تعارف

مصنوعی ذہانت (AI) اور مشین لرننگ (ML) کے تیزی سے ارتقاء نے ایجنٹی AI کی ترقی کا باعث بنی ہے، جو AI کی ایک قسم ہے جو اپنے طور پر اقدامات اور فیصلے کر سکتی ہے۔ اس ٹیکنالوجی میں سافٹ ویئر فن تعمیر اور DevOps آٹومیشن تک پہنچنے کے طریقے میں انقلاب لانے کی صلاحیت ہے۔ اس مضمون میں، ہم سافٹ ویئر فن تعمیر، انفراسٹرکچر، اور DevOps کے عمل کو خودکار کرنے کے لیے ایجنٹ AI، Large Language Models (LLMs)، اور LangChain اور DSPy جیسے آرکیسٹریشن ٹولز کے انضمام کو تلاش کریں گے۔

Agentic AI کیا ہے؟

Agentic AI سے مراد AI کی ایک قسم ہے جو کارروائیاں کر سکتی ہے اور خود فیصلے کر سکتی ہے۔ یہ روایتی AI سسٹمز کے برعکس ہے، جو عام طور پر مخصوص کاموں کو انجام دینے اور پہلے سے طے شدہ اصولوں کی پیروی کرنے کے لیے بنائے گئے ہیں۔ دوسری طرف Agentic AI سسٹمز زیادہ خود مختار اور موافقت پذیر ہونے کے لیے بنائے گئے ہیں، جس سے وہ اپنے ماحول سے سیکھ سکتے ہیں اور اپنے مقاصد اور مقاصد کی بنیاد پر فیصلے کر سکتے ہیں۔

ایجنٹی AI میں LLMs کا کردار

Large Language Models (LLMs) AI کی ایک قسم ہے جو متنی ڈیٹا کی وسیع مقدار پر تربیت یافتہ ہیں اور انسان جیسی زبان پیدا کرنے کے قابل ہیں۔ LLMs ایجنٹی AI نظاموں کا ایک اہم جزو ہیں، کیونکہ یہ انسانی زبان کو سمجھنے اور تخلیق کرنے کی صلاحیت فراہم کرتے ہیں۔ یہ ایجنٹ AI سسٹمز کو انسانوں اور دوسرے سسٹمز کے ساتھ زیادہ قدرتی اور بدیہی انداز میں بات چیت کرنے کی اجازت دیتا ہے۔

آرکیسٹریشن ٹولز: LangChain اور DSPy

آرکیسٹریشن ٹولز جیسے LangChain اور DSPy مختلف نظاموں اور اجزاء کے درمیان تعاملات کو منظم اور مربوط کرنے کے لیے بنائے گئے ہیں۔ یہ ٹولز ورک فلو کی وضاحت اور اس پر عمل درآمد کرنے کا ایک طریقہ فراہم کرتے ہیں، جس میں ڈیٹا پروسیسنگ، ماڈل ٹریننگ، اور تعیناتی جیسے کام شامل ہو سکتے ہیں۔

لینگ چین

LangChain ایک اوپن سورس آرکیسٹریشن ٹول ہے جو ورک فلو کی تعمیر اور انتظام کے لیے ایک لچکدار اور قابل توسیع فریم ورک فراہم کرتا ہے۔ LangChain کو سسٹمز اور اجزاء کی ایک وسیع رینج کے ساتھ کام کرنے کے لیے ڈیزائن کیا گیا ہے، بشمول LLMs، ڈیٹا بیسز، اور APIs۔

ڈی ایس پی

DSPy ایک ازگر پر مبنی آرکیسٹریشن ٹول ہے جو ورک فلو کی وضاحت اور اس پر عمل کرنے کا ایک آسان اور بدیہی طریقہ فراہم کرتا ہے۔ DSPy کو سسٹمز اور اجزاء کی ایک وسیع رینج کے ساتھ کام کرنے کے لیے ڈیزائن کیا گیا ہے، بشمول LLMs، ڈیٹا بیس، اور APIs۔

