=====================================

መግቢያ

በዴቭኦፕስ አውቶሜሽን ውስጥ የሰው ሰራሽ ኢንተለጀንስ (AI) እና የማሽን መማሪያ (ML) ተቀባይነት እየጨመረ በመምጣቱ የሶፍትዌር ልማት መልክአ ምድሩ በፍጥነት እያደገ ነው። በ AI የተጎላበተ አውቶማቲክ ውስብስብ የስራ ሂደቶችን ለማመቻቸት፣ ቅልጥፍናን ለማሻሻል እና የሰዎችን ስህተት የመቀነስ እድልን ለመቀነስ ይረዳል። በዚህ ጽሑፍ ውስጥ, ለስር መንስኤ ትንተና እና በሶፍትዌር ማጎልበቻ ቧንቧዎች ውስጥ ቅልጥፍናን ማሻሻል በ AI-powered agents ለመተግበር እንዴት DSPy እና LangChainን መጠቀም እንደሚቻል እንመረምራለን.

DSPy ምንድን ነው?

DSPy ገንቢዎች በ AI የተጎላበተ አውቶሜሽን የስራ ፍሰቶችን እንዲገነቡ እና እንዲያሰማሩ የሚያስችል የፓይዘን ቤተ-መጽሐፍት ነው። የተለያዩ AI እና ML ሞዴሎችን ለማዋሃድ ሊሰፋ የሚችል እና ተለዋዋጭ ማዕቀፍ ያቀርባል፣ ይህም ለDevOps አውቶሜሽን ተመራጭ ያደርገዋል።

LangChain ምንድን ነው?

LangChain ገንቢዎች የውይይት AI ወኪሎችን እንዲገነቡ እና እንዲያሰማሩ የሚያስችል የፓይዘን ቤተ-መጽሐፍት ነው። የተፈጥሮ ቋንቋ ግብአቶችን መረዳት እና ምላሽ መስጠት የሚችሉ ወኪሎችን ለመፍጠር ቀላል እና ሊታወቅ የሚችል ኤፒአይ ይሰጣል።

የ AI ወኪሎችን ለሥሩ መንስኤ ትንተና መተግበር

የስር መንስኤ ትንተና የዴቭኦፕስ አውቶሜሽን ወሳኝ አካል ነው፣ ምክንያቱም የችግሮች ዋና መንስኤዎችን ለይቶ ለማወቅ እና ወደፊት እንዳይከሰቱ ይከላከላል። በ AI የተጎላበተ የስር መንስኤ ትንተናን ለመተግበር, ከላንግቻይን ጋር የተዋሃደ የስራ ፍሰት ለመፍጠር DSPy ን መጠቀም እንችላለን.

የስራ ሂደቱ የከፍተኛ ደረጃ አጠቃላይ እይታ ይኸውና፡

1. ** የውሂብ ስብስብ ***: ከተለያዩ ምንጮች እንደ ምዝግብ ማስታወሻዎች, መለኪያዎች እና የውቅረት ፋይሎች ያሉ ተዛማጅ መረጃዎችን ይሰብስቡ.
2. ** የውሂብ ቅድመ-ሂደት ***: የተሰበሰበውን መረጃ ለመተንተን ለማዘጋጀት አስቀድመው ይዘጋጁ.
3. የሞዴል ስልጠና፡ ቅጦችን እና ግንኙነቶችን ለመለየት ቀድሞ በተሰራው መረጃ ላይ የኤምኤል ሞዴልን ማሰልጠን።
4. ** ሞዴል ማሰማራት ***: የሰለጠነውን ሞዴል በ DSPy የስራ ሂደት ውስጥ ያሰማሩ.
5. ** የወኪል ውህደት ***፡ የተፈጥሮ ቋንቋ መስተጋብርን ለማስቻል የDSPy የስራ ፍሰትን ከላንግቻይን ወኪል ጋር ያዋህዱ።

