ਜਾਣ-ਪਛਾਣ
ਹਾਲ ਹੀ ਦੇ ਸਾਲਾਂ ਵਿੱਚ, DevOps ਲੈਂਡਸਕੇਪ ਵਿੱਚ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ (ML) ਤਕਨਾਲੋਜੀਆਂ ਦੇ ਏਕੀਕਰਨ ਨਾਲ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਤਬਦੀਲੀ ਆਈ ਹੈ। AI ਏਜੰਟ DevOps ਵਰਕਫਲੋ ਨੂੰ ਵਧਾਉਣ, ਬੇਮਿਸਾਲ ਕੁਸ਼ਲਤਾ ਦੇ ਨਾਲ ਗੁੰਝਲਦਾਰ ਕਾਰਜਾਂ ਨੂੰ ਸਵੈਚਲਿਤ ਅਤੇ ਆਰਕੇਸਟ੍ਰੇਟ ਕਰਨ ਲਈ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਾਧਨ ਵਜੋਂ ਉਭਰਿਆ ਹੈ। ਇਸ ਲੇਖ ਵਿੱਚ, ਅਸੀਂ DevOps ਵਿੱਚ AI ਏਜੰਟਾਂ ਦੀ ਦੁਨੀਆ ਵਿੱਚ ਖੋਜ ਕਰਾਂਗੇ, ਉਹਨਾਂ ਦੀਆਂ ਵਿਹਾਰਕ ਲਾਗੂ ਕਰਨ ਦੀਆਂ ਰਣਨੀਤੀਆਂ ਅਤੇ ਅਸਲ-ਸੰਸਾਰ ਕੇਸ ਅਧਿਐਨਾਂ ਦੀ ਪੜਚੋਲ ਕਰਾਂਗੇ।
DevOps ਵਿੱਚ AI ਏਜੰਟ ਕੀ ਹਨ?
AI ਏਜੰਟ ਸਾਫਟਵੇਅਰ ਪ੍ਰੋਗਰਾਮ ਹੁੰਦੇ ਹਨ ਜੋ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਖੁਦਮੁਖਤਿਆਰੀ ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ ਕਰਦੇ ਹਨ, ਡੇਟਾ ਅਤੇ ਫੀਡਬੈਕ ਦੇ ਆਧਾਰ 'ਤੇ ਫੈਸਲੇ ਲੈਂਦੇ ਹਨ। DevOps ਦੇ ਸੰਦਰਭ ਵਿੱਚ, AI ਏਜੰਟਾਂ ਦੀ ਵਰਤੋਂ ਵੱਖ-ਵੱਖ ਕੰਮਾਂ ਨੂੰ ਸਵੈਚਲਿਤ ਅਤੇ ਆਰਕੈਸਟ੍ਰੇਟ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ:
- **ਨਿਰੰਤਰ ਏਕੀਕਰਣ ਅਤੇ ਨਿਰੰਤਰ ਤੈਨਾਤੀ (CI/CD): AI ਏਜੰਟ ਕੋਡ ਤਬਦੀਲੀਆਂ ਦੀ ਨਿਗਰਾਨੀ ਕਰ ਸਕਦੇ ਹਨ, ਬਿਲਡਾਂ ਨੂੰ ਟ੍ਰਿਗਰ ਕਰ ਸਕਦੇ ਹਨ, ਅਤੇ ਐਪਲੀਕੇਸ਼ਨਾਂ ਨੂੰ ਪ੍ਰੋਡਕਸ਼ਨ ਵਾਤਾਵਰਣਾਂ ਵਿੱਚ ਤੈਨਾਤ ਕਰ ਸਕਦੇ ਹਨ।
- ਨਿਗਰਾਨੀ ਅਤੇ ਲੌਗਿੰਗ: ਏਆਈ ਏਜੰਟ ਲੌਗ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰ ਸਕਦੇ ਹਨ, ਵਿਗਾੜਾਂ ਦਾ ਪਤਾ ਲਗਾ ਸਕਦੇ ਹਨ, ਅਤੇ ਆਈਟੀ ਟੀਮਾਂ ਲਈ ਚੇਤਾਵਨੀਆਂ ਨੂੰ ਟਰਿੱਗਰ ਕਰ ਸਕਦੇ ਹਨ।
