመና ሀብቶችን ማሰማራት እና ማስተዳደርን በራስ-ሰር እንዲሰራ ያስችለዋል.
3. ** የAWS DevOps ወኪልን አዋቅር ***: የአደጋ መረጃን ለመሰብሰብ እና ወደ LangChain AI ሞዴል ለመተንተን የAWS DevOps ወኪልን እናዋቅራለን።
4. ** የ Claude ወኪል ፍጠር ***: እኛ የዴቭኦፕስ ቡድኖችን ሊተካ የሚችል በ AI የሚሠራ አውቶሜሽን ወኪል የሆነውን Claude ወኪል እንፈጥራለን።

የኮድ ምሳሌ፡ LangChain AI ሞዴል

ለአደጋ ትንተና LangChain AI ሞዴል እንዴት መፍጠር እንደሚቻል የሚያሳይ ቀላል የኮድ ምሳሌ ይኸውና፡ `` ፓይቶን አስመጣ langchain ከ langchain.llms አስመጣ LLM

ሞዴል = LLM ስም = "የአጋጣሚ_ትንተና", ሞዴል = "ጽሑፍ-ዳቪንቺ-003", ከፍተኛ_ርዝመት=2048፣ )

የአደጋውን መረጃ ይግለጹ

የክስተት_ውሂብ = { "incident_id": "INC-001", "description": "በምርት አገልጋይ ላይ ስህተት 500", "የጊዜ ማህተም": "2023-02-15 14:30:00", }

የአደጋውን መረጃ ይተንትኑ

ትንተና = model.run( prompt=f"ክስተቱን {የአደጋ_ውሂብ['incident_id']}ን ከመግለጫ {የአጋጣሚ_ዳታ['መግለጫ']} ጋር ተንትን፣ )

ትንታኔውን ያትሙ

ማተም (ትንተና)

ይህ ኮድ የLangChain AI ሞዴል የአደጋ መረጃን የሚተነተን እና ሊሆኑ የሚችሉ ምክንያቶችን ጠቅለል አድርጎ ይገልጻል።

**ምርጥ 5-10 በብዛት ጥቅም ላይ የዋሉ ትዕዛዞች/ቅንጣዎች**

ለ LangChain እና StackGen በጣም ጥቅም ላይ የዋሉት 5-10 ከፍተኛ ትዕዛዞች/ቅንጣዎች እነሆ፡-

1. `langchain lm`፡ ዝርዝሮች ይገኛሉ LLMs (ትልቅ የቋንቋ ሞዴሎች)
2. `langchain ሞዴል'፡ ብጁ AI ሞዴልን ይገልጻል
3. `stackgen init'፡ አዲስ የStackGen ፕሮጀክት ይጀምራል
4. `stackgen deploy`፡ የመሠረተ ልማት ውቅሮችን ወደ ደመና ያሰማራል።
5. `aws devops agent collect`፡ የአደጋ መረጃን ሰብስቦ ወደ LangChain AI ሞዴል ይልካል
6. `langchain analyze'፡ የLangChain AI ሞዴልን በመጠቀም የአደጋ መረጃን ይመረምራል።
7. `stackgen update`፡ የመሠረተ ልማት ውቅሮችን ያዘምናል እና ለውጦችን በደመና ላይ ያሰማራል።
8. `langchain አመንጪ'፡ የትንታኔ ማጠቃለያ ይፈጥራል
9. `stackgen delete`፡ የመሠረተ ልማት ውቅሮችን እና ሀብቶችን ይሰርዛል
10. `langchain ባቡር'፡ የLangChain AI ሞዴልን በአዲስ መረጃ ላይ ያሰለጥናል።

** እይታ፡ በ AI የሚነዳ DevOps አውቶሜሽን ቧንቧ**

Chart.jsን በመጠቀም በ AI የሚመራ የዴቭኦፕስ አውቶማቲክ ቧንቧ መስመር ምስላዊ እይታ እዚህ አለ፡-
`` ገበታ
{
  "አይነት": "ዳግ",
  "ውሂብ": {
    "አንጓዎች": [
      {
        "id": "incident_ዳታ",
        "label": "የአደጋ መረጃ",
        "x": 0,
        "y": 0
      }
      {
        "id": "langchain_model",
        "label": "LangChain AI ሞዴል",
        "x": 2,
        "y": 0
      }
      {
        "id": "stackgen_infra",
        "label": "StackGen መሠረተ ልማት",
        "x": 4,
        "y": 0
      }
      {
        " id": "aws_devops_ኤጀንት",
        "label": "AWS DevOps ወኪል",
        "x": 6,
        "y": 0
      }
      {
        " id": "claudia_agent",
        "label": "ክላውድ ወኪል",
        "x": 8,
        "y": 0
      }
    ]፣
    "ጠርዞች": [
      {
        "ምንጭ": "incident_ዳታ",
        "ዒላማ": "langchain_model",
        "label": "ትንተና"
      }
      {
        "ምንጭ": "langchain_model",
        "ዒላማ": "stackgen_infra",
        "label": "አሰማር"
      }
      {
        "ምንጭ": "stackgen_infra",
        "ዒላማ": "aws_devops_ኤጀንት",
        "label": "ሰብስብ"
      }
      {
        "ምንጭ": "aws_devops_agent",
        "ዒላማ": "claudia_agent",
        "label": "መፍታት"
      }
    ]
  }
}

ይህ የእይታ እይታ ከመተንተን እስከ መፍትሄ በAI-የሚመራ DevOps አውቶሜሽን ቧንቧ በኩል የአደጋ መረጃ ፍሰት ያሳያል።

** መደምደሚያ**

በዚህ ጽሑፍ ውስጥ፣ በ AI የሚነዳ DevOps አውቶማቲክን በመጠቀም የአደጋ ምርመራን እና መፍትሄን በራስ ሰር ለመስራት LangChain እና StackGenን መጠቀም ያለውን አቅም መርምረናል። የAWS DevOps ወኪል እና ክላውድ ወኪሎችን አጠቃቀም መርምረናል፣ እና የዴቭኦፕስ ቡድኖችን በ AI-powered አውቶሜሽን የመተካት እድል ተወያይተናል። እነዚህን መሳሪያዎች እና ቴክኖሎጂዎች በመጠቀም ድርጅቶች የአደጋ ምላሽ ጊዜዎችን ማሻሻል፣ የስራ ጊዜን መቀነስ እና አጠቃላይ የስርዓት አስተማማኝነትን ማሳደግ ይችላሉ።

የወደፊት ስራ

በዚህ አካባቢ የወደፊት ሥራ የሚከተሉትን ያጠቃልላል ።

• ለአደጋ ትንተና እና መፍትሄ የበለጠ የላቁ የ AI ሞዴሎችን ማዳበር
• LangChain እና StackGenን ከሌሎች DevOps መሳሪያዎች እና መድረኮች ጋር ማቀናጀት
• እንደ ክላውድ ኤጀንቶች ያሉ ሌሎች በ AI የሚንቀሳቀሱ አውቶሜሽን ወኪሎችን አጠቃቀም ማሰስ
• በእውነተኛ ዓለም ሁኔታዎች ውስጥ በ AI የሚነዳ DevOps አውቶሜሽን ውጤታማነት ላይ ተጨማሪ ምርምር ማካሄድ

በ AI የሚመራ DevOps አውቶሜሽን ፈጠራን እና ማሻሻልን በመቀጠል የበለጠ ቀልጣፋ፣ ውጤታማ እና አስተማማኝ የሶፍትዌር ልማት ሂደቶችን መፍጠር እንችላለን ለድርጅቶች እና ለዋና ተጠቃሚዎች።