Көп агентті AI архитектурасы және LangChain көмегімен өзін-өзі емдейтін бағдарламалық қамтамасыз ету жүйесін құру

Көп агенттік AI архитектурасы және LangChain көмегімен өзін-өзі емдейтін бағдарламалық қамтамасыз ету жүйесін құру

Кіріспе

Бүгінгі таңда бағдарламалық қамтамасыз етуді әзірлеудің жылдам қарқыны жағдайында өзін-өзі қалпына келтіретін бағдарламалық жүйелерді құру күрделі бағдарламалық жүйелердің сенімділігін, ауқымдылығын және тұрақтылығын қамтамасыз етудің маңызды талабына айналды. Дәстүрлі монолитті архитектуралар қазіргі заманғы бағдарламалық жасақтаманы әзірлеу талаптарын қанағаттандыру үшін жеткіліксіз, мұнда жүйелер өзгеретін талаптарға бейімделуге, күтпеген сәтсіздіктерді өңдеуге және қателерден тез қалпына келтіруге қабілетті болуы керек. Дәл осы жерде мульти-агентті AI архитектуралары мен LangChain ойнайды, ол өзгеретін жағдайларға үйренетін, бейімделетін және жауап бере алатын өзін-өзі емдейтін бағдарламалық жүйелерді құру үшін қуатты шешім ұсынады.

Көп агенттік AI архитектуралары дегеніміз не?

Көп агентті AI архитектуралары – ортақ мақсатқа жету үшін бір-бірімен және олардың ортасымен өзара әрекеттесетін бірнеше автономды агенттерден тұратын бөлінген AI жүйесінің бір түрі. Әрбір агентте шешім қабылдаудың өзіндік мүмкіндіктері, білімі және ресурстары бар және олар ақпарат алмасу, әрекеттерді үйлестіру және өзгермелі жағдайларға бейімделу үшін бір-бірімен байланыса алады.

Бағдарламалық жүйелер контекстінде көп агентті AI архитектуралары қателерді, сәтсіздіктерді және басқа ауытқуларды нақты уақыт режимінде анықтай және оларға жауап бере алатын өзін-өзі емдеу жүйелерін құру үшін пайдаланылуы мүмкін. Шешім қабылдау процесін бірнеше агенттер арасында тарата отырып, бұл жүйелер тәжірибеден үйрене алады, өзгеретін жағдайларға бейімделеді және қателерден тез қалпына келтіреді.

LangChain дегеніміз не?

LangChain - көп агентті AI жүйелерін құруға арналған ашық бастапқы Python кітапханасы. Ол өзгеретін жағдайларға үйрене алатын, бейімделетін және жауап бере алатын күрделі AI жүйелерін құру үшін қарапайым, икемді және масштабталатын құрылымды ұсынады. LangChain кең ауқымды AI құрылымдарымен жұмыс істеуге арналған, соның ішінде TensorFlow, PyTorch және Keras және оны әртүрлі деректер көздерімен, соның ішінде дерекқорлармен, API интерфейстерімен және IoT құрылғыларымен біріктірілген жүйелерді құру үшін пайдалануға болады.

LangChain көмегімен өзін-өзі емдейтін бағдарламалық қамтамасыз ету жүйесін құру

LangChain көмегімен өзін-өзі емдейтін бағдарламалық қамтамасыз ету жүйесін құру үшін біз нақты уақытта қателерді, сәтсіздіктерді және басқа ауытқуларды анықтап, оларға жауап бере алатын көп агентті AI архитектурасын жобалауымыз керек. Міне, архитектураға жоғары деңгейдегі шолу:

Агент дизайны: ортақ мақсатқа жету үшін бір-бірімен және олардың ортасымен өзара әрекеттесе алатын автономды агенттер жинағын жобалауымыз керек. Әрбір агентте шешім қабылдаудың өзіндік мүмкіндіктері, білімі және ресурстары болуы керек.
Білім графигі: агенттер, қоршаған орта және жүйенің мақсаттары арасындағы қарым-қатынастарды көрсететін білім графигін құру керек. Бұл графикті жүйенің күйі туралы пайымдау және шешім қабылдау үшін пайдалануға болады.
Шешім қабылдау: Біз агенттерге жүйенің күйі туралы пайымдауға және білім графигі негізінде шешім қабылдауға мүмкіндік беретін шешім қабылдау процесін жүзеге асыруымыз керек.
Әрекетті орындау: Біз агенттерге өз шешімдерін орындауға және қоршаған ортамен өзара әрекеттесуге мүмкіндік беретін әрекетті орындау процесін енгізуіміз керек.