- ਸੁਰੱਖਿਆ: ਏਆਈ ਏਜੰਟ ਕਮਜ਼ੋਰੀਆਂ ਲਈ ਕੋਡ ਨੂੰ ਸਕੈਨ ਕਰ ਸਕਦੇ ਹਨ, ਮਾਲਵੇਅਰ ਦਾ ਪਤਾ ਲਗਾ ਸਕਦੇ ਹਨ, ਅਤੇ ਡੇਟਾ ਦੀ ਉਲੰਘਣਾ ਨੂੰ ਰੋਕ ਸਕਦੇ ਹਨ।
- ਟੈਸਟਿੰਗ: AI ਏਜੰਟ ਟੈਸਟਿੰਗ ਨੂੰ ਆਟੋਮੈਟਿਕ ਕਰ ਸਕਦੇ ਹਨ, ਬੱਗ ਖੋਜ ਸਕਦੇ ਹਨ, ਅਤੇ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਫੀਡਬੈਕ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੇ ਹਨ।
ਆਰਕੈਸਟ੍ਰੇਸ਼ਨ ਟੂਲ: DSPy ਅਤੇ LangChain
AI ਏਜੰਟਾਂ ਨੂੰ DevOps ਪਾਈਪਲਾਈਨਾਂ ਵਿੱਚ ਏਕੀਕ੍ਰਿਤ ਕਰਨ ਲਈ, ਸਾਨੂੰ ਆਰਕੈਸਟਰੇਸ਼ਨ ਟੂਲਸ ਦੀ ਲੋੜ ਹੈ ਜੋ ਇਹਨਾਂ ਏਜੰਟਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਅਤੇ ਤਾਲਮੇਲ ਕਰ ਸਕਣ। ਇਸ ਸਪੇਸ ਵਿੱਚ ਦੋ ਪ੍ਰਸਿੱਧ ਸਾਧਨ DSPy ਅਤੇ LangChain ਹਨ।
ਡੀ.ਐਸ.ਪੀ
DSPy ਇੱਕ ਪਾਈਥਨ-ਆਧਾਰਿਤ ਆਰਕੈਸਟ੍ਰੇਸ਼ਨ ਟੂਲ ਹੈ ਜੋ ਡਿਵੈਲਪਰਾਂ ਨੂੰ AI ਏਜੰਟਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵਰਕਫਲੋ ਬਣਾਉਣ, ਪ੍ਰਬੰਧਨ ਅਤੇ ਚਲਾਉਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। DSPy ਵਰਕਫਲੋ ਬਣਾਉਣ ਲਈ ਇੱਕ ਸਧਾਰਨ ਅਤੇ ਅਨੁਭਵੀ API ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਇਸਨੂੰ DevOps ਟੀਮਾਂ ਲਈ ਇੱਕ ਆਦਰਸ਼ ਵਿਕਲਪ ਬਣਾਉਂਦਾ ਹੈ।
ਲੈਂਗਚੇਨ
LangChain ਇੱਕ ਜੰਗਾਲ-ਆਧਾਰਿਤ ਆਰਕੈਸਟ੍ਰੇਸ਼ਨ ਟੂਲ ਹੈ ਜੋ ਡਿਵੈਲਪਰਾਂ ਨੂੰ AI-ਪਾਵਰ ਵਰਕਫਲੋ ਬਣਾਉਣ ਅਤੇ ਪ੍ਰਬੰਧਿਤ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ। LangChain ਇੱਕ ਮਾਡਿਊਲਰ ਆਰਕੀਟੈਕਚਰ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਡਿਵੈਲਪਰਾਂ ਨੂੰ AI ਏਜੰਟਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਸਟਮ ਵਰਕਫਲੋ ਬਣਾਉਣ ਦੀ ਇਜਾਜ਼ਤ ਮਿਲਦੀ ਹੈ।
