تنفيذ Agentic AI في أتمتة الاختبارات الحتمية باستخدام LangChain وDSPy

تطبيق الذكاء الاصطناعي الوكيل في أتمتة الاختبارات الحتمية باستخدام LangChain وDSPy

مقدمة

إن التعقيد المتزايد لأنظمة البرمجيات جعل من أتمتة الاختبار جانبًا حاسمًا في تطوير البرمجيات. تعتمد أطر أتمتة الاختبار التقليدية على الأساليب المكتوبة، والتي قد تكون هشة ويصعب صيانتها. في السنوات الأخيرة، أدى ظهور Agentic AI وأدوات التنسيق إلى فتح إمكانيات جديدة لأتمتة سيناريوهات الاختبار المعقدة. في هذه المقالة، سوف نستكشف التقاطع بين Agentic AI وأدوات التنسيق وهندسة البرمجيات لأتمتة سيناريوهات الاختبار المعقدة باستخدام LangChain وDSPy.

ما هو الذكاء الاصطناعي الوكيل؟

يشير Agentic AI إلى نوع من الذكاء الاصطناعي المصمم لاتخاذ إجراءات نيابة عن المستخدم أو النظام. أنظمة الذكاء الاصطناعي الوكيل قادرة على اتخاذ القرارات والتعلم من الخبرة والتكيف مع المواقف الجديدة. في سياق أتمتة الاختبار، يمكن استخدام Agentic AI لأتمتة سيناريوهات الاختبار المعقدة من خلال محاكاة تفاعلات المستخدم، واتخاذ القرارات بناءً على بيانات الاختبار، والتكيف مع ظروف الاختبار المتغيرة.

ما هو لانجشين؟

LangChain هي أداة تنسيق مفتوحة المصدر تتيح للمطورين إنشاء أنظمة ذكاء اصطناعي معقدة باستخدام مجموعة متنوعة من لغات البرمجة، بما في ذلك Python وRust وGo. توفر LangChain بنية مرنة ونموذجية تمكن المطورين من دمج مكونات الذكاء الاصطناعي المختلفة، مثل معالجة اللغة الطبيعية (NLP) ورؤية الكمبيوتر، لبناء أنظمة ذكاء اصطناعي متطورة.

ما هو DSPy؟

DSPy هي مكتبة Python توفر مجموعة من الأدوات لبناء أنظمة الذكاء الاصطناعي ونشرها. تم تصميم DSPy للعمل بسلاسة مع LangChain ويوفر مجموعة من الميزات، بما في ذلك معالجة البيانات والتعلم الآلي والتعلم العميق.

تنفيذ الذكاء الاصطناعي الوكيل في أتمتة الاختبارات الحتمية

لتنفيذ Agentic AI في أتمتة الاختبار الحتمي، يمكننا استخدام LangChain وDSPy لبناء إطار عمل لأتمتة الاختبار يحاكي تفاعلات المستخدم، ويتخذ القرارات بناءً على بيانات الاختبار، ويتكيف مع ظروف الاختبار المتغيرة.

فيما يلي مثال بسيط لكيفية استخدام LangChain وDSPy لأتمتة سيناريو الاختبار:

import langchain
من langchain.chains قم باستيراد LLMChain
من langchain.llms قم باستيراد DSPyLLM


سيناريو_الاختبار = {
    "user_input": "تسجيل الدخول",
    "expected_output": "تم تسجيل الدخول بنجاح"
}

# تحديد وكيل الذكاء الاصطناعي Agentic
الوكيل = LLMChain(
    llm=DSPyLLM(),
    input_type = "نص"،
    نوع الإخراج = "نص"
)

# تحديد وظيفة أتمتة الاختبار
تعريف test_automation(test_scenario):
    # محاكاة تفاعل المستخدم
    user_input = test_scenario["user_input"]
    # اتخاذ القرار بناء على بيانات الاختبار
    القرار = agent.run (user_input)
    # التكيف مع ظروف الاختبار المتغيرة
    إذا كان القرار == "تم تسجيل الدخول بنجاح":
        طباعة ("تم الاختبار")
    آخر:
        طباعة ("فشل الاختبار")

# تشغيل وظيفة أتمتة الاختبار
test_automation(test_scenario)

في هذا المثال، نحدد سيناريو اختبار يتضمن محاكاة تفاعل المستخدم، واتخاذ قرار بناءً على بيانات الاختبار، والتكيف مع ظروف الاختبار المتغيرة. نقوم بعد ذلك بتحديد وكيل Agentic AI باستخدام LangChain وDSPy، واستخدامه لأتمتة سيناريو الاختبار.

