ପରିଚୟ
ଆଜିର ଦ୍ରୁତ ଗତିଶୀଳ ଡିଜିଟାଲ୍ ଲ୍ୟାଣ୍ଡସ୍କେପରେ, ଦକ୍ଷ ଏବଂ ମାପନୀୟ ଭିତ୍ତିଭୂମି ପରିଚାଳନାର ଆବଶ୍ୟକତା କଦାପି ଅଧିକ ଚାପଗ୍ରସ୍ତ ହୋଇନାହିଁ | କ୍ଲାଉଡ୍ ଆଧାରିତ ସେବାଗୁଡିକର ଚାହିଦା ବ continues ିବାରେ ଲାଗିଛି, ସଂଗଠନଗୁଡ଼ିକ ସେମାନଙ୍କର DevOps ପ୍ରକ୍ରିୟାଗୁଡ଼ିକୁ ଶୃଙ୍ଖଳିତ କରିବା ପାଇଁ ସ୍ୱୟଂଶାସିତ ଭିତ୍ତିଭୂମି ସମାଧାନ ଆଡକୁ ଯାଉଛନ୍ତି | ଏହି ଆର୍ଟିକିଲରେ, ଆମେ AI- ଚାଳିତ ଭିତ୍ତିଭୂମି ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଦୁନିଆରେ ଅନୁଧ୍ୟାନ କରିବୁ, DSPy ଏବଂ LangChain ର ସାମର୍ଥ୍ୟକୁ ଅନୁସନ୍ଧାନ କରିବୁ, ଦୁଇଟି ଅତ୍ୟାଧୁନିକ ଉପକରଣ ଯାହା ଆମର ଭିତ୍ତିଭୂମି ପରିଚାଳନା ଏବଂ ସ୍ୱୟଂଚାଳିତ ଉପାୟରେ ପରିବର୍ତ୍ତନ ଆଣିବ |
DevOps ସ୍ୱୟଂଚାଳିତର ଆହ୍ .ାନ |
DevOps ଅଟୋମେସନ୍ ହେଉଛି ଏକ ଜଟିଳ କାର୍ଯ୍ୟ ଯାହା ଏକାଧିକ ଟେକ୍ନୋଲୋଜିର ଗଭୀର ବୁ understanding ାମଣା ଆବଶ୍ୟକ କରେ, କଣ୍ଟେନେରାଇଜେସନ୍ ଏବଂ ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଠାରୁ ଆରମ୍ଭ କରି ମନିଟରିଂ ଏବଂ ଲଗିଂ ପର୍ଯ୍ୟନ୍ତ | ପ୍ରୟୋଗ ଏବଂ ସେବା ସଂଖ୍ୟା ବ ows ଼ିବା ସହିତ ଭିତ୍ତିଭୂମିର ଜଟିଳତା ମଧ୍ୟ ବ, ଼ିବା ସହ ପରିଚାଳନା ତଥା ପରିଚାଳନା କରିବା କଷ୍ଟସାଧ୍ୟ ହୋଇପଡେ | DevOps ସ୍ୱୟଂଚାଳିତ ପାଇଁ ପାରମ୍ପାରିକ ଆଭିମୁଖ୍ୟ ପ୍ରାୟତ man ମାନୁଆଲ ସ୍କ୍ରିପ୍ଟିଂ ଏବଂ ବିନ୍ୟାସ ଉପରେ ନିର୍ଭର କରେ, ଯାହା ତ୍ରୁଟି, ଅସଙ୍ଗତି ଏବଂ ସୁରକ୍ଷା ଦୁର୍ବଳତାକୁ ନେଇପାରେ |
AI ଚାଳିତ ଭିତ୍ତିଭୂମି ଅର୍କେଷ୍ଟ୍ରେସନ୍ ର ଉତ୍ଥାନ |
AI- ଚାଳିତ ଭିତ୍ତିଭୂମି ଅର୍କେଷ୍ଟ୍ରେସନ୍ ହେଉଛି DevOps ସ୍ୱୟଂଚାଳିତ ଦୁନିଆରେ ଏକ ଖେଳ ପରିବର୍ତ୍ତନକାରୀ | ମେସିନ୍ ଲର୍ନିଂ ଏବଂ ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣକୁ ବ୍ୟବହାର କରି, AI ଏଜେଣ୍ଟମାନେ ଜଟିଳ କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ସ୍ୱୟଂଚାଳିତ କରିପାରିବେ, ସମସ୍ୟାଗୁଡିକର