Dirbtinio intelekto valdomų „DevOps“ surengimas naudojant „LangChain“ ir „DSPy“: agentais pagrįsto automatizavimo techninis vadovas

Įvadas

„DevOps“ revoliucija pakeitė programinės įrangos kūrimo, diegimo ir valdymo būdus. Tačiau didėjant šiuolaikinių programinės įrangos sistemų sudėtingumui, didėja ir automatizavimo, atitikties ir mastelio keitimo poreikis. Čia atsiranda dirbtinio intelekto varomas „DevOps“ – žaidimą keičiantis požiūris, kuris pasitelkia dirbtinį intelektą (AI) ir mašininį mokymąsi (ML), kad supaprastintų „DevOps“ vamzdynus. Šiame straipsnyje mes išnagrinėsime, kaip organizuoti dirbtinio intelekto „DevOps“ naudojant „LangChain“ ir „DSPy“ – dvi pažangiausias sistemas, įgalinančias agentu pagrįstą automatizavimą.

Kas yra „LangChain“?

„LangChain“ yra atvirojo kodo sistema, leidžianti kūrėjams kurti pokalbio AI programas naudojant modulinę, keičiamo dydžio architektūrą. Jame pateikiamas iš anksto sukurtų komponentų ir įrankių rinkinys, skirtas kurti AI agentus, galinčius sąveikauti su įvairiais duomenų šaltiniais, atlikti užduotis ir priimti sprendimus. LangChain sukurtas ant Rust programavimo kalbos ir gali būti naudojamas su kitomis kalbomis, tokiomis kaip Python ir Go.

Kas yra DSPy?

DSPy yra Python biblioteka, kuri suteikia paprastą Pythonic sąsają su LangChain sistema. Tai leidžia kūrėjams kurti AI agentus naudojant labiau pažįstamą sintaksę ir darbo eigą, todėl lengviau integruoti „LangChain“ su esamais Python pagrindu veikiančiais „DevOps“ vamzdynais.

LangChain ir DSPy integravimas su DevOps vamzdynais

Norėdami integruoti LangChain ir DSPy su DevOps vamzdynais, turime sukurti AI agentą, kuris galėtų atlikti užduotis, priimti sprendimus ir sąveikauti su įvairiais duomenų šaltiniais. Štai aukšto lygio proceso apžvalga:

1. Apibrėžkite AI agentą: sukurkite „LangChain“ agentą, galintį atlikti užduotis, pvz., įdiegti kodą, vykdyti testus ir stebėti našumą.
2. Integruokite su „DevOps Tools“: integruokite AI agentą su „DevOps“ įrankiais, tokiais kaip „Jenkins“, „GitLab CI/CD“ arba „Docker“.
3. Konfigūruokite AI agentą: sukonfigūruokite AI agentą, kad jis sąveikautų su įvairiais duomenų šaltiniais, pvz., duomenų bazėmis, API arba failų sistemomis.
4. Išmokykite dirbtinio intelekto agentą: mokykite dirbtinio intelekto agentą naudodami mašininio mokymosi algoritmus ir duomenis iš „DevOps“ dujotiekio.

Praktinis pavyzdys: kodo diegimas su LangChain ir DSPy

Štai paprastas pavyzdys, kaip įdiegti kodą naudojant LangChain ir DSPy:

importuoti langchain
iš langchain.agents importo agentas
iš langchain.llms importuoti LLM

# Sukurkite „LangChain“ agentą
agentas = agentas (
    llm=LLM(
        model_name="davinci",
        max_tokens=2048,
        temperatūra = 0,5,
    ),
    grandinė = [
        langchain.Chain(
            name="deploy_code",
            žingsniai=[
                langchain.Step(
                    name = "git_clone",
                    func=lambda: git_clone("https://github.com/user/repo.git"),
                ),
                langchain.Step(
                    name="build_code",
                    func=lambda: build_code(),
                ),
                langchain.Step(
                    name="deploy_code",
                    func=lambda: deploy_code(),
                ),
            ],
        ),
    ],
)

# Įdiekite kodą naudodami AI agentą
agent.deploy_code()

Šiame pavyzdyje sukuriame „LangChain“ agentą, kuris atlieka tris veiksmus:

1. Klonuoja kodo saugyklą naudojant Git.
2. Sukuria kodą naudodama kūrimo įrankį.
3. Įdiegia kodą naudodami diegimo įrankį.

