ZeroOps atrakinimas naudojant AI agentus ir konteksto inžineriją: modeliu pagrįstas AI DevOps automatizavimo metodas naudojant StackGen ir LangChain
Įvadas
Sparčiai besikeičiančioje programinės įrangos kūrimo aplinkoje ZeroOps koncepcija atsirado kaip revoliucinis požiūris į DevOps automatizavimą. „ZeroOps“ siekia pašalinti rankinio įsikišimo į programinės įrangos sistemų diegimą ir valdymą poreikį, kad kūrėjai galėtų sutelkti dėmesį į aukštesnio lygio užduotis, tokias kaip naujovės ir kūrybiškumas. Šiame straipsnyje mes pasinersime į „ZeroOps“ pasaulį ir išnagrinėsime, kaip dirbtinio intelekto agentai ir konteksto inžinerija gali būti panaudoti siekiant šio tikslo. Taip pat aptarsime modeliais pagrįsto AI DevOps automatizavimo metodo įgyvendinimą naudojant StackGen ir LangChain.
Kas yra ZeroOps?
„ZeroOps“ yra „DevOps“ paradigma, kuria siekiama automatizuoti visą programinės įrangos kūrimo gyvavimo ciklą – nuo kūrimo iki diegimo ir valdymo. Pagrindinis „ZeroOps“ tikslas yra pašalinti poreikį rankiniu būdu įsikišti į programinės įrangos sistemų diegimą ir valdymą, taip sumažinant žmogiškųjų klaidų tikimybę ir padidinant programinės įrangos pristatymo greitį ir efektyvumą.
AI agentai ir konteksto inžinerija
AI agentai ir konteksto inžinerija atlieka lemiamą vaidmenį įgyvendinant „ZeroOps“. AI agentai yra programinės įrangos programos, galinčios suvokti savo aplinką ir imtis veiksmų, kad pasiektų konkrečius tikslus. Kita vertus, konteksto inžinerija apima sistemų, kurios gali suprasti ir reaguoti į kontekstą, kuriame jos veikia, projektavimą ir įgyvendinimą.
„ZeroOps“ kontekste AI agentai gali būti naudojami automatizuoti įvairias užduotis, pvz., diegimą, testavimą ir stebėjimą. Konteksto inžinerija gali būti naudojama kuriant sistemas, kurios gali suprasti kontekstą, kuriame jos veikia, pvz., aplinką, vartotoją ir atliekamą užduotį.
StackGen: modeliu pagrįstas AI DevOps automatizavimo metodas
„StackGen“ yra atvirojo kodo sistema, leidžianti kūrėjams įgyvendinti modeliu pagrįstą AI DevOps automatizavimo metodą. „StackGen“ pateikia iš anksto nustatytų šablonų ir šablonų rinkinį, kuris gali būti naudojamas automatizuoti įvairias užduotis, pvz., diegimą, testavimą ir stebėjimą.
„StackGen“ sukurtas ant „LangChain“ – sistemos, leidžiančios kūrėjams kurti pokalbio AI sistemas. „LangChain“ teikia API ir įrankių rinkinį, kurį galima naudoti kuriant pokalbio AI sistemas, kurios gali suprasti ir reaguoti į natūralios kalbos įvestis.
LangChain: pokalbių AI sistemų kūrimas
„LangChain“ yra sistema, leidžianti kūrėjams kurti pokalbio AI sistemas. „LangChain“ teikia API ir įrankių rinkinį, kurį galima naudoti kuriant pokalbio AI sistemas, kurios gali suprasti ir reaguoti į natūralios kalbos įvestis.
„LangChain“ sukurta remiantis daugybe atvirojo kodo technologijų, įskaitant „TensorFlow“ ir „PyTorch“. „LangChain“ teikia API ir įrankių rinkinį, kurį galima naudoti kuriant pokalbio AI sistemas, kurios gali suprasti ir reaguoti į natūralios kalbos įvestis.
** „ZeroOps“ diegimas naudojant „StackGen“ ir „LangChain“**
Norėdami įdiegti ZeroOps su StackGen ir LangChain, turime atlikti kelis veiksmus:
- Apibrėžkite AI agentą: pirmasis žingsnis diegiant ZeroOps yra apibrėžti AI agentą, kuris bus naudojamas automatizuoti įvairias užduotis. AI agentą galima apibrėžti naudojant daugybę iš anksto nustatytų šablonų ir šablonų, kuriuos pateikia StackGen.
- Konteksto modulio kūrimas: kitas žingsnis – sukurti kontekstinį variklį, kuris bus naudojamas suprasti kontekstą, kuriame veikia AI agentas, ir į jį reaguoti. Kontekstinis variklis gali būti sukurtas naudojant daugybę „LangChain“ teikiamų API ir įrankių.
- Įdiekite AI agentą: kai bus apibrėžtas AI agentas ir konteksto variklis, kitas veiksmas yra įdiegti AI agentą naudojant daugybę API ir įrankių, kuriuos teikia StackGen ir LangChain.
- Test and Deploy: paskutinis veiksmas yra AI agento išbandymas ir įdiegimas gamybinėje aplinkoje.