ਵਿਹਾਰਕ ਲਾਗੂ ਕਰਨ ਦੀਆਂ ਰਣਨੀਤੀਆਂ
DSPy ਅਤੇ LangChain ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ AI ਏਜੰਟਾਂ ਨੂੰ DevOps ਪਾਈਪਲਾਈਨਾਂ ਵਿੱਚ ਏਕੀਕ੍ਰਿਤ ਕਰਨ ਲਈ, ਇਹਨਾਂ ਵਿਹਾਰਕ ਲਾਗੂ ਕਰਨ ਦੀਆਂ ਰਣਨੀਤੀਆਂ ਦੀ ਪਾਲਣਾ ਕਰੋ:
1. ਆਪਣੇ ਵਰਕਫਲੋ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ
ਉਹਨਾਂ ਕੰਮਾਂ ਦੀ ਪਛਾਣ ਕਰੋ ਜਿਹਨਾਂ ਨੂੰ ਸਵੈਚਲਿਤ ਅਤੇ ਆਰਕੇਸਟ੍ਰੇਟ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਇਹਨਾਂ ਕਾਰਜਾਂ ਨੂੰ ਕਰਨ ਲਈ ਲੋੜੀਂਦੇ AI ਏਜੰਟ ਅਤੇ ਇਹਨਾਂ ਏਜੰਟਾਂ ਨੂੰ ਸਿਖਲਾਈ ਅਤੇ ਤਾਇਨਾਤ ਕਰਨ ਲਈ ਲੋੜੀਂਦੇ ਡੇਟਾ ਸਰੋਤਾਂ ਦਾ ਪਤਾ ਲਗਾਓ।
2. ਆਪਣਾ ਆਰਕੈਸਟਰੇਸ਼ਨ ਟੂਲ ਚੁਣੋ
ਆਪਣੀ ਟੀਮ ਦੀ ਮੁਹਾਰਤ ਅਤੇ ਪ੍ਰੋਜੈਕਟ ਲੋੜਾਂ ਦੇ ਆਧਾਰ 'ਤੇ DSPy ਜਾਂ LangChain ਦੀ ਚੋਣ ਕਰੋ।
3. ਆਪਣਾ ਵਰਕਫਲੋ ਬਣਾਓ
ਇੱਕ ਵਰਕਫਲੋ ਬਣਾਉਣ ਲਈ ਚੁਣੇ ਹੋਏ ਆਰਕੈਸਟਰੇਸ਼ਨ ਟੂਲ ਦੀ ਵਰਤੋਂ ਕਰੋ ਜੋ AI ਏਜੰਟਾਂ ਅਤੇ ਡੇਟਾ ਸਰੋਤਾਂ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਦਾ ਹੈ। AI ਏਜੰਟਾਂ ਅਤੇ ਡਾਟਾ ਸਰੋਤਾਂ ਨਾਲ ਇੰਟਰੈਕਟ ਕਰਨ ਲਈ API ਅਤੇ SDK ਦੀ ਵਰਤੋਂ ਕਰੋ।
4. ਆਪਣਾ ਵਰਕਫਲੋ ਲਾਗੂ ਕਰੋ
ਸਕੇਲੇਬਿਲਟੀ ਅਤੇ ਭਰੋਸੇਯੋਗਤਾ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਂਦੇ ਹੋਏ, ਵਰਕਫਲੋ ਨੂੰ ਕਲਾਉਡ ਜਾਂ ਆਨ-ਪ੍ਰੀਮਿਸਸ ਵਾਤਾਵਰਨ ਵਿੱਚ ਤੈਨਾਤ ਕਰੋ।
5. ਨਿਗਰਾਨੀ ਅਤੇ ਰੱਖ-ਰਖਾਅ
ਵਰਕਫਲੋ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਨਿਗਰਾਨੀ ਕਰੋ, ਅਤੇ ਲੋੜ ਅਨੁਸਾਰ AI ਏਜੰਟਾਂ ਅਤੇ ਡਾਟਾ ਸਰੋਤਾਂ ਨੂੰ ਬਣਾਈ ਰੱਖੋ ਅਤੇ ਅਪਡੇਟ ਕਰੋ।
ਰੀਅਲ-ਵਰਲਡ ਕੇਸ ਸਟੱਡੀਜ਼
