Кіріспе
DevOps революциясы бағдарламалық жасақтаманы әзірлеу, орналастыру және басқару тәсілін өзгертті. Дегенмен, қазіргі заманғы бағдарламалық жүйелердің күрделілігі артқан сайын автоматтандыру, сәйкестік және масштабтауға деген қажеттілік артады. Дәл осы жерде жасанды интеллект (AI) мен машиналық оқытуды (ML) қолданатын, DevOps құбырларын оңтайландыру үшін AI-мен жұмыс істейтін DevOps пайда болады. Бұл мақалада біз LangChain және DSPy көмегімен AI-мен жұмыс істейтін DevOps-ті агентке негізделген автоматтандыруды қамтамасыз ететін екі озық жүйемен қалай ұйымдастыру керектігін қарастырамыз.
LangChain дегеніміз не?
LangChain – әзірлеушілерге модульдік, масштабталатын архитектураны пайдаланып сөйлесетін AI қосымшаларын құруға мүмкіндік беретін ашық бастапқы негіз. Ол әртүрлі деректер көздерімен әрекеттесе алатын, тапсырмаларды орындай алатын және шешім қабылдай алатын AI агенттерін жасауға арналған алдын ала құрастырылған құрамдас бөліктер мен құралдар жинағын қамтамасыз етеді. LangChain Rust бағдарламалау тілінің үстіне салынған және оны Python және Go сияқты басқа тілдермен пайдалануға болады.
DSPy дегеніміз не?
DSPy - LangChain құрылымына қарапайым, Python интерфейсін қамтамасыз ететін Python кітапханасы. Ол әзірлеушілерге анағұрлым таныс синтаксис пен жұмыс процесін пайдалана отырып, AI агенттерін құруға мүмкіндік береді, бұл LangChain-ті бар Python негізіндегі DevOps конвейерлерімен біріктіруді жеңілдетеді.
LangChain және DSPy-ді DevOps құбырларымен біріктіру
LangChain және DSPy-ді DevOps конвейерлерімен біріктіру үшін бізге тапсырмаларды орындай алатын, шешім қабылдай алатын және әртүрлі деректер көздерімен өзара әрекеттесетін AI агентін жасау керек. Міне, процестің жоғары деңгейлі шолуы:
- AI агентін анықтаңыз: кодты қолдану, сынақтарды іске қосу және өнімділікті бақылау сияқты тапсырмаларды орындай алатын LangChain агентін жасаңыз.
- DevOps құралдарымен біріктіру: AI агентін Jenkins, GitLab CI/CD немесе Docker сияқты DevOps құралдарымен біріктіріңіз.
- AI агентін конфигурациялау: AI агентін дерекқорлар, API интерфейстері немесе файлдық жүйелер сияқты әртүрлі деректер көздерімен өзара әрекеттесу үшін конфигурациялаңыз.
- AI агентін жаттықтырыңыз: AI агентін машиналық оқыту алгоритмдері мен DevOps құбырынан алынған деректерді пайдаланып жаттықтырыңыз.
Практикалық мысал: LangChain және DSPy көмегімен кодты қолдану
Міне, LangChain және DSPy көмегімен кодты қолданудың қарапайым мысалы:
langchain импорттау
langchain.agents импорт агентінен
langchain.llms импорттау LLM
# LangChain агентін жасаңыз
агент = Агент(
llm=LLM(
модель_аты = "давинчи",
max_tokens=2048,
температура=0,5,
),
тізбек=[
langchain.Chain(
атауы = "орналастыру_коды",
қадамдар=[
langchain.Step(
атауы = "git_clone",
func=lambda: git_clone("https://github.com/user/repo.git"),
),
langchain.Step(
атауы = "құрастыру_коды",
func=lambda: build_code(),
),
langchain.Step(
атауы = "орналастыру_коды",
func=lambda: deploy_code(),
),
],
),
],
)
# AI агентін пайдаланып кодты қолданыңыз
agent.deploy_code()
Бұл мысалда біз үш қадамды орындайтын LangChain агентін жасаймыз:
- Git көмегімен код репозиторийін клондайды.
- Құрастыру құралының көмегімен кодты құрастырады.
- Қолдану құралын пайдаланып кодты орналастырады.
AI агенті шешімдер қабылдау және тапсырмаларды орындау үшін тіл үлгісін (LLM) пайдаланады.
Ең көп қолданылатын 5-10 пәрмендер/үзінділер
Міне, LangChain және DSPy үшін ең жиі қолданылатын пәрмендер мен үзінділердің кейбірі:
- LangChain агентін жасаңыз:
агент = Агент(llm=LLM(model_name="davinci", max_tokens=2048, температура=0,5), тізбегі=[langchain.Chain(name="deploy_code", қадамдар=[langchain.Step(name="git_lambda", қызықты:c git_clone("https://github.com/user/repo.git"))])]) - AI агентін пайдаланып кодты қолдану:
agent.deploy_code() - AI агентін жаттықтырыңыз:
agent.train(data=[{"input": "deploy code", "output": "deployed code"}]) - DevOps құралдарымен біріктіру:
agent.integrate_with_jenkins() - AI агентін конфигурациялаңыз:
agent.configure(llm=LLM(model_name="davinci", max_tokens=2048, температура=0,5)) - AI агентінің мәртебесін алыңыз:
agent.status() - AI агентінің журналдарын алыңыз:
agent.logs() - AI агентінің конфигурациясын жаңартыңыз:
agent.update_config(llm=LLM(model_name="davinci", max_tokens=2048, температура=0,5)) - AI агентін жою:
agent.delete() - AI агентінің көрсеткіштерін алыңыз:
agent.metrics()
Визуализация
Мұнда Chart.js көмегімен LangChain және DSPy архитектурасының визуализациясы берілген:
{
"түрі": "бар",
«деректер»: {
"labels": ["LangChain", "DSPy"],
"деректер жинағы": [
{
"label": "Компоненттер",
"деректер": [10, 5],
"backgroundColor": ["#4CAF50", "#FF9800"],
"borderColor": ["#3e8e41", "#ff9900"],
"borderWidth": 1
}
]
},
"опциялар": {
«атауы»: {
"дисплей": шын,
"text": "LangChain және DSPy архитектурасы"
},
"легенда": {
«дисплей»: шын
},
«таразы»: {
"yAxes": [
{
«кенелер»: {
"beginAtZero": шын
}
}
]
}
}
}
Бұл визуализация LangChain және DSPy компоненттерінің санын көрсетеді.
Қорытынды
Бұл мақалада біз LangChain және DSPy көмегімен AI-мен жұмыс істейтін DevOps-ті агентке негізделген автоматтандыруды қамтамасыз ететін екі алдыңғы қатарлы құрылыммен қалай ұйымдастыру керектігін зерттедік. Біз AI-мен жұмыс істейтін DevOps артықшылықтарын, соның ішінде автоматтандыруды, сәйкестікті және ауқымдылықты талқыладық. Біз сондай-ақ LangChain және DSPy көмегімен кодты қолданудың практикалық мысалын, сондай-ақ ең жиі қолданылатын пәрмендер мен үзінділердің тізімін ұсындық. Соңында, Chart.js көмегімен LangChain және DSPy архитектурасын көрнекі болдық. LangChain және DSPy көмегімен әзірлеушілер AI және машиналық оқытудың күшін пайдаланатын тиімдірек, масштабталатын және автоматтандырылған DevOps құбырларын құра алады.