Програм хангамжийн архитектур болон DevOps автоматжуулалтад зориулсан Agentic AI-г ашиглах

Танилцуулга

Хиймэл оюун ухаан (AI) болон машин сургалтын (ML) хурдацтай хувьсал нь бие даан үйлдэл хийж, шийдвэр гаргах чадвартай хиймэл оюун ухааны төрөл болох агентын хиймэл оюун ухааныг хөгжүүлэхэд хүргэсэн. Энэхүү технологи нь бидний програм хангамжийн архитектур болон DevOps автоматжуулалтад хандах хандлагыг өөрчлөх чадвартай. Энэ нийтлэлд бид программ хангамжийн архитектур, дэд бүтэц, DevOps процессыг автоматжуулах зорилгоор агентын хиймэл оюун ухаан, том хэлний загвар (LLM) болон LangChain, DSPy зэрэг зохион байгуулалтын хэрэгслүүдийг нэгтгэх талаар судлах болно.

Agentic AI гэж юу вэ?

Agentic AI гэдэг нь бие даан үйлдэл хийж, шийдвэр гаргах чадвартай хиймэл оюун ухааны төрлийг хэлдэг. Энэ нь тодорхой үүрэг даалгаврыг гүйцэтгэх, урьдчилан тодорхойлсон дүрмийн багцыг дагаж мөрдөх зориулалттай хиймэл оюун ухааны уламжлалт системээс ялгаатай юм. Харин Agentic AI системүүд нь илүү бие даасан, дасан зохицох чадвартай байхаар бүтээгдсэн бөгөөд хүрээлэн буй орчноосоо суралцах, өөрсдийн зорилго, зорилтод тулгуурлан шийдвэр гаргах боломжийг олгодог.

Agentic AI дахь LLM-ийн үүрэг

Large Language Models (LLMs) нь асар их хэмжээний текст өгөгдөл дээр бэлтгэгдсэн, хүнтэй төстэй хэл үүсгэх чадвартай хиймэл оюун ухааны нэг төрөл юм. LLMs нь хүний хэлийг ойлгох, бий болгох чадварыг хангадаг AI системийн гол бүрэлдэхүүн хэсэг юм. Энэ нь хиймэл оюун ухаант системүүд нь хүмүүс болон бусад системүүдтэй илүү байгалийн, ойлгомжтой байдлаар харилцах боломжийг олгодог.

Оркестрийн хэрэгслүүд: LangChain болон DSPy

LangChain болон DSPy зэрэг зохион байгуулалтын хэрэгслүүд нь янз бүрийн систем, бүрэлдэхүүн хэсгүүдийн хоорондын харилцан үйлчлэлийг зохицуулах, зохицуулах зорилготой юм. Эдгээр хэрэгслүүд нь өгөгдөл боловсруулах, загварчлах, байршуулах зэрэг ажлуудыг багтааж болох ажлын урсгалыг тодорхойлж, гүйцэтгэх арга замыг өгдөг.

LangChain

LangChain бол ажлын урсгалыг бий болгох, удирдахад уян хатан, өргөтгөх боломжтой тогтолцоог хангадаг нээлттэй эхийн зохион байгуулалтын хэрэгсэл юм. LangChain нь LLM, мэдээллийн сан, API зэрэг олон төрлийн систем, бүрэлдэхүүн хэсгүүдтэй ажиллахад зориулагдсан.

DSPy

DSPy нь Python-д суурилсан зохион байгуулалтын хэрэгсэл бөгөөд ажлын урсгалыг тодорхойлох, гүйцэтгэх энгийн бөгөөд ойлгомжтой арга юм. DSPy нь LLM, мэдээллийн сан, API зэрэг олон төрлийн систем, бүрэлдэхүүн хэсгүүдтэй ажиллахад зориулагдсан.

Програм хангамжийн архитектур болон DevOps процессуудыг автоматжуулах

Agentic AI, LLMs болон LangChain, DSPy зэрэг зохион байгуулалтын хэрэгслийг өргөн хүрээний програм хангамжийн архитектур болон DevOps процессуудыг автоматжуулахад ашиглаж болно. Зарим жишээнд:

Автоматжуулсан кодыг шалгах: Agentic AI системийг кодыг шалгаж, алдаа, аюулгүй байдлын сул тал зэрэг болзошгүй асуудлуудыг тодорхойлоход ашиглаж болно.
Автоматжуулсан туршилт: Agentic AI системийг нэгжийн туршилт, интеграцийн туршилт, төгсгөлийн туршилт зэрэг туршилтыг автоматжуулахад ашиглаж болно.
Автоматжуулсан байршуулалт: Agentic AI системийг код, тохиргоо болон бусад нөөцийг байршуулах зэрэг байршуулалтыг автоматжуулахад ашиглаж болно.
Автомат хяналт: Agentic AI системийг системийн гүйцэтгэл, аюулгүй байдал болон бусад хэмжигдэхүүнийг хянах зэрэг хяналтыг автоматжуулахад ашиглаж болно.

Практик хэрэгжилт

Энэ хэсэгт бид LangChain болон DSPy программ хангамжийн архитектур болон DevOps процессыг автоматжуулахын тулд хэрхэн ашиглах энгийн жишээг өгөх болно.