Міне, LangChain көмегімен жасалған өзін-өзі емдейтін бағдарламалық қамтамасыз ету жүйесінің қарапайым мысалы:

langchain импорттау
langchain.agents импорт агентінен
langchain.llms импорттау LLM


график = {
    'агенттер': ['агент1', 'агент2', 'агент3'],
    "орта": ['деректер қоры', 'API', 'IoT құрылғысы'],
    'мақсаттар': ['қателерді анықтау', 'сәтсіздіктерге жауап беру', 'қателерден қалпына келтіру']
}

# Шешім қабылдау процесін анықтаңыз
def шешім_қабылдау(агент, білім_графигі):
    # Жүйенің күйі туралы себеп
    күй = білім_графигі['агенттер'][агент]
    # Мемлекетке қарап шешім қабылдаңыз
    шешім = «сәтсіздікке жауап беру»
    қайтару туралы шешім

# Әрекеттің орындалу процесін анықтаңыз
def action_execution(агент, шешім):
    # Шешімді орындаңыз
    егер шешім == 'сәтсіздікке жауап беру':
        # Сәтсіздікке жауап беріңіз
        print('Сәтсіздікке жауап беру...')
    қайтару

# LangChain агентін жасаңыз
агент = Агент(
    name='өзін-өзі емдеуші-агент',
    шешім_қабылдау=шешім_қабылдау,
    әрекет_орындау=әрекет_орындау,
    білім_графигі=граф
)

# LangChain LLM жасаңыз
llm = LLM(
    name='self-healing-llm',
    модель = 'davinci'
)

# LangChain жүйесін жасаңыз
жүйе = langchain.System(
    агент=агент,
    llm=llm
)

# Жүйені іске қосыңыз
system.run()

Бұл мысал қателерді анықтай алатын, сәтсіздіктерге жауап беретін және қателерден тез қалпына келтіретін қарапайым өзін-өзі қалпына келтіретін бағдарламалық құрал жүйесін көрсетеді. Жүйе ортақ мақсатқа жету үшін бір-бірімен және олардың қоршаған ортасымен әрекеттесетін автономды агенттер жиынтығынан тұрады. Агенттер жүйенің күйі туралы пайымдау және график негізінде шешім қабылдау үшін білім графигін пайдаланады.

Ең көп қолданылатын 5-10 пәрмендер/үзінділер

Міне, LangChain үшін ең көп қолданылатын 5-10 командалар/үзінділер:

langchain.Agent(): жаңа LangChain агентін жасайды.
langchain.LLM(): жаңа LangChain LLM жасайды.
langchain.System(): жаңа LangChain жүйесін жасайды.
agent.decision_making(): агент үшін шешім қабылдау процесін іске қосады.
agent.action_execution(): агент үшін әрекетті орындау процесін іске қосады.
llm.predict(): LLM арқылы болжам жасайды.
system.run(): LangChain жүйесін іске қосады.
graph.add_node(): білім графигіне жаңа түйін қосады.
graph.add_edge(): білім графигіне жаңа жиекті қосады.
graph.remove_node(): білім графигінен түйінді жояды.

визуализация

Мұнда Chart.js көмегімен білім графигінің қарапайым визуализациясы берілген:

{
  "түрі": "график",
  «деректер»: {
    "түйіндер": [
      {"id": "агент1", "белгі": "1 агент"},
      {"id": "agent2", "label": "2-агент"},
      {"id": "agent3", "label": "3-агент"},
      {"id": "деректер базасы", "белгі": "деректер базасы"},
      {"id": "API", "label": "API"},
      {"id": "IoT құрылғысы", "белгі": "IoT құрылғысы"}
    ],
    "шеттері": [
      {"көз": "агент1", "мақсатты": "деректер базасы"},
      {"көз": "агент2", "target": "API"},
      {"source": "agent3", "target": "IoT device"},
      {"көз": "агент1", "мақсатты": "агент2"},
      {"көз": "агент2", "мақсат": "агент3"}
    ]
  },
  "опциялар": {
    "макет": {
      "түрі": "дөңгелек"
    },
    «түйіндер»: {
      «өлшем»: 50
    },
    «шеттері»: {
      «ені»: 2
    }
  }
}

Бұл визуализация агенттер, қоршаған орта және жүйенің мақсаттары арасындағы қатынастарды көрсетеді.

Қорытынды

Көп агентті AI архитектурасы және LangChain бар өзін-өзі емдейтін бағдарламалық жүйелерді құру күрделі бағдарламалық жүйелердің сенімділігін, ауқымдылығын және тұрақтылығын қамтамасыз ету үшін қуатты шешім ұсынады. Шешім қабылдау процесін бірнеше агенттер арасында тарата отырып, бұл жүйелер тәжірибеден үйрене алады, өзгеретін жағдайларға бейімделеді және қателерден тез қалпына келтіреді. LangChain көмегімен әзірлеушілер дерекқорларды, API интерфейстерін және IoT құрылғыларын қоса алғанда, деректер көздерінің кең ауқымымен біріктірілген күрделі AI жүйелерін құра алады. Мысал кодын орындап және ең көп қолданылатын 5-10 командаларды/үзінділерді пайдалану арқылы әзірлеушілер LangChain көмегімен өздерінің өзін-өзі емдейтін бағдарламалық жасақтама жүйелерін құра алады.

Көп агентті AI архитектурасы және LangChain көмегімен өзін-өзі емдейтін бағдарламалық қамтамасыз ету жүйесін құру

Have Questions?