ZeroOps. Ինքնավար ենթակառուցվածքի ձեռքբերում AI գործակալների, StackGen-ի և LangChain-ի հետ

Ներածություն

Ամպային բնիկ միջավայրերի անընդհատ զարգացող լանդշաֆտում արդյունավետ և մասշտաբային ենթակառուցվածքների կառավարման պահանջարկը երբեք ավելի մեծ չի եղել: Ավանդական ավտոմատացման գործիքները գործիք են եղել գործընթացների պարզեցման համար, սակայն դրանք հաճախ չեն կարողանում լուծել ժամանակակից ենթակառուցվածքի բարդությունները և նրբությունները: Հենց այստեղ է գալիս ZeroOps-ը՝ հեղափոխական մոտեցում, որն օգտագործում է Agentic AI-ն՝ հասնելու ենթակառուցվածքների ինքնավար կառավարմանը: Այս հոդվածում մենք կխորանանք ZeroOps-ի աշխարհում՝ ուսումնասիրելով դրա հիմնական բաղադրիչները, առավելությունները և գործնական կիրառությունները:

Ի՞նչ է ZeroOps-ը:

ZeroOps-ը ձևավորվող պարադիգմ է, որը համատեղում է Արհեստական ինտելեկտի (AI) ուժը ամպային միջավայրի ճկունության հետ՝ ինքնակառավարվող ենթակառուցվածք ստեղծելու համար: Օգտագործելով AI գործակալների, StackGen-ի և LangChain-ի հնարավորությունները՝ ZeroOps-ը կազմակերպություններին հնարավորություն է տալիս ավտոմատացնել ենթակառուցվածքների կառավարումը, նվազեցնել մարդկային սխալը և բարելավել ընդհանուր արդյունավետությունը:

Գործակալական AI. ZeroOps-ի սիրտը

Գործակալական AI-ն վերաբերում է AI-ի մի տեսակին, որն արտահայտում է խելացի վարքագիծ, որոշումներ կայացնելու կարողություններ և հարմարվողականություն: ZeroOps-ի համատեքստում Agentic AI գործակալները նախագծված են ենթակառուցվածքի օրինաչափություններից սովորելու, անոմալիաները հայտնաբերելու և ուղղիչ գործողություններ կատարելու համար: Այս գործակալները կարող են վերապատրաստվել տարբեր տվյալների աղբյուրների վրա, ներառյալ տեղեկամատյանները, չափումները և կազմաձևման ֆայլերը՝ ենթակառուցվածքի վարքագծի խորը պատկերացում կազմելու համար:

**StackGen. Infrastructure-as-Code (IaC) շարժիչ **

StackGen-ը բաց կոդով IaC շարժիչ է, որը կազմակերպություններին հնարավորություն է տալիս սահմանել և կառավարել ենթակառուցվածքը որպես կոդ: Օգտագործելով StackGen-ը, մշակողները կարող են ստեղծել ենթակառուցվածքի ձևանմուշներ, տեղակայել հավելվածներ և կառավարել ռեսուրսները հետևողական և վերարտադրելի ձևով: StackGen-ի ինտեգրումը Agentic AI գործակալների հետ թույլ է տալիս ստեղծել ինքնաբուժման ենթակառուցվածք, որտեղ գործակալները կարող են հայտնաբերել և շտկել խնդիրները իրական ժամանակում:

LangChain. AI-ի վրա աշխատող ենթակառուցվածքի նվագախումբ

LangChain-ը Python-ի վրա հիմնված շրջանակ է, որը ծրագրավորողներին հնարավորություն է տալիս ստեղծել և տեղակայել AI-ի վրա աշխատող ենթակառուցվածքային կազմակերպիչներ: Օգտագործելով LangChain-ը, կազմակերպությունները կարող են ստեղծել հատուկ AI գործակալներ, որոնք ինտեգրվում են StackGen-ի և այլ ենթակառուցվածքային գործիքների՝ ենթակառուցվածքի ինքնավար կառավարման հասնելու համար: LangChain-ի մոդուլային ճարտարապետությունը և նախապես կառուցված բաղադրիչների ընդարձակ գրադարանը այն դարձնում են իդեալական ընտրություն AI-ով աշխատող բարդ ենթակառուցվածքային լուծումներ կառուցելու համար:

