Журналдардан деректерді қабылдау үшін DSPy үлгісін жасаңыз

LangChain және DSPy көмегімен Agentic AI-ны DevOps Automation-мен біріктіру

Кіріспе

Жасанды интеллект (AI), DevOps және автоматтандырудың қиылысуы бағдарламалық жасақтама инфрақұрылымын басқару және қолдау тәсілімізде төңкеріс жасайды. Адамдар атынан тапсырмаларды орындау үшін AI агенттерін пайдалануды қамтитын Agentic AI әсіресе DevOps автоматтандыруына өте қолайлы. Бұл мақалада біз LangChain және DSPy арқылы агенттік AI-ны DevOps автоматтандыруымен біріктіруді зерттейміз, бұл интеллектуалды, AI басқаратын инфрақұрылымды басқару жүйелерін құруға мүмкіндік беретін екі озық технологиялар.

** LangChain және DSPy түсіну**

LangChain - бұл сөйлесуге арналған AI қосымшаларын құруға арналған ашық бастапқы негіз. Ол табиғи тілді өңдеу (NLP) үлгілерін, диалогты басқару жүйелерін және сөйлесу AI жүйелерін құруға қажетті басқа компоненттерді жасауға арналған құралдар мен кітапханалар жиынтығын ұсынады. LangChain Rust бағдарламалау тілінің үстіне құрастырылған және реттелетін сөйлесу AI қосымшаларын құру үшін икемді, модульдік архитектураны қамтамасыз етеді.

DSPy, екінші жағынан, терең оқыту үлгілерін құруға және қолдануға арналған Python кітапханасы. Ол нейрондық желілерді құруға және оқытуға арналған қарапайым, интуитивті API интерфейсін, сондай-ақ өндіріс орталарында модельдерді орналастыру және басқаруға арналған құралдар жиынтығын ұсынады. DSPy LangChain-пен үздіксіз жұмыс істеуге арналған, бұл деректерден үйренетін және өзгеретін орталарға бейімделетін күрделі, AI басқаратын жүйелерді жасауға мүмкіндік береді.

DevOps Automation үшін LangChain және DSPy біріктіру

DevOps автоматтандыруына арналған LangChain және DSPy интеграциясы үшін бізге екі технологияның да күшті жақтарын пайдалана алатын жүйені құру керек. Міне, архитектураға жоғары деңгейдегі шолу:

Деректерді қабылдау: журналдар, көрсеткіштер және конфигурация файлдары сияқты әртүрлі көздерден деректерді қабылдау үшін DSPy пайдаланамыз.
Модельді оқыту: жүйеге деректердегі үлгілер мен қарым-қатынастарды үйренуге мүмкіндік беретін, қабылданған деректерде машиналық оқыту үлгісін үйрету үшін DSPy пайдаланамыз.
Диалогты басқару: Біз LangChain көмегімен оқытылған үлгімен өзара әрекеттесетін және DevOps топтарына түсініктер мен ұсыныстар бере алатын диалогты басқару жүйесін жасаймыз.
Әрекетті орындау: диалогты басқару жүйесі ұсынған ұсыныстарға негізделген әрекеттерді орындау үшін DSPy қолданамыз.

Тәжірибелік енгізу

Міне, DevOps автоматтандыру үшін LangChain және DSPy біріктіру жолының қарапайым мысалы:

langchain импорттау
dspy импорттау


үлгі = dspy.Model("лог_жұмыс")

# Үлгіні қабылданған деректерге үйретіңіз
модель.трейн(деректер)

# LangChain диалогтық басқару жүйесін жасаңыз
dialogue_manager = langchain.DialogueManager(үлгі)

# Қарапайым диалог ағынын анықтаңыз
диалог_ағыны = [
    {
        "intent": "тексеру_жайы",
        "response": "Ағымдағы күй: {status}"
    },
    {
        "intent": "қызметті қайта іске қосу",
        "response": "Қызмет қайта іске қосылды"
    }
]

# Диалог ағынын орындаңыз
жауап = dialogue_manager.execute(dialogue_flow)

# Жауап негізінде әрекетті орындаңыз
жауап болса == «Қызмет қайта іске қосылды»:
    dspy.execute_action («қайта іске қосу_қызмет»)

Бұл мысал оқытылған үлгімен өзара әрекеттесе алатын және жауап негізінде әрекеттерді орындай алатын қарапайым диалогты басқару жүйесін жасау үшін LangChain және DSPy қалай пайдалануға болатынын көрсетеді.

Ең көп қолданылатын 5-10 пәрмендер/үзінділер

Міне, LangChain және DSPy үшін ең жиі қолданылатын пәрмендер мен үзінділердің кейбірі:

LangChain:
- langchain.DialogueManager(model): оқытылған үлгіні пайдаланып диалогты басқару жүйесін жасайды.
- langchain.execute_dialogue_flow(dialogue_flow): алдын ала анықталған диалог ағынын пайдаланып диалог ағынын орындайды.
- langchain.get_intent(intent): пайдаланушы енгізуінен ниетті шығарады.
DSPy:
- dspy.Model("log_ingestion"): журналдардан деректерді қабылдау үшін DSPy үлгісін жасайды.
- dspy.train(модель, деректер): қабылданған деректер бойынша DSPy үлгісін жаттықтырады.
- dspy.execute_action(әрекет): үйретілген үлгі ұсынысы негізінде әрекетті орындайды.

визуализация

Мұнда DevOps автоматтандыруға арналған LangChain және DSPy интеграциясының қарапайым визуализациясы берілген:

{
  "түрі": "бар",
  «деректер»: {
    "labels": ["Деректерді қабылдау", "Үлгілерді оқыту", "Диалогты басқару", "Әрекетті орындау"],
    "деректер жинағы": [
      {
        "label": "LangChain",
        "деректер": [10, 15, 20, 25],
        "backgroundColor": "rgba(255, 99, 132, 0.2)",
        "borderColor": "rgba(255, 99, 132, 1)",
        "borderWidth": 1
      },
      {
        "label": "DSPy",
        "деректер": [15, 20, 25, 30],
        "backgroundColor": "rgba(54, 162, 235, 0,2)",
        "borderColor": "rgba(54, 162, 235, 1)",
        "borderWidth": 1
      }
    ]
  },
  "опциялар": {
    "атауы": {
      «дисплей»: шын,
      "text": "DevOps Automation үшін LangChain және DSPy интеграциясы"
    },
    «таразы»: {
      "yAxes": [
        {
          «кенелер»: {
            "beginAtZero": шын
          }
        }
      ]
    }
  }
}

Бұл визуализация LangChain және DSPy біркелкі DevOps автоматтандыру құбырын жасау үшін қалай біріктірілетінін көрсетеді.

Қорытынды

Бұл мақалада біз LangChain және DSPy көмегімен DevOps автоматтандыруымен агенттік AI интеграциясын зерттедік. Біз осы екі технологияны оқытылған модельмен өзара әрекеттесе алатын және жауап негізінде әрекеттерді орындай алатын қарапайым диалогты басқару жүйесін құру үшін қалай қолдануға болатынын көрсеттік. Біз сонымен қатар практикалық іске асыру үлгісін және LangChain және DSPy үшін ең көп қолданылатын 5-10 командалар/үзінділер бөлімін ұсындық. Соңында, DevOps автоматтандыруға арналған LangChain және DSPy интеграциясын көрсету үшін визуализация бөлімін қостық.

Журналдардан деректерді қабылдау үшін DSPy үлгісін жасаңыз

Have Questions?