ପୂର୍ବାନୁମାନ ଏବଂ ପ୍ରତିରୋଧ କରିପାରିବେ ଏବଂ ଉତ୍ସ ବ୍ୟବହାରକୁ ଅପ୍ଟିମାଇଜ୍ କରିପାରିବେ | DSPy ଏବଂ LangChain ଏହି ଜାଗାରେ ଦୁଇଟି ଅଗ୍ରଣୀ ଉପକରଣ, ବିଭିନ୍ନ ବ features ଶିଷ୍ଟ୍ୟ ଏବଂ ସାମର୍ଥ୍ୟ ପ୍ରଦାନ କରେ ଯାହା ସଂସ୍ଥାଗୁଡ଼ିକୁ ସେମାନଙ୍କର DevOps ପ୍ରକ୍ରିୟାକୁ ତ୍ୱରାନ୍ୱିତ କରିବାରେ ସାହାଯ୍ୟ କରିଥାଏ |
DSPy: ଏକ ପାଇଥନ୍-ଆଧାରିତ AI ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଫ୍ରେମୱାର୍କ |
DSPy ହେଉଛି ଏକ ପାଇଥନ୍-ଆଧାରିତ AI ଅର୍କେଷ୍ଟ୍ରେସନ୍ framework ାଞ୍ଚା ଯାହା ବିକାଶକାରୀଙ୍କୁ AI ଚାଳିତ ଭିତ୍ତିଭୂମି ସ୍ୱୟଂଚାଳିତ ସମାଧାନ ଗଠନ ଏବଂ ନିୟୋଜନ କରିବାରେ ସକ୍ଷମ କରିଥାଏ | DSPy ସହିତ, ଆପଣ କଷ୍ଟମ୍ AI ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରିପାରିବେ ଯାହା ଆପଣଙ୍କର ଭିତ୍ତିଭୂମି ସହିତ କାର୍ଯ୍ୟ କରିପାରିବ, କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ସ୍ୱୟଂଚାଳିତ କରିପାରିବ ଏବଂ ରିଅଲ୍-ଟାଇମ୍ ତଥ୍ୟ ଉପରେ ଆଧାର କରି ନିଷ୍ପତ୍ତି ନେଇପାରିବ | DSPy ର ମଡ୍ୟୁଲାର୍ ସ୍ଥାପତ୍ୟ ଏବଂ ପୂର୍ବ-ନିର୍ମିତ ଉପାଦାନଗୁଡ଼ିକର ବିସ୍ତୃତ ଲାଇବ୍ରେରୀ ଏହାକୁ ବଡ଼ ଆକାରର ଭିତ୍ତିଭୂମି ପରିଚାଳନା ପାଇଁ ଏକ ଆଦର୍ଶ ପସନ୍ଦ କରିଥାଏ |
DSPy ର ମୁଖ୍ୟ ବ Features ଶିଷ୍ଟ୍ୟଗୁଡିକ |
- ** ମଡ୍ୟୁଲାର୍ ସ୍ଥାପତ୍ୟ **: DSPy ର ମଡ୍ୟୁଲାର୍ ସ୍ଥାପତ୍ୟ ଆପଣଙ୍କୁ କଷ୍ଟମ୍ AI ଏଜେଣ୍ଟ ଗଠନ ଏବଂ ନିୟୋଜନ କରିବାକୁ ଅନୁମତି ଦିଏ ଯାହା ଆପଣଙ୍କର ଭିତ୍ତିଭୂମି ସହିତ ଯୋଗାଯୋଗ କରିପାରିବ |
- ** ବିସ୍ତୃତ ଲାଇବ୍ରେରୀ **: ପୂର୍ବ ନିର୍ମିତ ଉପାଦାନଗୁଡ଼ିକର DSPy ର ବିସ୍ତୃତ ଲାଇବ୍ରେରୀ ଜଟିଳ କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ଏବଂ ଲୋକପ୍ରିୟ DevOps ଉପକରଣଗୁଡ଼ିକ ସହିତ ଏକୀକରଣ କରିବା ସହଜ କରିଥାଏ |
- ** ରିଅଲ୍ ଟାଇମ୍ ଡାଟା ପ୍ରକ୍ରିୟାକରଣ **: DSPy ର ରିଅଲ୍ ଟାଇମ୍ ଡାଟା ପ୍ରକ୍ରିୟାକରଣ କ୍ଷମତା AI ଏଜେଣ୍ଟମାନଙ୍କୁ ଅପ୍ ଟୁ-ମିନିଟ୍ ତଥ୍ୟ ଉପରେ ଆଧାର କରି ନିଷ୍ପତ୍ତି ନେବାକୁ ସକ୍ଷମ କରେ |
