AI агентууд болон LangChain-тай ZeroOps дэд бүтцийн зохион байгуулалт | B4N1

AI агентууд болон LangChain-тай ZeroOps дэд бүтцийн зохион байгуулалт

7 months ago · b4n1 Read time: 4 min

** AI агентууд болон LangChain-тай ZeroOps дэд бүтцийн зохион байгуулалт**

Танилцуулга

Програм хангамжийн инженерчлэл болон DevOps хурдацтай хөгжиж буй орчинд үр ашигтай, өргөтгөх боломжтой дэд бүтцийн зохион байгуулалтын хэрэгцээ улам бүр нэмэгдэж байна. Дэд бүтцийн менежментийн уламжлалт аргууд нь ихэвчлэн гарын авлагын тохиргоо, скрипт дээр тулгуурладаг бөгөөд энэ нь алдаа, зөрчил, саад бэрхшээлийг үүсгэдэг. Эдгээр сорилтыг шийдвэрлэхийн тулд шинэ парадигм гарч ирэв: AI агентууд болон LangChain-тай ZeroOps дэд бүтцийн зохион байгуулалт.

ZeroOps гэж юу вэ?

ZeroOps бол гарын авлагын тохиргоо, скрипт хийх хэрэгцээг арилгахын тулд AI агентууд болон автоматжуулалтыг ашигладаг дэд бүтцийн менежментийн хувьсгалт арга юм. Дэд бүтцийн ашиглалтын мөчлөгийг бүхэлд нь автоматжуулснаар ZeroOps нь байршуулалтаас эхлээд өргөтгөх, засвар үйлчилгээ хийх хүртэл үр ашиг, өргөтгөх чадвар, найдвартай байдлын урьд өмнө байгаагүй түвшинд хүрэх боломжийг байгууллагуудад олгодог.

LangChain: хиймэл оюун ухаанаар ажилладаг автоматжуулалтын хүрээ

LangChain бол хөгжүүлэгчдэд энгийн, ойлгомжтой програмчлалын загвар ашиглан хиймэл оюун ухаанаар ажилладаг автоматжуулалтын ажлын урсгалыг бий болгох боломжийг олгодог нээлттэй эхийн хүрээ юм. LangChain нь хиймэл оюун ухаан болон автоматжуулалтын нарийн төвөгтэй байдлын талаар өндөр түвшний хийсвэрлэлээр хангаснаар хамгийн төвөгтэй дэд бүтцийн орчныг ч удирдах боломжтой боловсронгуй автоматжуулалтын шугам хоолойг бий болгоход хялбар болгодог.

AI агентууд: ZeroOps-ийн түлхүүр

AI агентууд нь даалгавруудыг автоматжуулах, шийдвэр гаргахын тулд машин сурах болон бусад хиймэл оюун ухааны аргуудыг ашигладаг програм хангамжийн бүрэлдэхүүн хэсэг юм. ZeroOps-ийн хүрээнд AI агентууд дэд бүтцийн эрүүл мэндийг хянах, гажиг илрүүлэх, оновчтой гүйцэтгэлийг хангахын тулд засч залруулах арга хэмжээ авахад чухал үүрэг гүйцэтгэдэг.

StackGen болон OpsVerse: AI-д суурилсан автоматжуулалтыг хурдасгах

StackGen болон OpsVerse нь инженерийн болон DevOps ажлын урсгалд зориулсан хиймэл оюун ухаанд суурилсан автоматжуулалтыг хурдасгах хоёр шинэлэг хэрэгсэл юм. StackGen бол хөгжүүлэгчдэд энгийн, тунхагласан синтакс ашиглан захиалгат дэд бүтцийн загвар үүсгэх боломжийг олгодог код үүсгэх хэрэгсэл юм. Нөгөө талаас OpsVerse нь олон дэд бүтцийн орчныг удирдах, ажлын урсгалыг автоматжуулах нэгдсэн интерфейсээр хангадаг платформ юм.

LangChain болон AI агентуудтай ZeroOps-ийг хэрэгжүүлэх

LangChain болон AI агентуудтай ZeroOps-ийг хэрэгжүүлэхийн тулд бид алхам алхмаар арга барилыг баримтална.

Алхам 1: Дэд бүтцийн загваруудыг тодорхойлох

StackGen-ийг ашиглан бид хүссэн дэд бүтцийн тохиргоог дүрсэлсэн захиалгат дэд бүтцийн загваруудыг тодорхойлох болно. Үүнд виртуал машин, сүлжээ, хадгалах сан болон бусад нөөцийн техникийн үзүүлэлтүүд орно.

импортын стекген


загвар = stackgen. Template(
    нэр = "миний дэд бүтэц",
    нөөц=[
        stackgen.Resource(
            нэр = "vm1",
            төрөл = "vm",
            шинж чанарууд={
                "Cpu": 2,
                "санах ой": 4,
                "хадгалах": 100
            }
        ),
        stackgen.Resource(
            нэр = "vm2",
            төрөл = "vm",
            шинж чанарууд={
                "Cpu": 4,
                "санах ой": 8,
                "хадгалах": 200
            }
        )
    ]
)

# Дэд бүтцийн код үүсгэх
дэд бүтцийн_код = template.generate()

Алхам 2: AI агентуудыг үүсгэ

LangChain-ийг ашигласнаар бид дэд бүтцийн эрүүл мэндийг хянаж, гажиг илрүүлж, засч залруулах арга хэмжээ авах боломжтой хиймэл оюун ухааны агентуудыг бий болгоно. Бид CPU-ийн хэрэглээг шалгаж, тодорхой босго хэмжээнээс хэтэрсэн тохиолдолд дохио өгдөг энгийн агентийг тодорхойлох болно.