ਇੱਥੇ ਕੁਝ ਅਸਲ-ਸੰਸਾਰ ਕੇਸ ਅਧਿਐਨ ਹਨ ਜੋ DevOps ਪਾਈਪਲਾਈਨਾਂ ਵਿੱਚ AI ਏਜੰਟਾਂ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੇ ਹਨ:
ਕੇਸ ਸਟੱਡੀ 1: LangChain ਨਾਲ ਆਟੋਮੇਟਿਡ ਟੈਸਟਿੰਗ
ਇੱਕ ਸਾਫਟਵੇਅਰ ਡਿਵੈਲਪਮੈਂਟ ਕੰਪਨੀ ਨੇ ਆਪਣੇ ਮੋਬਾਈਲ ਐਪ ਲਈ ਸਵੈਚਾਲਤ ਟੈਸਟਿੰਗ ਲਈ LangChain ਦੀ ਵਰਤੋਂ ਕੀਤੀ। LangChain ਦੇ AI ਏਜੰਟਾਂ ਨੇ ਉਪਭੋਗਤਾ ਵਿਹਾਰ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ, ਬੱਗ ਖੋਜੇ, ਅਤੇ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਫੀਡਬੈਕ ਪ੍ਰਦਾਨ ਕੀਤਾ। ਕੰਪਨੀ ਨੇ ਟੈਸਟਿੰਗ ਸਮੇਂ ਨੂੰ 50% ਤੱਕ ਘਟਾ ਦਿੱਤਾ ਅਤੇ ਐਪ ਦੀ ਗੁਣਵੱਤਾ ਵਿੱਚ 30% ਤੱਕ ਸੁਧਾਰ ਕੀਤਾ।
ਕੇਸ ਸਟੱਡੀ 2: DSPy ਨਾਲ ਲਗਾਤਾਰ ਏਕੀਕਰਣ
ਇੱਕ DevOps ਟੀਮ ਨੇ ਆਪਣੀ ਵੈਬ ਐਪਲੀਕੇਸ਼ਨ ਲਈ CI/CD ਨੂੰ ਸਵੈਚਾਲਤ ਕਰਨ ਲਈ DSPy ਦੀ ਵਰਤੋਂ ਕੀਤੀ। DSPy ਦੇ AI ਏਜੰਟਾਂ ਨੇ ਕੋਡ ਤਬਦੀਲੀਆਂ ਦੀ ਨਿਗਰਾਨੀ ਕੀਤੀ, ਬਿਲਡਾਂ ਨੂੰ ਚਾਲੂ ਕੀਤਾ, ਅਤੇ ਐਪਲੀਕੇਸ਼ਨ ਨੂੰ ਉਤਪਾਦਨ ਵਾਤਾਵਰਣਾਂ ਵਿੱਚ ਤੈਨਾਤ ਕੀਤਾ। ਟੀਮ ਨੇ ਤੈਨਾਤੀ ਦੇ ਸਮੇਂ ਵਿੱਚ 75% ਦੀ ਕਮੀ ਕੀਤੀ ਅਤੇ ਕੋਡ ਦੀ ਗੁਣਵੱਤਾ ਵਿੱਚ 25% ਤੱਕ ਸੁਧਾਰ ਕੀਤਾ।
ਸਿਖਰ ਦੇ 5-10 ਸਭ ਤੋਂ ਵੱਧ ਵਰਤੀਆਂ ਜਾਣ ਵਾਲੀਆਂ ਕਮਾਂਡਾਂ/ਸਨਿੱਪਟ
ਇੱਥੇ DSPy ਅਤੇ LangChain ਲਈ ਚੋਟੀ ਦੇ 5-10 ਸਭ ਤੋਂ ਵੱਧ ਵਰਤੀਆਂ ਜਾਂਦੀਆਂ ਕਮਾਂਡਾਂ/ਸਨਿੱਪਟ ਹਨ:
ਡੀ.ਐਸ.ਪੀ
dsp.create_workflow(): ਇੱਕ ਨਵਾਂ ਵਰਕਫਲੋ ਬਣਾਉਂਦਾ ਹੈ।dsp.add_agent(): ਵਰਕਫਲੋ ਵਿੱਚ ਇੱਕ AI ਏਜੰਟ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ।dsp.add_data_source(): ਵਰਕਫਲੋ ਵਿੱਚ ਇੱਕ ਡਾਟਾ ਸਰੋਤ ਜੋੜਦਾ ਹੈ।dsp.trigger_workflow(): ਵਰਕਫਲੋ ਨੂੰ ਚਾਲੂ ਕਰਦਾ ਹੈ।dsp.get_workflow_status(): ਵਰਕਫਲੋ ਸਥਿਤੀ ਨੂੰ ਮੁੜ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ।