Գործնական կիրառություն. պարզ օրինակ

Եկեք դիտարկենք մի պարզ օրինակ, թե ինչպես կարելի է ZeroOps-ը կիրառվել ամպի բնիկ միջավայրում: Ենթադրենք, մենք ունենք վեբ հավելված, որը տեղակայված է Kubernetes կլաստերի վրա, և մենք ցանկանում ենք ավտոմատացնել հավելվածի մասշտաբավորման գործընթացը՝ ելնելով տրաֆիկի պահանջարկից:

«Պիթոն».

ներմուծման լանգշղթա langchain.agents-ից ներմուծել LLMCchain langchain.llms-ից ներմուծում LangChainLLM

Սահմանեք AI գործակալը

գործակալ = LLMCchain ( llm=LangChainLLM( model_name = "code-davinci-002", ջերմաստիճանը=0.7, max_tokens=2048, stop_sequences=["\n", "\n\n"] ), chain_name = "scale_app" )

Սահմանեք StackGen ձևանմուշը

կաղապար = { «տեսակ»: «Տեղակայում», «մետատվյալներ»: { "name": "web-app" }, "spec": { «կրկնօրինակներ»: 1 } }

Սահմանեք մասշտաբային քաղաքականությունը

քաղաքականություն = { «վիճակ»՝ «երթևեկություն > 1000», «գործողություն»: { «կրկնօրինակներ»: 2 } }

Ստեղծեք AI-ով աշխատող ենթակառուցվածքի նվագախումբ

նվագախումբ = LangChainLLM ( model_name = "code-davinci-002", ջերմաստիճանը=0.7, max_tokens=2048, stop_sequences=["\n", "\n\n"] )

Սահմանեք StackGen-ի տեղակայումը

տեղակայում = StackGen ( կաղապար=կաղապար, քաղաքականություն=քաղաքականություն )

Տեղադրեք հավելվածը

deployment.deploy()

Սանդղակավորեք հավելվածը՝ ելնելով երթևեկության պահանջարկից

orchestrator.scale_app (գործակալ, տեղակայում)


Այս օրինակում մենք սահմանել ենք AI գործակալ՝ օգտագործելով LangChain, որը ինտեգրվում է StackGen-ի հետ՝ ավտոմատացնելու վեբ հավելվածի մասշտաբավորման գործընթացը՝ հիմնված թրաֆիկի պահանջարկի վրա: Գործակալը օգտագործում է նախապես պատրաստված լեզվական մոդել՝ վերլուծելու երթևեկության տվյալները և որոշումներ կայացնելու հավելվածի մասշտաբավորման վերաբերյալ:

**Թոփ 5-10 ամենաշատ օգտագործվող հրամաններ/հատվածներ**

Ահա ZeroOps-ի համար առավել հաճախ օգտագործվող հրամաններից և հատվածներից մի քանիսը.

1. **langchain init**. Նախաձեռնում է նոր LangChain նախագիծը:
Բաշ
langchain init my_project

llm շղթա. Ստեղծում է նոր LLM շղթա: «Պիթոն». langchain.agents-ից ներմուծել LLMCchain langchain.llms-ից ներմուծում LangChainLLM

գործակալ = LLMCchain ( llm=LangChainLLM( model_name = "code-davinci-002", ջերմաստիճանը=0.7, max_tokens=2048, stop_sequences=["\n", "\n\n"] ), chain_name = "իմ_շղթա" )

3. **stackgen deploy**. տեղակայում է StackGen ձևանմուշը ամպային մատակարարին:
Բաշ
stackgen deploy my_template.yaml

orchestrator scale_app. չափում է հավելվածը՝ հիմնված երթևեկության պահանջարկի վրա: «Պիթոն». langchain.agents-ից ներմուծել LLMCchain langchain.llms-ից ներմուծում LangChainLLM