ସରଳ DSPy କୋଡ୍ ଉଦାହରଣ |
ଏଠାରେ ଏକ DSPy କୋଡ୍ ବ୍ଲକର ଏକ ସରଳ ଉଦାହରଣ ଅଛି ଯାହା ଏକ ନୂତନ ପାତ୍ରର ନିୟୋଜନକୁ ସ୍ୱୟଂଚାଳିତ କରେ: "ପାଇଥନ୍ | dspy ଆମଦାନି କରନ୍ତୁ |
AI ଏଜେଣ୍ଟକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |
ଏଜେଣ୍ଟ = dspy.Agent ()
କଣ୍ଟେନର ନିୟୋଜନ କାର୍ଯ୍ୟକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |
କାର୍ଯ୍ୟ = dspy.Task ( ନାମ = "ଧାରଣକାରୀ ନିୟୋଜନ", description = "ଉତ୍ପାଦନ ପରିବେଶରେ ଏକ ନୂତନ ପାତ୍ର ନିୟୋଜନ କରନ୍ତୁ", ଇନପୁଟ୍ = ["କଣ୍ଟେନର୍_ ଇମେଜ୍", "କଣ୍ଟେନର୍_ପୋର୍ଟ"], ଆଉଟପୁଟ୍ = ["ପାତ୍ର_ଡ"] )
ପାତ୍ର ନିୟୋଜନ ସ୍କ୍ରିପ୍ଟକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |
ସ୍କ୍ରିପ୍ଟ = dspy.Script ( ନାମ = "ଧାରଣକାରୀ ସ୍କ୍ରିପ୍ଟ ନିୟୋଜନ", description = "ଉତ୍ପାଦନ ପରିବେଶରେ ଏକ ନୂତନ ପାତ୍ର ନିୟୋଜନ କରନ୍ତୁ", code = "" " #! / ବିନ୍ / ବାଶ୍ | ଡକର୍ ରନ୍ -d -p {କଣ୍ଟେନର୍_ପୋର୍ଟ}: {କଣ୍ଟେନର୍_ପୋର୍ଟ} {କଣ୍ଟେନର୍_ମାଇଜ୍} "" " )
ସ୍କ୍ରିପ୍ଟକୁ ଟାସ୍କ ସହିତ ସଂଲଗ୍ନ କରନ୍ତୁ |
task.attach_script (ସ୍କ୍ରିପ୍ଟ)
AI ଏଜେଣ୍ଟର କାର୍ଯ୍ୟ ପ୍ରବାହକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |
କାର୍ଯ୍ୟ ପ୍ରବାହ = dspy.Workflow ( ନାମ = "ଧାରଣକାରୀ ନିୟୋଜନ କାର୍ଯ୍ୟ ପ୍ରବାହ", description = "ଏକ ନୂତନ ପାତ୍ରର ନିୟୋଜନକୁ ସ୍ୱୟଂଚାଳିତ କରନ୍ତୁ", କାର୍ଯ୍ୟ = [କାର୍ଯ୍ୟ] )
AI ଏଜେଣ୍ଟର ସଂରଚନାକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |
config = dspy.Config ( ନାମ = "ଧାରଣକାରୀ ନିୟୋଜନ ବିନ୍ୟାସ", description = "କଣ୍ଟେନର ନିୟୋଜନ ପାଇଁ AI ଏଜେଣ୍ଟକୁ ବିନ୍ୟାସ କରନ୍ତୁ", ଇନପୁଟ୍ = ["କଣ୍ଟେନର୍_ ଇମେଜ୍", "କଣ୍ଟେନର୍_ପୋର୍ଟ"] )