ਲੈਂਗਚੇਨ
langchain.create_workflow(): ਇੱਕ ਨਵਾਂ ਵਰਕਫਲੋ ਬਣਾਉਂਦਾ ਹੈ।langchain.add_module(): ਵਰਕਫਲੋ ਵਿੱਚ ਇੱਕ ਮੋਡੀਊਲ ਜੋੜਦਾ ਹੈ।langchain.add_ai_agent(): ਵਰਕਫਲੋ ਵਿੱਚ ਇੱਕ AI ਏਜੰਟ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ।langchain.add_data_source(): ਵਰਕਫਲੋ ਵਿੱਚ ਇੱਕ ਡਾਟਾ ਸਰੋਤ ਜੋੜਦਾ ਹੈ।langchain.trigger_workflow(): ਵਰਕਫਲੋ ਨੂੰ ਚਾਲੂ ਕਰਦਾ ਹੈ।langchain.get_workflow_status(): ਵਰਕਫਲੋ ਸਥਿਤੀ ਨੂੰ ਮੁੜ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ।
ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ
ਇੱਥੇ Chart.js ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਵਰਕਫਲੋ ਦਾ ਇੱਕ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਹੈ:
ਜੇਸਨ { "type": "ਪਾਈਚਾਰਟ", "ਡਾਟਾ": { "labels": ["DSPy", "LangChain"], "datasets": [ { "label": "ਆਰਕੈਸਟਰੇਸ਼ਨ ਟੂਲ", "ਡਾਟਾ": [50, 50], "backgroundColor": ["#4CAF50", "#FF9800"], "ਬਾਰਡਰ ਚੌੜਾਈ": 1 } ] }, "ਵਿਕਲਪ": { "ਸਿਰਲੇਖ": { "ਡਿਸਪਲੇ": ਸਹੀ, "text": "ਆਰਕੈਸਟਰੇਸ਼ਨ ਟੂਲ" }, "ਲੀਜੈਂਡ": { "ਡਿਸਪਲੇ": ਸਹੀ } } }
ਇਹ ਦ੍ਰਿਸ਼ਟੀਕੋਣ DevOps ਪਾਈਪਲਾਈਨਾਂ ਵਿੱਚ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਆਰਕੈਸਟ੍ਰੇਸ਼ਨ ਟੂਲਸ ਦੀ ਵੰਡ ਨੂੰ ਦਿਖਾਉਂਦਾ ਹੈ।
ਸਿੱਟਾ
