** ZeroOpsን በ AI ወኪሎች እና በዐውድ ምህንድስና መክፈት፡ StackGen እና LangChainን በመጠቀም ለኤአይ ዴቭኦፕስ አውቶሜሽን በስርዓተ-ጥለት ላይ የተመሰረተ አቀራረብ**

መግቢያ

በሶፍትዌር ልማት በፍጥነት በማደግ ላይ ባለው የመሬት ገጽታ የዜሮኦፕስ ጽንሰ-ሀሳብ ለዴቭኦፕ አውቶሜሽን እንደ አብዮታዊ አቀራረብ ብቅ ብሏል። ZeroOps የሶፍትዌር ስርዓቶችን በማሰማራት እና በማስተዳደር ላይ በእጅ ጣልቃ መግባትን ለማስወገድ ያለመ ሲሆን ይህም ገንቢዎች እንደ ፈጠራ እና ፈጠራ ባሉ ከፍተኛ ደረጃ ስራዎች ላይ እንዲያተኩሩ ያስችላቸዋል. በዚህ ጽሑፍ ውስጥ፣ ወደ ዜሮኦፕስ አለም እንገባለን እና ይህንን ግብ ለማሳካት AI ወኪሎች እና አውድ ምህንድስና እንዴት መጠቀም እንደሚቻል እንመረምራለን። እንዲሁም StackGen እና LangChainን በመጠቀም ለ AI DevOps አውቶሜሽን በስርዓተ-ጥለት ላይ የተመሰረተ አሰራርን እንነጋገራለን.

ዜሮኦፕስ ምንድን ነው?

ዜሮ ኦፕስ የሶፍትዌር ልማት የህይወት ኡደትን ከልማት እስከ ማሰማራት እና አስተዳደርን በራስ ሰር ለማሰራት የሚፈልግ የዴቭኦፕ ፓራዲም ነው። የዜሮ ኦፕስ ዋና አላማ የሶፍትዌር ሲስተሞችን በማሰማራት እና በማስተዳደር ላይ የእጅ ጣልቃገብነት አስፈላጊነትን በማስወገድ የሰዎችን ስህተት የመቀነስ እድልን በመቀነስ የሶፍትዌር አቅርቦትን ፍጥነት እና ቅልጥፍናን ማሳደግ ነው።

** AI ወኪሎች እና አውድ ምህንድስና ***

AI ወኪሎች እና አውድ ምህንድስና በ ZeroOps ትግበራ ውስጥ ወሳኝ ሚና ይጫወታሉ። AI ወኪሎች አካባቢያቸውን የሚገነዘቡ እና የተወሰኑ ግቦችን ለማሳካት እርምጃዎችን የሚወስዱ የሶፍትዌር ፕሮግራሞች ናቸው። የአውድ ምህንድስና በሌላ በኩል የሚሠሩበትን አውድ ተረድተው ምላሽ ሊሰጡ የሚችሉ ሥርዓቶችን መንደፍና መተግበርን ያካትታል።

በ ZeroOps አውድ ውስጥ፣ AI ወኪሎች እንደ ማሰማራት፣ ሙከራ እና ክትትል ያሉ የተለያዩ ስራዎችን በራስ ሰር ለመስራት መጠቀም ይችላሉ። አውድ ምህንድስና የሚሰሩበትን አውድ ማለትም አካባቢን፣ ተጠቃሚን እና የተግባር ስራን የሚረዱ ስርዓቶችን ለመንደፍ ይጠቅማል።

StackGen፡ ለ AI DevOps አውቶሜሽን በስርዓተ-ጥለት ላይ የተመሰረተ አቀራረብ

StackGen ገንቢዎች ለ AI DevOps አውቶሜሽን በስርዓተ-ጥለት ላይ የተመሰረተ አሰራርን እንዲተገብሩ የሚያስችል ክፍት ምንጭ ማዕቀፍ ነው። StackGen እንደ ማሰማራት፣ ሙከራ እና ክትትል ያሉ የተለያዩ ስራዎችን በራስ ሰር ለመስራት የሚያገለግሉ ቅድመ-የተገለጹ ንድፎችን እና አብነቶችን ያቀርባል።

StackGen ገንቢዎች የውይይት AI ስርዓቶችን እንዲገነቡ የሚያስችል በላንግቻይን ላይ ነው የተሰራው። LangChain የተፈጥሮ ቋንቋ ግብዓቶችን መረዳት እና ምላሽ መስጠት የሚችሉ የውይይት AI ስርዓቶችን ለመገንባት የሚያገለግሉ የኤፒአይዎችን ስብስብ እና መሳሪያዎችን ያቀርባል።

** LangChain፡ የውይይት AI ስርዓቶችን መገንባት ***

LangChain ገንቢዎች የውይይት AI ስርዓቶችን እንዲገነቡ የሚያስችል ማዕቀፍ ነው። LangChain የተፈጥሮ ቋንቋ ግብዓቶችን መረዳት እና ምላሽ መስጠት የሚችሉ የውይይት AI ስርዓቶችን ለመገንባት የሚያገለግሉ የኤፒአይዎችን ስብስብ እና መሳሪያዎችን ያቀርባል።