AI ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରନ୍ତୁ |
agent.create (କାର୍ଯ୍ୟ ପ୍ରବାହ, ବିନ୍ୟାସ) `` ଏହି କୋଡ୍ ବ୍ଲକ୍ ଏକ ସରଳ AI ଏଜେଣ୍ଟକୁ ବ୍ୟାଖ୍ୟା କରେ ଯାହା ଉତ୍ପାଦନ ପରିବେଶରେ ଏକ ନୂତନ ପାତ୍ରର ନିୟୋଜନକୁ ସ୍ୱୟଂଚାଳିତ କରେ | କଣ୍ଟେନରକୁ ନିୟୋଜିତ କରିବା ପାଇଁ ଏଜେଣ୍ଟ ଏକ ପୂର୍ବ-ନିର୍ମିତ କଣ୍ଟେନର ନିୟୋଜନ ସ୍କ୍ରିପ୍ଟ ବ୍ୟବହାର କରିଥାଏ, ଏବଂ କଣ୍ଟେନର ପ୍ରତିଛବି ଏବଂ ପୋର୍ଟ ପାଇଁ ଇନପୁଟ୍ ପାରାମିଟର ଗ୍ରହଣ କରିବାକୁ କାର୍ଯ୍ୟ ପ୍ରବାହ ବିନ୍ୟାସିତ ହୋଇଛି |
ଲାଙ୍ଗ୍ ଚେନ୍: ଏକ ରୁଷ୍ଟ-ଆଧାରିତ AI ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଫ୍ରେମୱାର୍କ |
LangChain ହେଉଛି ଏକ ରୁଷ୍ଟ-ଆଧାରିତ AI ଅର୍କେଷ୍ଟ୍ରେସନ୍ framework ାଞ୍ଚା ଯାହା ବିକାଶକାରୀଙ୍କୁ AI ଚାଳିତ ଭିତ୍ତିଭୂମି ସ୍ୱୟଂଚାଳିତ ସମାଧାନ ଗଠନ ଏବଂ ନିୟୋଜନ କରିବାରେ ସକ୍ଷମ କରିଥାଏ | LangChain ସହିତ, ଆପଣ କଷ୍ଟମ୍ AI ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରିପାରିବେ ଯାହା ଆପଣଙ୍କର ଭିତ୍ତିଭୂମି ସହିତ କାର୍ଯ୍ୟ କରିପାରିବ, କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ସ୍ୱୟଂଚାଳିତ କରିପାରିବ ଏବଂ ରିଅଲ୍-ଟାଇମ୍ ତଥ୍ୟ ଉପରେ ଆଧାର କରି ନିଷ୍ପତ୍ତି ନେଇପାରିବ | ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ର ମଡ୍ୟୁଲାର୍ ସ୍ଥାପତ୍ୟ ଏବଂ ପୂର୍ବ-ନିର୍ମିତ ଉପାଦାନଗୁଡ଼ିକର ବିସ୍ତୃତ ଲାଇବ୍ରେରୀ ଏହାକୁ ବଡ଼ ଆକାରର ଭିତ୍ତିଭୂମି ପରିଚାଳନା ପାଇଁ ଏକ ଆଦର୍ଶ ପସନ୍ଦ କରିଥାଏ |
LangChain ର ମୁଖ୍ୟ ବ Features ଶିଷ୍ଟ୍ୟଗୁଡିକ |
- ** ମଡ୍ୟୁଲାର୍ ସ୍ଥାପତ୍ୟ **: ଲାଙ୍ଗ୍ ଚେନ୍ ର ମଡ୍ୟୁଲାର୍ ସ୍ଥାପତ୍ୟ ଆପଣଙ୍କୁ କଷ୍ଟମ୍ AI ଏଜେଣ୍ଟ ଗଠନ ଏବଂ ନିୟୋଜନ କରିବାକୁ ଅନୁମତି ଦିଏ ଯାହା ଆପଣଙ୍କର ଭିତ୍ତିଭୂମି ସହିତ ଯୋଗାଯୋଗ କରିପାରିବ |