DSPy ਅਤੇ LangChain ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ DevOps ਪਾਈਪਲਾਈਨਾਂ ਵਿੱਚ AI ਏਜੰਟਾਂ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਨਾ ਆਟੋਮੇਸ਼ਨ ਅਤੇ ਆਰਕੈਸਟਰੇਸ਼ਨ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਵਧਾ ਸਕਦਾ ਹੈ। ਅਮਲੀ ਲਾਗੂ ਕਰਨ ਦੀਆਂ ਰਣਨੀਤੀਆਂ ਅਤੇ ਅਸਲ-ਸੰਸਾਰ ਕੇਸ ਅਧਿਐਨਾਂ ਦੀ ਪਾਲਣਾ ਕਰਕੇ, ਡਿਵੈਲਪਰ DevOps ਵਿੱਚ AI ਏਜੰਟਾਂ ਦੀ ਪੂਰੀ ਸੰਭਾਵਨਾ ਨੂੰ ਅਨਲੌਕ ਕਰ ਸਕਦੇ ਹਨ। ਸਹੀ ਆਰਕੈਸਟ੍ਰੇਸ਼ਨ ਟੂਲ ਦੀ ਚੋਣ ਕਰਨਾ, ਆਪਣੇ ਵਰਕਫਲੋ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨਾ, ਆਪਣੇ ਵਰਕਫਲੋ ਨੂੰ ਬਣਾਉਣਾ ਅਤੇ ਤੈਨਾਤ ਕਰਨਾ, ਅਤੇ ਅਨੁਕੂਲ ਨਤੀਜਿਆਂ ਲਈ ਆਪਣੇ ਵਰਕਫਲੋ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨਾ ਅਤੇ ਬਣਾਈ ਰੱਖਣਾ ਯਾਦ ਰੱਖੋ।
ਕੋਡ ਬਲਾਕ: ਸਧਾਰਨ DSPy ਵਰਕਫਲੋ
ਇੱਥੇ ਇੱਕ ਸਧਾਰਨ DSPy ਵਰਕਫਲੋ ਹੈ ਜੋ ਇੱਕ AI ਏਜੰਟ ਅਤੇ ਇੱਕ ਡੇਟਾ ਸਰੋਤ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਦਾ ਹੈ: ``ਅਜਗਰ ਡੀਐਸਪੀ ਆਯਾਤ ਕਰੋ
ਇੱਕ ਨਵਾਂ ਵਰਕਫਲੋ ਬਣਾਓ
ਵਰਕਫਲੋ = dsp.create_workflow()
ਵਰਕਫਲੋ ਵਿੱਚ ਇੱਕ ਏਆਈ ਏਜੰਟ ਸ਼ਾਮਲ ਕਰੋ
ai_agent = dsp.add_agent(ਵਰਕਫਲੋ, "ai_agent") ai_agent.set_model("model.json")
ਵਰਕਫਲੋ ਵਿੱਚ ਇੱਕ ਡੇਟਾ ਸਰੋਤ ਸ਼ਾਮਲ ਕਰੋ
ਡਾਟਾ_ਸਰੋਤ = dsp.add_data_source(ਵਰਕਫਲੋ, "ਡਾਟਾ_ਸਰੋਤ") data_source.set_url("https://example.com/data")
ਵਰਕਫਲੋ ਨੂੰ ਟਰਿੱਗਰ ਕਰੋ
dsp.trigger_workflow(ਵਰਕਫਲੋ)
ਵਰਕਫਲੋ ਸਥਿਤੀ ਪ੍ਰਾਪਤ ਕਰੋ
ਸਥਿਤੀ = dsp.get_workflow_status(ਵਰਕਫਲੋ) ਪ੍ਰਿੰਟ (ਸਥਿਤੀ) `` ਇਹ ਕੋਡ ਬਲਾਕ ਇੱਕ ਸਧਾਰਨ DSPy ਵਰਕਫਲੋ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜੋ ਇੱਕ AI ਏਜੰਟ ਅਤੇ ਇੱਕ ਡੇਟਾ ਸਰੋਤ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਦਾ ਹੈ।