** ዜሮ ኦፕስ ዴቭኦፕስ ለውጥ በ AI-powered ወኪሎች እና ኦርኬስትራ**

መግቢያ

የዴቭኦፕስ አብዮት ሶፍትዌር የሚዘጋጅበትን፣ የሚሰማራውን እና የሚንከባከበውን መንገድ ቀይሯል። ነገር ግን፣ ባህላዊው የዴቭኦፕስ አካሄድ አሁንም ከፍተኛ የእጅ ጥረት፣ እውቀት እና ጊዜ ይፈልጋል። በ AI የሚንቀሳቀሱ ወኪሎች እና የኦርኬስትራ መሳሪያዎች ብቅ ማለት የዴቭኦፕስ ሂደቶችን በራስ ሰር ማካሄድ አስችሏል፣ ይህም ወደ ዜሮኦፕስ ጽንሰ-ሀሳብ ይመራል። በዚህ ጽሑፍ ውስጥ የዴቭኦፕስ ልምዶችን ወደ ዜሮኦፕስ በመቀየር ላይ በማተኮር እንደ LangChain ያሉ የኪሮ ወኪሎችን እና ኦርኬስትራ መሳሪያዎችን በመጠቀም የ AI-powered DevOps አውቶሜሽን አተገባበርን እንቃኛለን።

ዜሮኦፕስ ምንድን ነው?

ZeroOps በልማት እና በማሰማራት ሂደት ውስጥ በእጅ ጣልቃ መግባትን ለማስወገድ ያለመ በዴቭኦፕስ ውስጥ ብቅ ያለ ጽንሰ-ሀሳብ ነው። የ AI እና የማሽን ትምህርትን በመጠቀም ዜሮኦፕስ አውቶማቲክ ማሰማራትን፣ ማመጣጠን እና አፕሊኬሽኖችን መከታተል ያስችላል፣ ይህም የሰው ስህተት ስጋትን ይቀንሳል እና ቅልጥፍናን ይጨምራል። የዜሮኦፕስ የመጨረሻ ግብ እራስን ፈውስ፣ ራስን ማመቻቸት እና ራስን መመዘን ስርዓት መፍጠር ሲሆን ይህም አነስተኛውን የሰው ልጅ ጣልቃገብነት ይጠይቃል።

** AI የተጎላበቱ ወኪሎች፡ የዜሮ ኦፕስ ቁልፍ**

AI-powered agents ስራዎችን በራስ ሰር ለመስራት እና ውሳኔዎችን ለማድረግ የማሽን መማሪያ ስልተ ቀመሮችን የሚጠቀሙ የሶፍትዌር ፕሮግራሞች ናቸው። በDevOps አውድ ውስጥ፣ AI-የተጎላበቱ ወኪሎች የመተግበሪያውን አፈጻጸም ለመከታተል፣ ያልተለመዱ ነገሮችን ለመለየት እና የእርምት እርምጃ ለመውሰድ ጥቅም ላይ ሊውሉ ይችላሉ። የኪሮ ኤጀንቶች ለዴቭኦፕ አውቶሜሽን የሚያገለግል በ AI የሚንቀሳቀስ ወኪል አይነት ናቸው።

የኪሮ ወኪሎች

የኪሮ ኤጀንቶች ለዴቭኦፕ አውቶሜሽን የሚያገለግል በ AI የሚንቀሳቀስ ወኪል አይነት ናቸው። እንደ LangChain ካሉ ኦርኬስትራ መሳሪያዎች ጋር ለመስራት የተነደፉ ሲሆን የመተግበሪያዎችን ማሰማራት፣ ማመጣጠን እና ክትትልን በራስ ሰር ለመስራት ነው። የኪሮ ወኪሎች ንድፎችን እና ያልተለመዱ ነገሮችን ለመማር በታሪካዊ መረጃ ላይ ማሰልጠን ይችላሉ, ይህም በመረጃ ላይ የተመሰረተ ውሳኔ እንዲያደርጉ እና የእርምት እርምጃ እንዲወስዱ ያስችላቸዋል.

