Agentinio AI panaudojimas DevOps automatizavimui su Kiro ir LangChain
Įvadas
Šiandienos sparčiai besivystančioje programinės įrangos kūrimo aplinkoje „DevOps“ komandos nuolat ieško būdų, kaip pagerinti nuolatinės integracijos ir nuolatinio diegimo (CI/CD) vamzdynų efektyvumą ir patikimumą. Vienas iš perspektyvių būdų yra panaudoti agentinį AI, leidžiantį sukurti intelektualius agentus, galinčius automatizuoti ir optimizuoti „DevOps“ užduotis. Šiame straipsnyje mes išnagrinėsime, kaip įdiegti dirbtinio intelekto pagrindu veikiančius agentus naudojant Kiro ir LangChain – dvi pažangiausias sistemas, kurios sukelia perversmą DevOps automatizavimo srityje.
Kas yra agentinis AI?
Agentinis AI reiškia dirbtinio intelekto tipą, kuris yra sukurtas savarankiškai atlikti užduotis, panašiai kaip žmogaus agentas. „DevOps“ kontekste agentinis AI gali būti naudojamas automatizuoti tokias užduotis kaip programinės įrangos kūrimas, testavimas ir diegimas. Naudodami mašininio mokymosi ir natūralios kalbos apdorojimo (NLP) metodus, AI agentai gali mokytis iš patirties ir prisitaikyti prie besikeičiančios aplinkos, todėl jie idealiai tinka sudėtingoms ir dinamiškoms „DevOps“ darbo eigoms.
Pristatome Kiro ir LangChain
„Kiro“ ir „LangChain“ yra dvi atvirojo kodo sistemos, specialiai sukurtos agentinėms AI sistemoms kurti. „Kiro“ yra „Rust“ pagrindu sukurta sistema, kuri suteikia tvirtą ir keičiamo dydžio platformą intelektualiems agentams kurti, o „LangChain“ yra „Python“ pagrindu sukurta sistema, orientuota į NLP ir kalbos supratimą.
Kiro: rūdžių pagrindu sukurta pažangių agentų kūrimo sistema
„Kiro“ yra moderni „Rust“ pagrindu sukurta sistema, kuri suteikia išsamią platformą intelektualiems agentams kurti. Naudodami Kiro kūrėjai gali sukurti agentus, kurie gali sąveikauti su įvairiomis sistemomis, paslaugomis ir duomenų šaltiniais bei atlikti tokias užduotis kaip:
- Darbo eigos ir procesų automatizavimas
- Duomenų analizė ir sprendimų priėmimas
- Bendravimas su žmonėmis ir kitomis sistemomis
„Kiro“ architektūra sukurta taip, kad būtų labai keičiama ir lanksti, todėl tai idealus pasirinkimas didelio masto „DevOps“ automatizavimo projektams.
LangChain: Python pagrindu sukurta NLP ir kalbos supratimo sistema
„LangChain“ yra „Python“ pagrindu sukurta sistema, orientuota į NLP ir kalbos supratimą. Naudodami „LangChain“, kūrėjai gali sukurti agentus, kurie gali suprasti ir generuoti į žmogų panašią kalbą ir atlikti tokias užduotis kaip:
- Natūralios kalbos apdorojimas (NLP)
- Teksto analizė ir sentimentų analizė
- Kalbos vertimas ir generavimas
„LangChain“ architektūra sukurta taip, kad būtų labai modulinė ir išplečiama, todėl tai yra idealus pasirinkimas kuriant pasirinktines NLP ir kalbos supratimo galimybes.
** Dirbtinio intelekto pagrįstų agentų diegimas naudojant „Kiro“ ir „LangChain“**
Norėdami parodyti „Kiro“ ir „LangChain“ galią, panagrinėkime paprastą dirbtinio intelekto agento, kuris automatizuoja CI / CD konvejerį, kūrimo pavyzdį. Šiame pavyzdyje naudosime „Kiro“, kad sukurtume agentą, galintį sąveikauti su „Git“ saugykla, sukurti ir išbandyti kodą bei įdiegti programą debesies platformoje.