ኮድ ምሳሌ፡ የስር መንስኤ ትንተና የስራ ሂደት

`` ፓይቶን dspy እንደ dsp አስመጣ ከላንግቻይን አስመጪ ወኪል

የDSPy የስራ ፍሰትን ይግለጹ

የስራ ፍሰት = dsp.የስራ ፍሰት( ስም = "ሥር_ምክንያት_ትንተና", ተግባራት=[ dsp.Task("የውሂብ_ስብስብ"፣"ከምዝግብ ማስታወሻዎች እና መለኪያዎች ውሂብ ሰብስብ")፣ dsp.Task ("የውሂብ_ቅድመ-ሂደት", "ቅድመ-ሂደት ውሂብ ለመተንተን"), dsp.Task("ሞዴል_ስልጠና"፣ "የኤምኤል ሞዴልን አስቀድሞ በተሰራ ውሂብ ላይ ማሰልጠን")፣ dsp.Task("ሞዴል_ማሰማራት"፣ "የሰለጠነ ሞዴልን በDSPy የስራ ፍሰት ውስጥ አሰማራ")፣ ]፣ )

የ LangChain ወኪልን ይግለጹ

ወኪል = ወኪል ( ስም = "ሥር_ምክንያት_ወኪል", ሞዴል = "distilbert-base-uncased", Quick="የጉዳዩ ዋና መንስኤ ምንድን ነው?" )

የDSPy የስራ ፍሰትን ከላngChain ወኪል ጋር ያዋህዱ

workflow.add_agent(ወኪል)

የስራ ሂደቱን ያሂዱ

workflow.run()

## ለውጤታማነት ማመቻቸት AI ወኪሎችን በመተግበር ላይ

የሶፍትዌር ልማት ቧንቧዎችን ፍጥነት እና ምርታማነትን ለማሻሻል የሚረዳ በመሆኑ የውጤታማነት ማመቻቸት ሌላው የዴቭኦፕ አውቶሜሽን ወሳኝ አካል ነው። በ AI የተጎላበተ የውጤታማነት ማመቻቸትን ለመተግበር, ከላngChain ጋር የተዋሃደ የስራ ፍሰት ለመፍጠር DSPy ን መጠቀም እንችላለን.

የስራ ሂደቱ የከፍተኛ ደረጃ አጠቃላይ እይታ ይኸውና፡

1. ** የውሂብ ስብስብ ***: ከተለያዩ ምንጮች እንደ ምዝግብ ማስታወሻዎች, መለኪያዎች እና የውቅረት ፋይሎች ያሉ ተዛማጅ መረጃዎችን ይሰብስቡ.
2. ** የውሂብ ቅድመ-ሂደት ***: የተሰበሰበውን መረጃ ለመተንተን ለማዘጋጀት አስቀድመው ይዘጋጁ.
3. **የሞዴል ስልጠና**፡ ቅጦችን እና ግንኙነቶችን ለመለየት ቀድሞ በተሰራው መረጃ ላይ የኤምኤል ሞዴልን ማሰልጠን።
4. ** ሞዴል ማሰማራት ***: የሰለጠነውን ሞዴል በ DSPy የስራ ሂደት ውስጥ ያሰማሩ.
5. ** የወኪል ውህደት ***፡ የተፈጥሮ ቋንቋ መስተጋብርን ለማስቻል የDSPy የስራ ፍሰትን ከላንግቻይን ወኪል ጋር ያዋህዱ።

### ኮድ ምሳሌ፡ የውጤታማነት ማመቻቸት የስራ ፍሰት

`` ፓይቶን
dspy እንደ dsp አስመጣ
ከላንግቻይን አስመጪ ወኪል

# የDSPy የስራ ፍሰትን ይግለጹ
የስራ ፍሰት = dsp.የስራ ፍሰት(
    ስም = "ቅልጥፍና_ማመቻቸት",
    ተግባራት=[
        dsp.Task("የውሂብ_ስብስብ"፣"ከምዝግብ ማስታወሻዎች እና መለኪያዎች ውሂብ ሰብስብ")፣
        dsp.Task ("የውሂብ_ቅድመ-ሂደት", "ቅድመ-ሂደት ውሂብ ለመተንተን"),
        dsp.Task("ሞዴል_ስልጠና"፣ "የኤምኤል ሞዴልን አስቀድሞ በተሰራ ውሂብ ላይ ማሰልጠን")፣
        dsp.Task("ሞዴል_ማሰማራት"፣ "የሰለጠነ ሞዴልን በDSPy የስራ ፍሰት ውስጥ አሰማራ")፣
    ]፣
)