- ** ବିସ୍ତୃତ ଲାଇବ୍ରେରୀ **: ପୂର୍ବ-ନିର୍ମିତ ଉପାଦାନଗୁଡ଼ିକର ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ର ବିସ୍ତୃତ ଲାଇବ୍ରେରୀ ଜଟିଳ କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ଏବଂ ଲୋକପ୍ରିୟ DevOps ଉପକରଣଗୁଡ଼ିକ ସହିତ ଏକୀକରଣ କରିବା ସହଜ କରିଥାଏ |
- ** ରିଅଲ୍-ଟାଇମ୍ ଡାଟା ପ୍ରକ୍ରିୟାକରଣ **: ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ର ରିଅଲ୍-ଟାଇମ୍ ଡାଟା ପ୍ରକ୍ରିୟାକରଣ କ୍ଷମତା AI ଏଜେଣ୍ଟମାନଙ୍କୁ ଅପ୍ ଟୁ-ମିନିଟ୍ ତଥ୍ୟ ଉପରେ ଆଧାର କରି ନିଷ୍ପତ୍ତି ନେବାକୁ ସକ୍ଷମ କରିଥାଏ |
ସରଳ ଲାଙ୍ଗ୍ ଚେନ୍ କୋଡ୍ ଉଦାହରଣ |
ଏକ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ କୋଡ୍ ବ୍ଲକର ଏକ ସରଳ ଉଦାହରଣ ଏଠାରେ ଅଛି ଯାହା ଏକ ନୂତନ ପାତ୍ରର ନିୟୋଜନକୁ ସ୍ୱୟଂଚାଳିତ କରେ: "କଳଙ୍କ langchain ବ୍ୟବହାର କରନ୍ତୁ :: {ଏଜେଣ୍ଟ, ଟାସ୍କ, ସ୍କ୍ରିପ୍ଟ, ୱାର୍କଫ୍ଲୋ, ବିନ୍ୟାସ};
// AI ଏଜେଣ୍ଟକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ | ଏଜେଣ୍ଟ = ଏଜେଣ୍ଟ :: ନୂତନ () ଦିଅନ୍ତୁ;
// କଣ୍ଟେନର ନିୟୋଜନ କାର୍ଯ୍ୟକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ | ଆସନ୍ତୁ ଟାସ୍କ = ଟାସ୍କ :: ନୂଆ ( "କଣ୍ଟେନର ନିୟୋଜନ", "ଉତ୍ପାଦନ ପରିବେଶରେ ଏକ ନୂତନ ପାତ୍ର ଧାରଣ କରନ୍ତୁ", vec! ["ପାତ୍ର_ ଚିତ୍ର", "ପାତ୍ର_ପୋର୍ଟ"], vec! ["ପାତ୍ର_ଡ"] );
// କଣ୍ଟେନର ନିୟୋଜନ ସ୍କ୍ରିପ୍ଟକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ | ସ୍କ୍ରିପ୍ଟ = ସ୍କ୍ରିପ୍ଟ :: ନୂଆ ( "କଣ୍ଟେନର ସ୍କ୍ରିପ୍ଟ ନିୟୋଜନ", "ଉତ୍ପାଦନ ପରିବେଶରେ ଏକ ନୂତନ ପାତ୍ର ଧାରଣ କରନ୍ତୁ", r # " #! / ବିନ୍ / ବାଶ୍ | ଡକର୍ ରନ୍ -d -p {କଣ୍ଟେନର୍_ପୋର୍ଟ}: {କଣ୍ଟେନର୍_ପୋର୍ଟ} {କଣ୍ଟେନର୍_ମାଇଜ୍} "#, vec! ["ପାତ୍ର_ ଚିତ୍ର", "ପାତ୍ର_ପୋର୍ଟ"] );
// ସ୍କ୍ରିପ୍ଟକୁ ଟାସ୍କ ସହିତ ସଂଲଗ୍ନ କରନ୍ତୁ | task.attach_script (ସ୍କ୍ରିପ୍ଟ);