Жишээ нь: Кодын хянан шалгах ажиллагааг автоматжуулах

Энэ жишээнд бид LangChain болон DSPy-г ашиглан кодын хяналтыг автоматжуулах болно. Бид дараах алхмуудыг агуулсан ажлын урсгалыг тодорхойлно.

Код шинжилгээ: Ажлын урсгал нь LLM ашиглан кодонд дүн шинжилгээ хийж, болзошгүй асуудлуудыг тодорхойлно.
Код хянан үзэх: Ажлын урсгал нь кодыг хянаж, болзошгүй асуудлуудыг тодорхойлохын тулд агент AI системийг ашиглана.
Код байршуулалт: Ажлын урсгал нь үйлдвэрлэлийн орчинд кодыг байрлуулахын тулд байршуулах хэрэгслийг ашиглана.

LangChain болон DSPy ашиглан энэ ажлын урсгалыг хэрхэн хэрэгжүүлэх жишээ энд байна:

langchain импортлох
langchain import LLM-ээс

# LLM-ийг тодорхойлох
llm = LLM("текст-давинчи-003")

# Агент AI системийг тодорхойлох
ai_system = langchain.AgenticAI()

# Ажлын урсгалыг тодорхойлох
ажлын урсгал = langchain.Workflow(
    алхам=[
        langchain.Алхам(
            нэр = "Код шинжилгээ",
            func=llm.analyze_code,
            inputs={"code": "def hello_world(): print('Hello World')"},
        ),
        langchain.Алхам(
            нэр = "Код хянан үзэх",
            func=ai_system.review_code,
            inputs={"code": "def hello_world(): print('Hello World')"},
        ),
        langchain.Алхам(
            нэр = "Код байршуулалт",
            func=langchain.deploy_code,
            inputs={"code": "def hello_world(): print('Hello World')"},
        ),
    ]
)

# Ажлын урсгалыг гүйцэтгэх
ажлын урсгал.execute()

Энэ код нь кодын дүн шинжилгээ, кодыг шалгах, код байршуулах гэсэн гурван үе шатыг агуулсан ажлын урсгалыг тодорхойлдог. Ажлын урсгал нь кодыг шинжлэхэд LLM, кодыг хянах агентын хиймэл оюун ухааны системийг, үйлдвэрлэлийн орчинд кодыг байршуулах хэрэгслийг ашигладаг.

Хамгийн их ашиглагддаг 5-10 тушаал/хэсэг

LangChain болон DSPy-д хамгийн их ашиглагддаг 5-10 тушаал/хэсэг энд байна:

langchain.Workflow(steps=[...]): Олон алхам бүхий ажлын урсгалыг тодорхойлно.
langchain.Step(name="...", func=..., inputs={...}): Ажлын урсгалын нэг алхамыг тодорхойлно.
llm.analyze_code(inputs={"code": ...}): Кодыг шинжлэхийн тулд LLM ашиглана уу.
ai_system.review_code(inputs={"code": ...}): Кодыг шалгахын тулд агент AI системийг ашиглана уу.
langchain.deploy_code(inputs={"code": ...}): Үйлдвэрлэлийн орчинд кодыг байршуулах.
langchain.AgenticAI(): Агент AI системийн жишээг үүсгэ.
langchain.LLM(): LLM-ийн жишээ үүсгэх.
langchain.deploy_code(): Кодыг үйлдвэрлэлийн орчинд байрлуулах.
langchain.execute_workflow(): Ажлын урсгалыг гүйцэтгэх.
langchain.get_workflow_status(): Ажлын урсгалын статусыг авна уу.

Дүрслэл

Chart.js ашиглан ажлын урсгалыг хэрхэн дүрслэн харуулах жишээ энд байна:

{
  "төрөл": "бар",
  "өгөгдөл": {
    "шошго": ["Кодны шинжилгээ", "Кодын тойм", "Код байршуулалт"],
    "өгөгдлийн багц": [
      {
        "label": "Ажлын урсгалын алхамууд",
        "өгөгдөл": [10, 20, 30],
        "арын өнгө": [
          "rgba(255, 99, 132, 0.2)",
          "rgba(54, 162, 235, 0.2)",
          "rgba(255, 206, 86, 0.2)"
        ],
        "borderColor": [
          "rgba(255, 99, 132, 1)",
          "rgba(54, 162, 235, 1)",
          "rgba(255, 206, 86, 1)"
        ],
        "хилийн өргөн": 1
      }
    ]
  },
  "сонголт": {}
}

Энэ код нь кодын дүн шинжилгээ, кодын тойм, кодын байршуулалт гэсэн гурван шошго бүхий зураасан диаграммыг тодорхойлдог. График нь ажлын урсгалын үе шат бүрийн алхмуудын тоог харуулж байна.

Дүгнэлт

Agentic AI, LLMs болон LangChain, DSPy зэрэг зохион байгуулалтын хэрэгслүүд нь бидний програм хангамжийн архитектур болон DevOps автоматжуулалтад хандах хандлагыг өөрчлөх боломжтой. Код шалгах, турших, байршуулах зэрэг ажлуудыг автоматжуулснаар бид хөгжүүлэлтийн үйл явцынхаа үр ашиг, үр ашгийг дээшлүүлэх боломжтой. Энэ нийтлэлд бид эдгээр технологиудыг нэгтгэх талаар судалж, програм хангамжийн архитектур болон DevOps процессыг автоматжуулахад тэдгээрийг хэрхэн ашиглах энгийн жишээг өгсөн.