خودکار سافٹ ویئر آرکیٹیکچر اور ڈی او اوپس کے عمل

Agentic AI، LLMs، اور آرکیسٹریشن ٹولز جیسے LangChain اور DSPy کو سافٹ ویئر آرکیٹیکچر اور DevOps کے عمل کی ایک وسیع رینج کو خودکار کرنے کے لیے استعمال کیا جا سکتا ہے۔ کچھ مثالوں میں شامل ہیں:

• خودکار کوڈ کا جائزہ: Agentic AI سسٹمز کو کوڈ کا جائزہ لینے اور ممکنہ مسائل کی نشاندہی کرنے کے لیے استعمال کیا جا سکتا ہے، جیسے کیڑے اور حفاظتی خطرات۔
• خودکار ٹیسٹنگ: Agentic AI سسٹمز کو خودکار جانچ کے لیے استعمال کیا جا سکتا ہے، بشمول یونٹ ٹیسٹنگ، انٹیگریشن ٹیسٹنگ، اور اینڈ ٹو اینڈ ٹیسٹنگ۔
• خودکار تعیناتی: Agentic AI سسٹمز کو تعیناتی کو خودکار کرنے کے لیے استعمال کیا جا سکتا ہے، بشمول کوڈ، کنفیگریشن، اور دیگر وسائل کی تعیناتی۔
• خودکار نگرانی: Agentic AI سسٹمز کو خودکار نگرانی کے لیے استعمال کیا جا سکتا ہے، بشمول سسٹم کی کارکردگی، سیکیورٹی اور دیگر میٹرکس کی نگرانی۔

عملی نفاذ

اس سیکشن میں، ہم ایک سادہ مثال فراہم کریں گے کہ کس طرح سافٹ ویئر فن تعمیر اور DevOps عمل کو خودکار کرنے کے لیے LangChain اور DSPy کا استعمال کیا جائے۔

مثال: خودکار کوڈ کا جائزہ

اس مثال میں، ہم کوڈ کے جائزے کو خودکار کرنے کے لیے LangChain اور DSPy استعمال کریں گے۔ ہم ایک ورک فلو کی وضاحت کریں گے جس میں درج ذیل اقدامات شامل ہیں:

1. کوڈ کا تجزیہ: ورک فلو کوڈ کا تجزیہ کرنے اور ممکنہ مسائل کی نشاندہی کرنے کے لیے LLM استعمال کرے گا۔
2. کوڈ کا جائزہ: ورک فلو کوڈ کا جائزہ لینے اور ممکنہ مسائل کی نشاندہی کرنے کے لیے ایجنٹی AI سسٹم کا استعمال کرے گا۔
3. کوڈ کی تعیناتی: ورک فلو کوڈ کو پیداواری ماحول میں تعینات کرنے کے لیے ایک تعیناتی ٹول کا استعمال کرے گا۔

LangChain اور DSPy کا استعمال کرتے ہوئے اس ورک فلو کو کیسے نافذ کیا جائے اس کی ایک مثال یہ ہے۔ `` ازگر langchain درآمد کریں langchain امپورٹ ایل ایل ایم سے

ایل ایل ایم کی وضاحت کریں۔

llm = LLM("text-davinci-003")

ایجنٹی AI نظام کی وضاحت کریں۔

ai_system = langchain.AgenticAI()

ورک فلو کی وضاحت کریں۔

ورک فلو = langchain.Workflow( قدم=[ langchain.Step( name="کوڈ تجزیہ"، func=llm.analyze_code، inputs={"code": "def hello_world(): print('Hello World')"}، ) langchain.Step( name="کوڈ کا جائزہ"، func=ai_system.review_code، inputs={"code": "def hello_world(): print('Hello World')"}، ) langchain.Step( name="کوڈ کی تعیناتی"، func=langchain.deploy_code، inputs={"code": "def hello_world(): print('Hello World')"}، ) ] )