LangChain የተገነባው TensorFlow እና PyTorchን ጨምሮ በበርካታ የክፍት ምንጭ ቴክኖሎጂዎች ላይ ነው። LangChain የተፈጥሮ ቋንቋ ግብዓቶችን መረዳት እና ምላሽ መስጠት የሚችሉ የውይይት AI ስርዓቶችን ለመገንባት የሚያገለግሉ የኤፒአይዎችን ስብስብ እና መሳሪያዎችን ያቀርባል።

** ZeroOpsን በStackGen እና LangChain መተግበር ላይ ***

ZeroOpsን በStackGen እና LangChain ለመተግበር በርካታ ደረጃዎችን መከተል አለብን።

** የ AI ወኪልን ይግለጹ ***፡- ZeroOpsን በመተግበር የመጀመሪያው እርምጃ የተለያዩ ስራዎችን በራስ ሰር ለመስራት የሚጠቅመውን AI ወኪል መወሰን ነው። የ AI ወኪሉ በStackGen የቀረቡ በርካታ ቅድመ-የተገለጹ ንድፎችን እና አብነቶችን በመጠቀም ሊገለጽ ይችላል።
የአውድ ሞተርን መንደፍ፡ ቀጣዩ እርምጃ የኤ ወኪል የሚሰራበትን አውድ ለመረዳት እና ምላሽ ለመስጠት የሚረዳውን የአውድ ሞተር መንደፍ ነው። የአውድ ሞተር በላንግቻይን የቀረቡ በርካታ ኤፒአይዎችን እና መሳሪያዎችን በመጠቀም ሊነድፍ ይችላል።
** የ AI ወኪልን ይተግብሩ ***: አንዴ የ AI ወኪል እና የአውድ ሞተር ከተገለጹ, ቀጣዩ እርምጃ በ StackGen እና LangChain የተሰጡ በርካታ ኤፒአይዎችን እና መሳሪያዎችን በመጠቀም የ AI ወኪልን መተግበር ነው.
** ሙከራ እና ማሰማራት ***: የመጨረሻው ደረጃ የ AI ወኪልን በአምራች አካባቢ ውስጥ መሞከር እና ማሰማራት ነው.

** የምሳሌ ኮድ፡ StackGen እና LangChainን በመጠቀም ቀላል AI ወኪልን መተግበር**

StackGen እና LangChainን በመጠቀም ቀላል AI ወኪልን እንዴት መተግበር እንደሚቻል የሚያሳይ የምሳሌ ኮድ እገዳ እዚህ አለ፡- `` ፓይቶን አስመጣ langchain ከ langchain.ሰንሰለቶች LLMChain ያስመጡ ከ langchain.llms አስመጣ LLM

ai_agent = LLMChain( llm=LLM( ሞዴል_ስም = "ዳቪንቺ: 3-ባች", የሙቀት መጠን = 0.5, ከፍተኛ_ቶከኖች=100፣ ), ግብዓት_ቅርጸት = "ጽሑፍ", የውጤት_ቅርጸት = "ጽሑፍ", )

የአውድ ሞተርን ይግለጹ

አውድ_ኤንጂን = langchain.ContextEngine( llm=LLM( ሞዴል_ስም = "ዳቪንቺ: 3-ባች", የሙቀት መጠን = 0.5, ከፍተኛ_ቶከኖች=100፣ ), ግብዓት_ቅርጸት = "ጽሑፍ", የውጤት_ቅርጸት = "ጽሑፍ", )

AI ወኪሉ ይግበር

ai_ወኪል.ተግባር( አውድ_ኤንጂን = አውድ_ሞተር፣ input_text="ሄሎ፣ እንዴት ነህ?"፣ )

የ AI ወኪልን ይሞክሩ እና ያሰማሩ

ai_agent.ሙከራ_እና_ማሰማራት( input_text="ሄሎ፣ እንዴት ነህ?"፣ )

ይህ ኮድ እገዳ StackGen እና LangChainን በመጠቀም ቀላል AI ወኪል እንዴት እንደሚተገበር ያሳያል። የ AI ወኪሉ በStackGen የቀረቡ በርካታ ቅድመ-የተገለጹ ንድፎችን እና አብነቶችን በመጠቀም ይገለጻል። የአውድ ሞተር የተነደፈው በLangChain በርካታ ኤፒአይዎችን እና መሳሪያዎችን በመጠቀም ነው። የ AI ወኪሉ የሚተገበረው በStackGen እና LangChain የተሰጡ በርካታ ኤፒአይዎችን እና መሳሪያዎችን በመጠቀም ነው። በመጨረሻም የ AI ወኪሉ ተፈትኖ በምርት አካባቢ ውስጥ ተሰማርቷል።