AI agentas sprendimams priimti ir užduotims atlikti naudoja kalbos modelį (LLM).

5–10 dažniausiai naudojamų komandų / fragmentų

Štai keletas dažniausiai naudojamų „LangChain“ ir „DSPy“ komandų ir fragmentų:

1. Sukurkite „LangChain“ agentą: „agent = Agent(llm=LLM(model_name="davinci", max_tokens=2048, temperature=0,5), chain=[langchain.Chain(name="deploy_code", steps=[langchain.Step(name="git_clone", func=lambda) git_clone("https://github.com/user/repo.git"))])])
2. Įdiekite kodą naudodami AI agentą: „agent.deploy_code()“.
3. Išmokykite dirbtinio intelekto agentą: agent.train(data=[{"input": "deploy code", "output": "deployed code"}])
4. Integruokite su „DevOps“ įrankiais: „agent.integrate_with_jenkins()“
5. Konfigūruokite AI agentą: `agent.configure(llm=LLM(model_name="davinci", max_tokens=2048, temperature=0,5))
6. Gaukite AI agento būseną: „agent.status()“.
7. Gaukite AI agento žurnalus: „agent.logs()“.
8. Atnaujinkite AI agento konfigūraciją: `agent.update_config(llm=LLM(model_name="davinci", max_tokens=2048, temperature=0.5))
9. Ištrinti AI agentą: „agent.delete()“.
10. Gaukite AI agento metriką: „agent.metrics()“

Vizualizacija

Štai LangChain ir DSPy architektūros vizualizacija naudojant Chart.js:

{
  "tipas": "juosta",
  "duomenys": {
    "labels": ["LangChain", "DSPy"],
    "duomenų rinkiniai": [
      {
        "label": "Komponentai",
        "duomenys": [10, 5],
        "backgroundColor": ["#4CAF50", "#FF9800"],
        "borderColor": ["#3e8e41", "#ff9900"],
        "borderWidth": 1
      }
    ]
  },
  "parinktys": {
    "pavadinimas": {
      "display": tiesa,
      "text": "LangChain ir DSPy architektūra"
    },
    "legenda": {
      ekranas: tiesa
    },
    "svarstyklės": {
      „yAxes“: [
        {
          "erkės": {
            "beginAtZero": tiesa
          }
        }
      ]
    }
  }
}

Ši vizualizacija rodo komponentų skaičių LangChain ir DSPy.

Išvada

Šiame straipsnyje mes ištyrėme, kaip suorganizuoti dirbtinio intelekto „DevOps“ naudojant „LangChain“ ir „DSPy“ – dvi pažangiausias sistemas, kurios įgalina agentais pagrįstą automatizavimą. Aptarėme AI valdomų „DevOps“ pranašumus, įskaitant patobulintą automatizavimą, atitiktį ir mastelio keitimą. Taip pat pateikėme praktinį kodo diegimo naudojant LangChain ir DSPy pavyzdį, taip pat dažniausiai naudojamų komandų ir fragmentų sąrašą. Galiausiai mes vizualizavome LangChain ir DSPy architektūrą naudodami Chart.js. Naudodami „LangChain“ ir „DSPy“, kūrėjai gali sukurti efektyvesnius, keičiamo dydžio ir automatizuotus „DevOps“ vamzdynus, kurie išnaudoja AI ir mašininio mokymosi galią.