ورک فلو پر عمل کریں۔

workflow.execute() `` یہ کوڈ ایک ورک فلو کی وضاحت کرتا ہے جس میں تین مراحل شامل ہیں: کوڈ کا تجزیہ، کوڈ کا جائزہ، اور کوڈ کی تعیناتی۔ ورک فلو کوڈ کا تجزیہ کرنے کے لیے LLM، کوڈ کا جائزہ لینے کے لیے ایک ایجنٹ AI سسٹم، اور کوڈ کو پیداواری ماحول میں تعینات کرنے کے لیے ایک تعیناتی ٹول کا استعمال کرتا ہے۔

ٹاپ 5-10 سب سے زیادہ استعمال شدہ کمانڈز/ٹکڑے

LangChain اور DSPy کے لیے سب سے اوپر 5-10 سب سے زیادہ استعمال شدہ کمانڈز/ٹکڑے یہ ہیں:

1. langchain.Workflow(steps=[...]): متعدد مراحل کے ساتھ ورک فلو کی وضاحت کریں۔
2. langchain.Step(name="...", func=..., inputs={...}): ورک فلو میں ایک قدم کی وضاحت کریں۔
3. llm.analyze_code(inputs={"code": ...}): کوڈ کا تجزیہ کرنے کے لیے LLM استعمال کریں۔
4. ai_system.review_code(inputs={"code": ...}): کوڈ کا جائزہ لینے کے لیے ایک ایجنٹی AI سسٹم استعمال کریں۔
5. langchain.deploy_code(inputs={"code": ...}): کوڈ کو پیداواری ماحول میں تعینات کریں۔
6. langchain.AgenticAI(): ایک ایجنٹی AI سسٹم کی مثال بنائیں۔
7. langchain.LLM(): LLM کی ایک مثال بنائیں۔
8. langchain.deploy_code(): کوڈ کو پیداواری ماحول میں تعینات کریں۔
9. langchain.execute_workflow(): ورک فلو پر عمل کریں۔
10. langchain.get_workflow_status(): ورک فلو کی حیثیت حاصل کریں۔

تصور

Chart.js کا استعمال کرتے ہوئے ورک فلو کا تصور کرنے کا طریقہ یہاں ایک مثال ہے۔ json { "type": "بار"، "ڈیٹا": { "labels": ["کوڈ تجزیہ"، "کوڈ کا جائزہ"، "کوڈ کی تعیناتی"], "ڈیٹا سیٹ": [ { "label": "ورک فلو کے مراحل", "ڈیٹا": [10، 20، 30]، "پس منظر کا رنگ": [ "rgba(255, 99, 132, 0.2)", "rgba(54, 162, 235, 0.2)", "rgba(255, 206, 86, 0.2)" ]، "سرحد کا رنگ": [ "rgba(255, 99, 132, 1)", "rgba(54, 162, 235, 1)", "rgba(255, 206, 86, 1)" ]، سرحد کی چوڑائی: 1 } ] }، "اختیارات": {} } یہ کوڈ تین لیبلز کے ساتھ بار چارٹ کی وضاحت کرتا ہے: کوڈ تجزیہ، کوڈ کا جائزہ، اور کوڈ کی تعیناتی۔ چارٹ ورک فلو کے ہر مرحلے میں اقدامات کی تعداد دکھاتا ہے۔

نتیجہ

Agentic AI، LLMs، اور آرکیسٹریشن ٹولز جیسے LangChain اور DSPy میں سافٹ ویئر آرکیٹیکچر اور DevOps آٹومیشن سے رجوع کرنے کے طریقے میں انقلاب لانے کی صلاحیت ہے۔ کوڈ کا جائزہ لینے، ٹیسٹنگ اور تعیناتی جیسے کاموں کو خودکار بنا کر، ہم اپنے ترقیاتی عمل کی کارکردگی اور تاثیر کو بہتر بنا سکتے ہیں۔ اس مضمون میں، ہم نے ان ٹیکنالوجیز کے انضمام کو دریافت کیا ہے اور ایک سادہ مثال فراہم کی ہے کہ انہیں سافٹ ویئر کے فن تعمیر اور DevOps عمل کو خودکار بنانے کے لیے کس طرح استعمال کیا جائے۔