langchain импортлох

# AI агентийг тодорхойлох
агент = langchain.Agent(
    нэр = "cpu_agent",
    төрөл = "cpu",
    шинж чанарууд={
        "босго": 80
    }
)

# Агент логикийг тодорхойлох
def check_cpu_usage(vm):
    # CPU ашиглалтыг шалгана уу
    cpu_usage = vm.get_cpu_usage()
    хэрэв cpu_usage > agent.properties["босго"]:
        # CPU-ийн ашиглалт босго хэмжээнээс хэтэрсэн тохиолдолд анхааруулах
        буцаах "CPU-ийн хэрэглээ босгыг давсан"
    өөр:
        # CPU-ийн хэрэглээ босгон дотор байвал null буцаана
        буцаах Байхгүй

Алхам 3: AI агентуудыг дэд бүтцийн загвартай нэгтгэх

Бид автоматжуулалтын нэгдсэн шугамыг бий болгохын тулд AI агентуудыг дэд бүтцийн загваруудтай нэгтгэх болно. Энэхүү дамжуулах хоолой нь дэд бүтцийн эрүүл мэндэд хяналт тавьж, гажиг илрүүлж, оновчтой гүйцэтгэлийг хангахын тулд засч залруулах арга хэмжээ авна.

langchain импортлох

# Автоматжуулалтын дамжуулах хоолойг тодорхойлох
дамжуулах хоолой = langchain.Pipeline(
    нэр = "миний_ дамжуулах хоолой",
    агентууд=[агент],
    загварууд=[загвар]
)

# Автоматжуулалтын дамжуулах хоолойг ажиллуул
pipeline.run()

Хамгийн их ашиглагддаг 5-10 тушаал/хэсэг

LangChain болон AI агентуудад хамгийн их ашиглагддаг 5-10 тушаал/хэсэг энд байна:

  1. langchain.Agent(name="cpu_agent", type="cpu", шинж чанар={"босго": 80})
  2. stackgen.Template(нэр="миний_дэд бүтэц", нөөц=[...])
  3. langchain.Pipeline(нэр="my_pipeline", агентууд=[агент], загварууд=[загвар])
  4. agent.run(check_cpu_usage(vm))
  5. template.generate()
  6. langchain.Agent.update_properties(агент, {"босго": 90})
  7. stackgen.Resource(name="vm1", type="vm", шинж чанар={"cpu": 2, "санах ой": 4, "хадгалах": 100})
  8. langchain.Pipeline.remove_agent(дамжуулах хоолой, агент)
  9. langchain.Agent.add_property(агент, "анхаарал", Үнэн)
  10. stackgen.Template.update_resource(загвар, "vm1", {"cpu": 4, "санах ой": 8, "хадгалах": 200})

Дүрслэл

Chart.js ашиглан автоматжуулалтын дамжуулах хоолойн энгийн дүрслэл энд байна:

{
  "төрөл": "бар",
  "өгөгдөл": {
    "шошго": ["CPU хэрэглээ", "Санах ойн хэрэглээ", "Хадгалах сангийн хэрэглээ"],
    "өгөгдлийн багц": [
      {
        "label": "Босго",
        "өгөгдөл": [80, 80, 80],
        "backgroundColor": "rgba(255, 99, 132, 0.2)",
        "borderColor": "rgba(255, 99, 132, 1)",
        "хилийн өргөн": 1
      },
      {
        "label": "Бодит",
        "өгөгдөл": [70, 70, 70],
        "backgroundColor": "rgba(54, 162, 235, 0.2)",
        "borderColor": "rgba(54, 162, 235, 1)",
        "хилийн өргөн": 1
      }
    ]
  },
  "сонголт": {
    "гарчиг": {
      "дэлгэц": үнэн,
      "текст": "Автоматжуулалтын дамжуулах хоолой"
    },
    "масштаб": {
      "yAxes": [
        {
          "дэлгэц": үнэн,
          "хачиг": {
            "beginAtZero": үнэн
          }
        }
      ]
    }
  }
}

Энэхүү дүрслэл нь CPU, санах ой, хадгалах сангийн ашиглалтыг босго утгатай харьцуулж харуулдаг. Автоматжуулалтын шугам хоолой нь энэ өгөгдлийг ашиглан гажиг илрүүлэх, засах арга хэмжээ авах боломжтой.

Дүгнэлт

AI агентууд болон LangChain-тай ZeroOps дэд бүтцийн зохион байгуулалт нь гар аргаар тохируулах, скрипт хийх хэрэгцээг арилгадаг дэд бүтцийн менежментийн хувьсгалт арга юм. AI агентууд болон автоматжуулалтыг ашигласнаар байгууллагууд үр ашиг, өргөтгөх чадвар, найдвартай байдлын урьд өмнө байгаагүй өндөр түвшинд хүрч чадна. StackGen болон OpsVerse-ийн тусламжтайгаар хөгжүүлэгчид инженерийн болон DevOps ажлын урсгалын хиймэл оюун ухаанд суурилсан автоматжуулалтыг хурдасгах боломжтой. Энэ нийтлэлд дурдсан алхам алхмаар арга барилыг дагаснаар хөгжүүлэгчид нь ZeroOps-ийг LangChain болон AI агентуудтай хамтран хэрэгжүүлж, дэд бүтцийн эрүүл мэндийг хянаж, гажиг илрүүлж, оновчтой гүйцэтгэлийг хангахын тулд залруулах арга хэмжээ авдаг нэгдсэн автоматжуулалтын шугамыг бий болгож чадна.

Have Questions?

Let's Talk

Contact me on LinkedIn