# የ LangChain ወኪልን ይግለጹ
ወኪል = ወኪል (
    ስም = "ቅልጥፍና_ወኪል",
    ሞዴል = "distilbert-base-uncased",
    Quick="የቧንቧ መስመርን ለተሻለ ውጤታማነት እንዴት ማመቻቸት እችላለሁ?"
)

# የDSPy የስራ ፍሰትን ከላngChain ወኪል ጋር ያዋህዱ
workflow.add_agent(ወኪል)

# የስራ ሂደቱን ያሂዱ
workflow.run()

ከፍተኛ 5-10 በብዛት ጥቅም ላይ የዋሉ ትዕዛዞች/ቅንጣዎች

ለDSPy እና LangChain በብዛት ጥቅም ላይ የዋሉት አንዳንድ ትዕዛዞች እና ቅንጥቦች እዚህ አሉ፡

DSPy

1. dsp. Workflow(ስም = "የእኔ_ስራ ፍሰት"፣ ተግባራት=[...])፡ አዲስ የDSPy የስራ ፍሰት ይፍጠሩ።
2. dsp.Task(name="my_task", description="My task")፡ በDSPy የስራ ፍሰት ውስጥ አዲስ ተግባር ይፍጠሩ።
3. workflow.add_agent(ወኪል)፡ የ LangChain ወኪል ወደ DSPy የስራ ፍሰት ያክሉ።
4. workflow.run()፡ የDSPy የስራ ፍሰትን አሂድ።
5. dsp.get_task_output(ተግባር)፡ የተግባርን ውጤት በDSPy የስራ ፍሰት ያግኙ።

LangChain

1. `ወኪል (ስም = "የእኔ_ኤጀንት", ሞዴል = "distilbert-base-uncased", prompt="My question"): አዲስ የLangChain ወኪል ይፍጠሩ።
2. `agent.respond(prompt="My question")፡ ከላንግቻይን ወኪል ምላሽ ያግኙ።
3. agent.add_context(context="My context")፡ አውድ ወደ LangChain ወኪል ያክሉ።
4. agent.remove_context(context="My context")፡ አውድ ከላንግቻይን ወኪል ያስወግዱ።
5. agent.get_model()፡ የLangChain ወኪል ከስር ያለውን ML ሞዴል ያግኙ።

እይታ

Chart.jsን በመጠቀም የDSPy እና LangChain የስራ ፍሰት እይታ እዚህ አለ፡-

``json { "አይነት": "ባር", "ውሂብ": { "labels": ["የስር መንስኤ ትንተና", "ውጤታማነት ማመቻቸት"], "መረጃዎች": [ { "label": "DSPy የስራ ፍሰት", "ውሂብ": [10, 20], "backgroundColor": ["#4CAF50", "#FF9800"] } { "label": "የላንግቻይን ወኪል", "ውሂብ": [5, 15], "የጀርባ ቀለም": ["#2196F3", "#009688"] } ] } "አማራጮች": { "ርዕስ": { "ማሳያ": እውነት, "text": "DSPy እና LangChain የስራ ፍሰት" } "ሚዛኖች": { "yAxes": [ { "መዥገሮች": { "beginAtZero"፡ እውነት } } ] } } }

ይህ የእይታ እይታ በእያንዳንዱ የ DSPy የስራ ሂደት ውስጥ ያሉትን የተግባሮች ብዛት እና ከእያንዳንዱ የ LangChain ወኪል የሚመጡ ምላሾችን ያሳያል።

## መደምደሚያ

በዚህ ጽሑፍ ውስጥ, ለሥሩ መንስኤ ትንተና እና በሶፍትዌር ማጎልበቻ ቧንቧዎች ውስጥ ቅልጥፍናን ማመቻቸት በ AI የሚንቀሳቀሱ ወኪሎችን ለመተግበር DSPy እና LangChain እንዴት እንደሚጠቀሙ መርምረናል. ፅንሰ-ሀሳቦቹን ለማሳየት የኮድ ምሳሌዎችን እና ምስላዊ መግለጫዎችን አቅርበናል፣ እና አንዳንድ በብዛት ጥቅም ላይ የዋሉትን ትዕዛዞችን እና ለDSPy እና LangChain ቅንጥቦችን አጉልተናል። ይህንን መመሪያ በመከተል ገንቢዎች DSPy እና LangChainን በመጠቀም የራሳቸውን AI-የተጎላበተው አውቶሜሽን የስራ ፍሰት መፍጠር ይችላሉ።