նվագախումբ = LangChainLLM ( model_name = "code-davinci-002", ջերմաստիճանը=0.7, max_tokens=2048, stop_sequences=["\n", "\n\n"] )

orchestrator.scale_app (գործակալ, տեղակայում)

5. **Գործակալների գնացք**. վերապատրաստում է AI գործակալին տվյալների բազայի վրա:
Բաշ
agent train my_dataset.csv

stackgen policy. սահմանում է մասշտաբային քաղաքականություն հավելվածի համար: «Պիթոն». քաղաքականություն = { «վիճակ»՝ «երթևեկություն > 1000», «գործողություն»: { «կրկնօրինակներ»: 2 } }

7. **langchain visualize**. պատկերացնում է AI գործակալի որոշումների կայացման գործընթացը:
Բաշ
langchain պատկերացնել my_agent.json

նվագախմբի կարգավիճակը. Ցուցադրում է հավելվածի կարգավիճակը: Բաշ նվագախմբի կարգավիճակը my_app

9. **stackgen logs**. Ցուցադրում է StackGen-ի տեղակայման տեղեկամատյանները:
Բաշ
stackgen-ը գրանցում է my_deployment-ը

գործակալի գնահատում. Գնահատում է AI գործակալի աշխատանքը: Բաշ գործակալը գնահատում է my_agent.json-ը


**Վիզուալիզացիա**

Ահա ZeroOps ճարտարապետության վիզուալիզացիան՝ օգտագործելով Chart.js:
```ջսոն
{
  «տեսակ»՝ «բար»,
  "տվյալներ": {
    «պիտակներ»՝ [«Գործակալական AI», «StackGen», «LangChain»],
    «տվյալների հավաքածուներ»:
      {
        «պիտակ»: «Բաղադրիչներ»,
        «տվյալներ»: [10, 8, 12],
        "backgroundColor":
          «rgba(255, 99, 132, 0.2)»,
          «rgba(54, 162, 235, 0.2)»,
          «rgba(255, 206, 86, 0.2)»
        ],
        «սահմանի գույն»՝ [
          «rgba(255, 99, 132, 1)»,
          «rgba(54, 162, 235, 1)»,
          «rgba(255, 206, 86, 1)»
        ],
        «սահմանի լայնություն»՝ 1
      }
    ]
  },
  «Ընտրանքներ»: {
    «կշեռքներ»: {
      «yAxes»:
        {
          "ticks": {
            «beginAtZero»: ճիշտ է
          }
        }
      ]
    }
  }
}

Այս վիզուալիզացիան ցույց է տալիս ZeroOps-ի երեք հիմնական բաղադրիչները՝ Agentic AI, StackGen և LangChain: Գծաձև գծապատկերը ցույց է տալիս յուրաքանչյուր բաղադրիչի հարաբերական նշանակությունը ZeroOps ճարտարապետության մեջ:

Եզրակացություն

ZeroOps-ը ենթակառուցվածքների կառավարման հեղափոխական մոտեցում է, որն օգտագործում է Agentic AI-ն, StackGen-ը և LangChain-ը՝ ենթակառուցվածքների ինքնավար կառավարման հասնելու համար: Օգտագործելով AI-ի և IaC-ի ուժը՝ ZeroOps-ը կազմակերպություններին հնարավորություն է տալիս ավտոմատացնել ենթակառուցվածքների կառավարումը, նվազեցնել մարդկային սխալը և բարելավել ընդհանուր արդյունավետությունը: ZeroOps-ն իր գործնական կիրառություններով, գլխավոր հրամաններով և վիզուալիզացիայով պատրաստ է վերափոխել մեր ենթակառուցվածքը կառավարելու եղանակը ամպային բնիկ միջավայրերում:

ZeroOps. Ինքնավար ենթակառուցվածքի ձեռքբերում AI գործակալների, StackGen-ի և LangChain-ի հետ