Čia yra paprastas kodo blokas, parodantis, kaip sukurti Kiro agentą, kuris automatizuoja CI / CD konvejerį:
importo kiro
iš langchain importo LLAMA
agentas = kiro.Agent(
name = "ci_cd_agent",
description="Automatizuoja CI/CD konvejerį",
veiksmai=[
kiro.Veiksmas(
name = "git_clone",
description="Klonuoja Git saugyklą",
kodas="""
importuoti git
repo = git.Repo.clone("https://github.com/user/repo.git")
"""
),
kiro.Veiksmas(
name = "statyti",
description="Sukuria kodą",
kodas="""
importo subprocesas
subprocess.run(["make", "build"])
"""
),
kiro.Veiksmas(
name = "testas",
description="vykdo testus",
kodas="""
importo subprocesas
subprocess.run(["padaryti", "bandyti"])
"""
),
kiro.Veiksmas(
name = "diegti",
description="Diegia programą",
kodas="""
importo subprocesas
subprocess.run(["make", "deploy"])
"""
)
]
)
# Sukurkite LangChain LLAMA modelį
lama = LLAMA (
vardas = "lama_modelis",
description="LLAMA modelis kalbos supratimui",
kodas="""
importuoti langchain
modelis = langchain.LLAMA(
vardas = "lama_modelis",
description="LLAMA modelis kalbos supratimui",
kodas="""
importuoti langchain
modelis = langchain.LLAMA(
vardas = "lama_modelis",
description="LLAMA modelis kalbos supratimui",
kodas="""
def process_text(tekstas):
# Apdorokite tekstą naudodami LLAMA modelį
grąžinti tekstą
"""
)
"""
)
"""
)
# Sukurkite „Kiro“ agentą, kuris naudoja „LangChain LLAMA“ modelį
agentas = kiro.Agent(
name = "ci_cd_agent",
description="Automatizuoja CI/CD konvejerį",
veiksmai=[
kiro.Veiksmas(
name = "git_clone",
description="Klonuoja Git saugyklą",
kodas="""
importuoti git
repo = git.Repo.clone("https://github.com/user/repo.git")
"""
),
kiro.Veiksmas(
name = "statyti",
description="Sukuria kodą",
kodas="""
importo subprocesas
subprocess.run(["make", "build"])
"""
),
kiro.Veiksmas(
name = "testas",
description="vykdo testus",
kodas="""
importo subprocesas
subprocess.run(["padaryti", "bandyti"])
"""
),
kiro.Veiksmas(
name = "diegti",
description="Diegia programą",
kodas="""
importo subprocesas
subprocess.run(["make", "deploy"])
"""
)
],
language_model=lama
)
# Paleiskite agentą
agent.run()
Šis kodo blokas parodo, kaip sukurti „Kiro“ agentą, kuris automatizuoja CI/CD konvejerį naudojant „LangChain LLAMA“ modelį kalbos supratimui. Agentas gali sąveikauti su „Git“ saugykla, kurti ir išbandyti kodą bei įdiegti programą debesies platformoje.
5–10 dažniausiai naudojamų komandų / fragmentų
Čia yra 5–10 dažniausiai naudojamų Kiro ir LangChain komandų / fragmentų:
kiroutil init: inicijuoja naują Kiro projektą.kiroutil build: sukuria Kiro agentą.- „langchain init“: inicijuoja naują „LangChain“ projektą.
- „langchain build“: sukuria „LangChain“ modelį.
- „kiroutil run“: vadovauja Kiro agentui.
- „langchain testas“: išbandomas „LangChain“ modelis.
- „Kiroutil deploy“: diegia Kiro agentą debesies platformoje.
- „Langchain įvertinti“: įvertina „LangChain“ modelį.
- „kiroutil debug“: derina „Kiro“ agentą.
- „langchain visualize“: vizualizuoja „LangChain“ modelį.
Vizualizacija
Štai Kiro ir LangChain architektūros vizualizacija naudojant Chart.js:
{
"tipas": "juosta",
"duomenys": {
"labels": ["Kiro", "LangChain"],
"duomenų rinkiniai": [
{
"etiketė": "Architektūra",
"duomenys": [100, 80],
"backgroundColor": ["#4CAF50", "#FF9800"]
}
]
},
"parinktys": {
"pavadinimas": {
"display": tiesa,
"tekstas": "Kiro ir LangChain architektūra"
},
"legenda": {
ekranas: tiesa
}
}
}
Ši vizualizacija demonstruoja aukšto lygio Kiro ir LangChain architektūrą, pabrėždama atitinkamas jų stipriąsias ir silpnąsias puses.
Išvada
Šiame straipsnyje mes ištyrėme agentinio AI galią, skirtą „DevOps“ automatizavimui naudojant „Kiro“ ir „LangChain“. Naudodami šias pažangiausias sistemas, kūrėjai gali sukurti išmaniuosius agentus, galinčius automatizuoti ir optimizuoti CI / CD vamzdynus, pagerindami programinės įrangos pristatymo efektyvumą ir sumažindami klaidų riziką. Naudodami „Kiro“ ir „LangChain“, kūrėjai gali sukurti pasirinktines NLP ir kalbos supratimo galimybes bei sąveikauti su įvairiomis sistemomis, paslaugomis ir duomenų šaltiniais. Taip pat pateikėme paprastą kodo bloką, kuris parodo, kaip sukurti „Kiro“ agentą, kuris automatizuoja CI/CD konvejerį naudojant „LangChain LLAMA“ modelį kalbos supratimui.