أهم 5-10 أوامر/مقتطفات الأكثر استخدامًا

فيما يلي أهم 5-10 أوامر/مقتطفات الأكثر استخدامًا لـ LangChain وDSPy:

1. langchain.LLMChain(llm=DSPyLLM()): إنشاء وكيل Agentic AI باستخدام LangChain وDSPy.
2. DSPyLLM(): تهيئة مثيل DSPy LLM (نموذج اللغة الكبير).
3. LLMChain(input_type = "text"، Output_type = "text"): إنشاء وكيل AI Agentic مع أنواع إدخال النص وإخراجه.
4. agent.run(user_input): يقوم بتشغيل وكيل Agentic AI بإدخال المستخدم.
5. test_scenario = {"user_input": "login"، "expected_output": "تم تسجيل الدخول بنجاح"}: يحدد سيناريو اختبار مع إدخال المستخدم والإخراج المتوقع.
6. langchain.chains.LLMChain(llm=DSPyLLM()): إنشاء وكيل Agentic AI باستخدام LangChain وDSPy.
7. DSPyLLM().predict(user_input): يتنبأ بإخراج DSPy LLM بإدخال المستخدم.
8. LLMChain(input_type='text',output_type='text').run(user_input): يقوم بتشغيل وكيل Agentic AI مع أنواع إدخال النص وإخراجه.
9. test_automation(test_scenario): تشغيل وظيفة أتمتة الاختبار مع سيناريو اختبار.
10. langchain.chains.LLMChain(llm=DSPyLLM()).run(user_input): تشغيل وكيل Agentic AI بإدخال المستخدم.

التصور

فيما يلي تصور لوكيل Agentic AI باستخدام Chart.js:

{
  "النوع": "شريط"،
  "البيانات": {
    "التسميات": ["إدخال المستخدم"، "القرار"، "التكيف"]،
    "مجموعات البيانات": [
      {
        "label": "وكيل الذكاء الاصطناعي"،
        "بيانات": [10، 20، 30]،
        "backgroundColor": "rgba(255, 99, 132, 0.2)",
        "borderColor": "rgba(255, 99, 132, 1)",
        "عرض الحدود": 1
      }
    ]
  },
  "الخيارات": {
    "العنوان": {
      "العرض": صحيح،
      "text": "وكيل الذكاء الاصطناعي"
    },
    "المقاييس": {
      "المحاور": [
        {
          "القراد": {
            "beginAtZero": صحيح
          }
        }
      ]
    }
  }
}

يُظهر هذا التصور أداء وكيل Agentic AI في محاكاة تفاعلات المستخدم، واتخاذ القرارات بناءً على بيانات الاختبار، والتكيف مع ظروف الاختبار المتغيرة.

الخلاصة

في هذه المقالة، استكشفنا التقاطع بين Agentic AI وأدوات التنسيق وهندسة البرمجيات لأتمتة سيناريوهات الاختبار المعقدة باستخدام LangChain وDSPy. قمنا بتنفيذ مثال بسيط على Agentic AI في أتمتة الاختبار الحتمي وقدمنا ​​مجموعة من الأوامر/المقتطفات لـ LangChain وDSPy. قمنا أيضًا بتصور أداء وكيل Agentic AI باستخدام Chart.js. ومن خلال الاستفادة من Agentic AI وأدوات Orchestration، يمكن للمطورين إنشاء أطر عمل متطورة لأتمتة الاختبار تحاكي تفاعلات المستخدم، واتخاذ القرارات بناءً على بيانات الاختبار، والتكيف مع ظروف الاختبار المتغيرة.