** LangChain፡ የኦርኬስትራ መሣሪያ**

LangChain እንደ ኪሮ ያሉ በ AI የሚንቀሳቀሱ ወኪሎችን በመጠቀም የዴቭኦፕስ ሂደቶችን በራስ ሰር እንዲሰራ የሚያስችል የኦርኬስትራ መሳሪያ ነው። እንደ ማሰማራት፣ መለካት እና ክትትል ያሉ ተግባራትን በራስ ሰር የሚሰሩ በ AI የሚንቀሳቀሱ ወኪሎችን ለመገንባት እና ለማሰማራት ማዕቀፍ ያቀርባል። LangChain Python፣ Rust እና Goን ጨምሮ የተለያዩ የፕሮግራሚንግ ቋንቋዎችን ይደግፋል።

** AI-Powered DevOps አውቶሜሽን ከኪሮ እና ከላንግቻይን ጋር መተግበር**

Kiro እና LangChainን በመጠቀም በ AI የተጎላበተ የዴቭኦፕስ አውቶሜትሽን ለመተግበር እነዚህን ደረጃዎች መከተል አለብን፡-

1. ** Kiro እና LangChain ን ጫን ***: ፒፒን ወይም የመረጡትን የጥቅል አስተዳዳሪ በመጠቀም Kiro እና LangChainን ይጫኑ።
2. ** የኪሮ ወኪል ፍጠር ***፡ ለDevOps አውቶሜሽን የሚያገለግል የኪሮ ወኪል ይፍጠሩ። ይህ የወኪሉን ባህሪ እንደ የመተግበሪያውን አፈጻጸም መከታተል እና ያልተለመዱ ነገሮችን መለየትን ያካትታል።
3. የኪሮ ወኪልን አሰልጥኑ፡ የኪሮ ወኪልን በታሪካዊ መረጃ ላይ በማሰልጠን ቅጦችን እና ያልተለመዱ ነገሮችን ይማሩ። ይህ ወኪሉ በመረጃ ላይ የተመሰረተ ውሳኔ እንዲሰጥ እና የእርምት እርምጃ እንዲወስድ ያስችለዋል።
4. ** ከLangChain ጋር ያዋህዱ ***: የDevOps ሂደቶችን በራስ-ሰር ለማድረግ የኪሮ ወኪልን ከላንግቻይን ጋር ያዋህዱ። ይህ የኦርኬስትራ የስራ ሂደትን መግለፅ እና ተወካዩን ተግባራትን እንዲያከናውን ማዋቀርን ያካትታል።

** የምሳሌ ኮድ፡ የኪሮ ወኪል መፍጠር**

በፓይዘን ውስጥ የኪሮ ወኪልን የሚፈጥር የምሳሌ ኮድ እገዳ እዚህ አለ፡- `` ፓይቶን kiro አስመጣ ከ langchain ማስመጣት LLMS

ወኪል = ኪሮ. ወኪል ( ስም = "የእኔ_ወኪል", ባህሪ={ "የክትትል_አፈጻጸም"፡ { "ተግባር": "የክትትል_አፈጻጸም", "args": ["app_name", "threshold"], } "አኖማሊ ማወቅ"፡ { "ተግባር": "ተገኝ_አኖማሊ", "args": ["app_name", "threshold"], } } )

ወኪሉን በታሪካዊ መረጃ ማሰልጠን

ወኪል.ባቡር( ውሂብ=[ {"app_name"፡ "my_app"፣ "አፈጻጸም"፡ 90}፣ {"app_name"፡ "my_app"፣ "አፈጻጸም"፡ 80}፣ {"app_name"፡ "my_app"፣ "አፈጻጸም"፡ 70}፣ ]፣ ገደብ = 85, )

ከLangChain ጋር ያዋህዱ

LMs = ኤልኤምኤስ ወኪል=ወኪል፣ የስራ ሂደት={ "የክትትል_አፈጻጸም"፡ { "ተግባር": "የክትትል_አፈጻጸም", "args": ["my_app", 85], } "አኖማሊ ማወቅ"፡ { "ተግባር": "ተገኝ_አኖማሊ", "args": ["my_app", 85], } } )

የስራ ሂደቱን ያከናውኑ

llms.execute()

ይህ ኮድ የመተግበሪያውን አፈጻጸም የሚቆጣጠር እና ያልተለመዱ ነገሮችን የሚያገኝ የኪሮ ወኪል ይፈጥራል። ከዚያም ወኪሉን በታሪካዊ መረጃ ላይ ያሰለጥናል እና የDevOps ሂደቶችን በራስ ሰር ለመስራት ከላngChain ጋር ያዋህደዋል።

