Agentinio AI suderinimas „DevOps“ darbo eigose naudojant DSPy ir „LangChain“.

Įvadas

Dirbtinio intelekto (AI), programinės įrangos architektūros ir „DevOps“ sankirta sukūrė naują programinės įrangos kūrimo paradigmą: „Agentic AI“. Agentinis AI reiškia dirbtinio intelekto valdomos automatikos naudojimą, siekiant padidinti „DevOps“ darbo eigos efektyvumą ir efektyvumą. Šiame straipsnyje mes išnagrinėsime Agentic CI / CD koncepciją ir kaip ją įgyvendinti naudojant DSPy ir LangChain.

Kas yra agentas CI/CD?

„Agentic CI/CD“ yra „DevOps“ darbo eiga, kuri pasitelkia AI valdomą automatizavimą, kad supaprastintų nuolatinio integravimo ir nuolatinio diegimo procesą. Šis metodas naudoja mašininio mokymosi algoritmus, kad analizuotų duomenis iš įvairių šaltinių, pvz., kodų saugyklų, serverių kūrimo ir stebėjimo įrankių, kad nustatytų modelius ir anomalijas, kurios gali padėti priimant sprendimus.

„Agentic CI/CD“ sukurtas siekiant pagerinti „DevOps“ darbo eigos efektyvumą ir efektyvumą:

Pasikartojančių užduočių automatizavimas: AI pagrįsta automatika gali atlikti tokias užduotis kaip kodo peržiūra, testavimas ir diegimas, todėl kūrėjai gali sutelkti dėmesį į aukštesnio lygio užduotis.
Galimų problemų nustatymas: mašininio mokymosi algoritmai gali analizuoti duomenis iš įvairių šaltinių, kad nustatytų galimas problemas, kol jos netampa didelėmis problemomis.
Darbo eigos optimizavimas: Agentinis CI/CD gali optimizuoti darbo eigas nustatydamas efektyviausius kodo diegimo būdus ir sumažindamas prastovos laiką.

Diegimas Agentic CI / CD su DSPy ir LangChain

„DSPy“ ir „LangChain“ yra dvi populiarios „Agentic AI“ sistemų kūrimo sistemos. DSPy yra „Python“ biblioteka, skirta paskirstytoms sistemoms kurti, o „LangChain“ yra pokalbio AI sistemų kūrimo sistema.

Norėdami įdiegti Agentic CI / CD su DSPy ir LangChain, naudosime šiuos komponentus:

DSPy: naudosime DSPy, kad sukurtume paskirstytą sistemą, galinčią apdoroti didelius duomenų kiekius ir atlikti sudėtingus skaičiavimus.
LangChain: naudosime LangChain kurdami pokalbio AI sistemą, kuri gali bendrauti su kūrėjais ir suteikti įžvalgų apie CI / CD procesą.

Štai paprastas pavyzdys, kaip naudoti DSPy ir LangChain Agent CI / CD įdiegti:

importuoti dspy
iš langchain importo LLM

# Apibrėžkite DSPy klasterį
klasteris = dspy.Cluster()

# Apibrėžkite „LangChain LLM“.
llm = LLM("text-davinci-003")

# Apibrėžkite CI/CD darbo eigą
def ci_cd_workflow(kodas):
    # Analizuokite kodą naudodami DSPy
    analizė = klasteris.analyze(kodas)
    
    # Norėdami pateikti įžvalgų, naudokite „LangChain“.
    įžvalgos = llm.generate_insights(analizė)
    
    # Grąžinkite įžvalgas
    grąžinti įžvalgas

# Patikrinkite CI/CD darbo eigą
code = "print('Sveikas, pasauli!")"
įžvalgos = ci_cd_workflow(kodas)
spausdinti (įžvalgos)

Šis kodas apibrėžia CI / CD darbo eigą, kuri naudoja DSPy kodui analizuoti ir LangChain, kad pateiktų įžvalgas. Funkcija „ci_cd_workflow“ įveda kodą kaip įvestį, analizuoja jį naudodama DSPy, o tada įžvalgoms generuoti naudoja „LangChain“. Tada įžvalgos grąžinamos kaip išvestis.

5–10 dažniausiai naudojamų komandų / fragmentų

Čia yra 5–10 dažniausiai naudojamų DSPy ir LangChain komandų / fragmentų:

DSPy

dspy.Cluster(): sukuria DSPy klasterį.
„cluster.analyze(code)“: analizuoja kodą naudojant DSPy.
„cluster.deploy(code)“: diegia kodą naudojant DSPy.
„Cluster.monitor(code)“: stebi kodą naudodamas DSPy.
dspy.utils.log(level, message): registruoja pranešimą nurodytu lygiu.

LangChain

LLM("text-davinci-003"): sukuria LangChain LLM.
„llm.generate_insights(analysis)“: generuoja įžvalgas naudojant „LangChain“.
„llm.interact(analysis)“: bendrauja su kūrėjais, naudojantys „LangChain“.
langchain.utils.log(level, message): registruoja pranešimą nurodytu lygiu.
„langchain.utils.tokenize(text)“: sujungia tekstą naudojant „LangChain“.

Vizualizacija

Čia yra agento CI / CD darbo eigos vizualizacija naudojant Chart.js:

{
  "tipas": "juosta",
  "duomenys": {
    "etiketės": ["Kodo analizė", "Įžvalgos generavimas", "Įdiegimas"],
    "duomenų rinkiniai": [
      {
        "label": "DSPy",
        "duomenys": [10, 20, 30],
        "backgroundColor": ["#FF6384", "#36A2EB", "#FFCE56"]
      },
      {
        "label": "LangChain",
        "duomenys": [20, 30, 40],
        "backgroundColor": ["#FF6384", "#36A2EB", "#FFCE56"]
      }
    ]
  },
  "parinktys": {
    "pavadinimas": {
      "display": tiesa,
      "text": "Agentinė CI / CD darbo eiga"
    },
    "svarstyklės": {
      „yAxes“: [
        {
          "erkės": {
            "beginAtZero": tiesa
          }
        }
      ]
    }
  }
}

Šioje vizualizacijoje Agento CI / CD darbo eiga rodoma kaip juostinė diagrama, o DSPy ir LangChain pateikiami kaip atskiri duomenų rinkiniai.

Išvada

Šiame straipsnyje mes ištyrėme Agentic CI / CD koncepciją ir kaip ją įgyvendinti naudojant DSPy ir LangChain. Aptarėme „Agentic CI“ / CD pranašumus, įskaitant automatizuotas pasikartojančias užduotis, galimų problemų nustatymą ir darbo eigos optimizavimą. Taip pat pateikėme paprastą pavyzdį, kaip naudoti DSPy ir LangChain, kad būtų galima įdiegti Agentic CI / CD, taip pat 5–10 dažniausiai naudojamų DSPy ir LangChain komandų / fragmentų. Galiausiai įtraukėme Agento CI / CD darbo eigos vizualizaciją naudodami Chart.js.

Naudodami DSPy ir LangChain, kūrėjai gali sukurti Agentiškas AI sistemas, kurios padidina DevOps darbo eigos efektyvumą ir efektyvumą. Nesvarbu, ar esate patyręs kūrėjas, ar tik pradedate veiklą, „Agentic CI/CD“ yra įdomi ir greitai besivystanti sritis, kurią verta ištirti.