Kodo pavyzdys: paprasto AI agento diegimas naudojant StackGen ir LangChain
Čia yra kodo bloko pavyzdys, rodantis, kaip įdiegti paprastą AI agentą naudojant StackGen ir LangChain:
importuoti langchain
iš langchain.chains importuoti LLMChain
iš langchain.llms importuoti LLM
ai_agent = LLMchain(
llm=LLM(
model_name="davinci:3-batch",
temperatūra = 0,5,
max_tokens=100,
),
input_format="tekstas",
output_format="tekstas",
)
# Apibrėžkite kontekstinį variklį
konteksto_variklis = langchain.ContextEngine(
llm=LLM(
model_name="davinci:3-batch",
temperatūra = 0,5,
max_tokens=100,
),
input_format="tekstas",
output_format="tekstas",
)
# Įdiekite AI agentą
ai_agent.implement(
Context_engine=context_engine,
input_text="Sveiki, kaip sekasi?",
)
# Išbandykite ir įdiekite AI agentą
ai_agent.test_and_deploy(
input_text="Sveiki, kaip sekasi?",
)
Šis kodo blokas parodo, kaip įdiegti paprastą AI agentą naudojant StackGen ir LangChain. AI agentas apibrėžiamas naudojant daugybę iš anksto nustatytų šablonų ir šablonų, kuriuos pateikia StackGen. Kontekstinis variklis sukurtas naudojant daugybę „LangChain“ teikiamų API ir įrankių. AI agentas įdiegtas naudojant daugybę API ir įrankių, kuriuos teikia StackGen ir LangChain. Galiausiai AI agentas išbandomas ir įdiegiamas gamybinėje aplinkoje.
5–10 dažniausiai naudojamų komandų / fragmentų
Čia yra 5–10 dažniausiai naudojamų „StackGen“ ir „LangChain“ komandų / fragmentų:
langchain.LLMChain(): sukuria naują LLM grandinės objektą.- „langchain.ContextEngine()“: sukuria naują kontekstinio variklio objektą.
LLM(model_name="davinci:3-batch", temperatūra=0.5, max_tokens=100): sukuria naują LLM objektą su nurodytu modelio pavadinimu, temperatūra ir maksimaliais prieigos raktais.ai_agent.implement(context_engine=context_engine, input_text="Sveiki, kaip sekasi?"): DI agentas įdiegiamas naudojant nurodytą kontekstinį variklį ir įvesties tekstą.ai_agent.test_and_deploy(input_text="Sveiki, kaip sekasi?"): išbando ir diegia AI agentą naudodamas nurodytą įvesties tekstą.langchain.llms.LLM(): sukuria naują LLM objektą.langchain.chains.LLMChain(): sukuria naują LLM grandinės objektą.- `langchain.ContextEngine(llm=LLM(model_name="davinci:3-batch", temperatūra=0.5, max_tokens=100))': sukuria naują kontekstinio variklio objektą, naudodamas nurodytą LLM objektą.
- `ai_agent.context_engine = langchain.ContextEngine(llm=LLM(model_name="davinci:3-batch", temperatūra=0.5, max_tokens=100))': nustato AI agento kontekstinį variklį į nurodytą kontekstinio variklio objektą.
ai_agent.input_text = "Sveiki, kaip sekasi?": AI agento įvesties tekstas nustatomas į nurodytą įvesties tekstą.
Vizualizacija
Štai ZeroOps architektūros vizualizacija naudojant Chart.js:
{
"tipas": "juosta",
"duomenys": {
"labels": ["AI agentas", "Context Engine", "StackGen", "LangChain"],
"duomenų rinkiniai": [
{
"etiketė": "Architektūra",
"duomenys": [10, 8, 6, 4],
"backgroundColor": ["#FF6384", "#36A2EB", "#FFCE56", "#4BC0C0"]
}
]
},
"parinktys": {
"pavadinimas": {
"display": tiesa,
"text": "ZeroOps architektūra"
},
"legenda": {
ekranas: tiesa
},
"svarstyklės": {
„yAxes“: [
{
"erkės": {
"beginAtZero": tiesa
}
}
]
}
}
}
Ši vizualizacija parodo ZeroOps sistemos architektūrą, įskaitant AI agentą, kontekstinį variklį, StackGen ir LangChain.
Išvada
„ZeroOps“ yra revoliucinis „DevOps“ automatizavimo metodas, kuriuo siekiama pašalinti rankinio įsikišimo į programinės įrangos sistemų diegimą ir valdymą poreikį. Dirbtinio intelekto agentai ir konteksto inžinerija atlieka esminį vaidmenį diegiant „ZeroOps“, o „StackGen“ ir „LangChain“ suteikia šablonu pagrįstą AI DevOps automatizavimo metodą. Įdiegę paprastą AI agentą naudodami StackGen ir LangChain, galime automatizuoti įvairias užduotis, tokias kaip diegimas, testavimas ir stebėjimas. Taip pat pateikiamos 5–10 dažniausiai naudojamų „StackGen“ ir „LangChain“ komandų / fragmentų, taip pat „ZeroOps“ architektūros vizualizacija naudojant Chart.js.