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


ለኪሮ እና ላንግቻይን በጣም ጥቅም ላይ የዋሉት 5-10 ዋና ዋና ትዕዛዞች/ቅንጣዎች እነሆ፡-

1. **የኪሮ ወኪል መፍጠር**፡ `kiro. ወኪል(ስም=«የእኔ_ኤጀንት»፣ባህሪ={"መከታተያ_አፈጻጸም"፡ {"ተግባር"፡ "የማሳያ_አፈጻጸም", "args": ["app_name", "threshold"]}})`
2. **የኪሮ ወኪልን ማሰልጠን**፡ `agent.train(ውሂብ=[{"app_name"፡ "my_app"፣ "አፈጻጸም"፡ 90}]፣ threshold=85)`
3. **ከLangChain ጋር መቀላቀል**: `llms = LLMS(ወኪል=ወኪል, የስራ ፍሰት={"የቁጥጥር_አፈጻጸም"፡ {"ተግባር"፡ "የማሳያ_አፈጻጸም", "args": ["my_app", 85]}})'
4. ** የስራ ፍሰቱን በማስፈጸም ላይ**: `llms.execute()`
5. **የኦርኬስትራ የስራ ሂደትን መግለጽ**፡ `የስራ ፍሰት = {"የክትትል_አፈጻጸም"፡ {"ተግባር"፡ "የማሳያ_አፈጻጸም"፣ "args": ["my_app", 85]}}
6. ** ተግባራትን ለማስፈጸም ወኪሉን ማዋቀር**: `agent.configure({"ተግባር"፡ "execute_task", "args": ["task_name"]})'
7. **የማመልከቻ አፈጻጸምን መከታተል**፡ `agent.monitor_performance(app_name="my_app", threshold=85)`
8. ** ያልተለመዱ ነገሮችን ማወቅ**: `agent.detect_anomaly(app_name="my_app", threshold=85)`
9. **የወኪሉን ሁኔታ ማግኘት**: `agent.status()`
10. **የወኪሉን ምዝግብ ማስታወሻ ማግኘት**: `agent.logs()»

**እይታ**


Chart.jsን በመጠቀም የዴቭኦፕስ ቧንቧ መስመር እይታ እዚህ አለ፡-
``json
{
  "አይነት": "ባር",
  "ውሂብ": {
    "labels": ["የክትትል አፈጻጸም", " Anomaly አግኝ", "ተግባርን ያከናውኑ"],
    "መረጃዎች": [
      {
        "label": "ወኪል",
        "ውሂብ": [90, 80, 70],
        "backgroundColor": "rgba(255, 99, 132, 0.2)",
        "borderColor": "rgba(255, 99, 132, 1)",
        "የድንበር ስፋት"፡ 1
      }
    ]
  }
  "አማራጮች": {
    "ርዕስ": {
      "ማሳያ": እውነት,
      "text": "DevOps ቧንቧ መስመር"
    }
    "ሚዛኖች": {
      "yAxes": [
        {
          "መዥገሮች": {
            "beginAtZero"፡ እውነት
          }
        }
      ]
    }
  }
}

ይህ እይታ የዴቭኦፕስ ቧንቧ መስመርን በሶስት እርከኖች ያሳያል፡ አፈፃፀሙን ይቆጣጠሩ፣ Anomalyን ያግኙ እና ተግባርን ይፈጽሙ። የወኪሉ አፈጻጸም እንደ ባር ገበታ ይታያል።

** መደምደሚያ**

በዚህ ጽሑፍ ውስጥ እንደ LangChain ያሉ የኪሮ ወኪሎችን እና ኦርኬስትራ መሳሪያዎችን በመጠቀም የ AI-powered DevOps አውቶሜሽን አተገባበርን መርምረናል። የመተግበሪያውን አፈጻጸም የሚከታተል እና ያልተለመዱ ነገሮችን የሚያገኝ የኪሮ ወኪል ፈጥረናል እና የDevOps ሂደቶችን በራስ ሰር ለመስራት ከላngChain ጋር አዋህደነዋል። Chart.jsን በመጠቀም የዴቭኦፕስ ቧንቧ መስመር እይታን አቅርበናል። የዜሮኦፕስ የመጨረሻ ግብ እራስን ፈውስ፣ ራስን ማመቻቸት እና ራስን መመዘን ስርዓት መፍጠር ሲሆን ይህም አነስተኛውን የሰው ልጅ ጣልቃገብነት ይጠይቃል። AI እና የማሽን ትምህርትን በመጠቀም፣ ይህንን ግብ ማሳካት እና የዴቭኦፕስ ልምዶችን ወደ ዜሮ ኦፕስ መለወጥ እንችላለን።