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

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

1. `langchain.LLMChain()`፡ አዲስ የኤልኤልኤም ሰንሰለት ነገር ይፈጥራል።
2. `langchain.ContextEngine()`፡ አዲስ የአውድ ሞተር ነገር ይፈጥራል።
3. `LLM(model_name = "davinci:3-batch", temperature=0.5, max_tokens=100)`: አዲስ የኤል ኤም ኤል ነገር በተጠቀሰው የሞዴል ስም፣ የሙቀት መጠን እና ከፍተኛ ቶከኖች ይፈጥራል።
4. `ai_agent.implement(context_engine=context_engine, input_text="Hello, how are you?")`፡ የተገለጸውን የአውድ ሞተር እና የግቤት ጽሑፍ በመጠቀም AI ወኪሉን ተግባራዊ ያደርጋል።
5. `ai_agent.test_and_deploy(input_text="ሰላም እንዴት ነህ?")፡ የተገለጸውን የግቤት ጽሑፍ በመጠቀም የ AI ወኪልን ይፈትናል እና ያሰማራዋል።
6. `langchain.llms.LLM()`፡ አዲስ የኤልኤልኤም ነገር ይፈጥራል።
7. `langchain.chains.LLMChain()`፡ አዲስ የኤልኤልኤም ሰንሰለት ነገር ይፈጥራል።
8. `langchain.ContextEngine(llm=LLM(model_name="davinci:3-batch",ሙቀት=0.5,max_tokens=100))`፡ የተገለጸውን የኤልኤልኤም ነገር በመጠቀም አዲስ የአውድ ሞተር ነገር ይፈጥራል።
9. `ai_agent.context_engine = langchain.ContextEngine(llm=LLM(model_name="davinci:3-batch"፣ temperature=0.5,max_tokens=100))`፡ የ AI ወኪል አውድ ሞተርን ወደተገለጸው አውድ ሞተር ነገር ያዘጋጃል።
10. `ai_agent.input_text = "ጤና ይስጥልኝ፣ እንዴት ነህ?"'፡ የ AI ወኪሉን የግቤት ጽሁፍ ወደተገለጸው የግቤት ጽሁፍ ያዘጋጃል።

**እይታ**

Chart.jsን በመጠቀም የዜሮኦፕስ አርክቴክቸር ምስላዊ እይታ እዚህ አለ፡-
``json
{
  "አይነት": "ባር",
  "ውሂብ": {
    "መለያዎች": ["AI ወኪል", "የአውድ ሞተር", "StackGen", "LangChain"],
    "መረጃዎች": [
      {
        "label": "አርክቴክቸር",
        "ውሂብ": [10, 8, 6, 4],
        "backgroundColor"፡ ["#FF6384"፣"#36A2EB"፣"#FFCE56"፣"#4BC0C0"]
      }
    ]
  }
  "አማራጮች": {
    "ርዕስ": {
      "ማሳያ": እውነት,
      "text": "ዜሮኦፕስ አርክቴክቸር"
    }
    "አፈ ታሪክ": {
      "ማሳያ": እውነት
    }
    "ሚዛኖች": {
      "yAxes": [
        {
          "መዥገሮች": {
            "beginAtZero"፡ እውነት
          }
        }
      ]
    }
  }
}

ይህ የእይታ እይታ የኤ ወኪልን፣ አውድ ሞተርን፣ StackGen እና LangChainን ጨምሮ የዜሮኦፕስ ስርዓትን አርክቴክቸር ያሳያል።

** መደምደሚያ**

ZeroOps የሶፍትዌር ስርዓቶችን በማሰማራት እና በማስተዳደር ላይ የእጅ ጣልቃገብነትን ለማስወገድ የሚፈልግ ለዴቭኦፕ አውቶሜሽን አብዮታዊ አቀራረብ ነው። AI ወኪሎች እና አውድ ምህንድስና በ ZeroOps ትግበራ ውስጥ ወሳኝ ሚና ይጫወታሉ, እና StackGen እና LangChain ለ AI DevOps አውቶሜሽን በስርዓተ-ጥለት ላይ የተመሰረተ አቀራረብን ይሰጣሉ. StackGen እና LangChainን በመጠቀም ቀላል AI ወኪልን በመተግበር እንደ ማሰማራት፣ ሙከራ እና ክትትል ያሉ የተለያዩ ስራዎችን በራስ ሰር መስራት እንችላለን። ለStackGen እና LangChain በጣም ጥቅም ላይ የዋሉት 5-10 ምርጥ ትዕዛዞች/ቅንጣፎች እንዲሁ ቀርበዋል የዜሮኦፕስ አርክቴክቸር Chart.jsን በመጠቀም።

ዜሮኦፕስን ከ AI ወኪሎች እና ከዐውድ ምህንድስና ጋር መክፈት፡ StackGen እና LangChainን በመጠቀም ወደ AI DevOps አውቶሜሽን በስርዓተ-ጥለት ላይ የተመሰረተ አቀራረብ

የአውድ ሞተርን ይግለጹ

AI ወኪሉ ይግበር

የ AI ወኪልን ይሞክሩ እና ያሰማሩ

Have Questions?