// AI ଏଜେଣ୍ଟର କାର୍ଯ୍ୟ ପ୍ରବାହକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ | ୱାର୍କଫ୍ଲୋ = ୱାର୍କଫ୍ଲୋ :: ନୂଆ ( "କଣ୍ଟେନର ନିୟୋଜନ କାର୍ଯ୍ୟ ପ୍ରବାହ", "ଏକ ନୂତନ ପାତ୍ରର ନିୟୋଜନକୁ ସ୍ୱୟଂଚାଳିତ କରନ୍ତୁ", vec! [କାର୍ଯ୍ୟ] );
// AI ଏଜେଣ୍ଟର ସଂରଚନାକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ | ବିନ୍ୟାସ = ବିନ୍ୟାସ କରନ୍ତୁ :: ନୂତନ ( "କଣ୍ଟେନର ନିୟୋଜନ ବିନ୍ୟାସ", "କଣ୍ଟେନର ନିୟୋଜନ ପାଇଁ AI ଏଜେଣ୍ଟକୁ ବିନ୍ୟାସ କରନ୍ତୁ", vec! ["ପାତ୍ର_ ଚିତ୍ର", "ପାତ୍ର_ପୋର୍ଟ"] );
// AI ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରନ୍ତୁ | agent.create (କାର୍ଯ୍ୟ ପ୍ରବାହ, ବିନ୍ୟାସ); `` ଏହି କୋଡ୍ ବ୍ଲକ୍ ଏକ ସରଳ AI ଏଜେଣ୍ଟକୁ ବ୍ୟାଖ୍ୟା କରେ ଯାହା ଉତ୍ପାଦନ ପରିବେଶରେ ଏକ ନୂତନ ପାତ୍ରର ନିୟୋଜନକୁ ସ୍ୱୟଂଚାଳିତ କରେ | କଣ୍ଟେନରକୁ ନିୟୋଜିତ କରିବା ପାଇଁ ଏଜେଣ୍ଟ ଏକ ପୂର୍ବ-ନିର୍ମିତ କଣ୍ଟେନର ନିୟୋଜନ ସ୍କ୍ରିପ୍ଟ ବ୍ୟବହାର କରିଥାଏ, ଏବଂ କଣ୍ଟେନର ପ୍ରତିଛବି ଏବଂ ପୋର୍ଟ ପାଇଁ ଇନପୁଟ୍ ପାରାମିଟର ଗ୍ରହଣ କରିବାକୁ କାର୍ଯ୍ୟ ପ୍ରବାହ ବିନ୍ୟାସିତ ହୋଇଛି |
ଶୀର୍ଷ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ ନିର୍ଦ୍ଦେଶ / ସ୍ନିପେଟ୍ |
DSPy ଏବଂ LangChain ପାଇଁ ଏଠାରେ ସର୍ବାଧିକ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ କମାଣ୍ଡ / ସ୍ନିପେଟ୍ ଅଛି:
DSPy
1। "Dspy.Agent ()। ସୃଷ୍ଟି (ୱାର୍କଫ୍ଲୋ, ବିନ୍ୟାସ)": ନିର୍ଦ୍ଦିଷ୍ଟ କାର୍ଯ୍ୟ ପ୍ରବାହ ଏବଂ ବିନ୍ୟାସ ସହିତ ଏକ ନୂତନ AI ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରେ | ।। 3। "Dspy.Script ()। ନୂତନ (ନାମ, ବର୍ଣ୍ଣନା, କୋଡ୍)": ନିର୍ଦ୍ଦିଷ୍ଟ ନାମ, ବର୍ଣ୍ଣନା, ଏବଂ କୋଡ୍ ସହିତ ଏକ ନୂତନ ସ୍କ୍ରିପ୍ଟ ସୃଷ୍ଟି କରେ | 4। "Dspy.Workflow ()। ନୂତନ (ନାମ, ବର୍ଣ୍ଣନା, କାର୍ଯ୍ୟଗୁଡିକ)": ନିର୍ଦ୍ଦିଷ୍ଟ ନାମ, ବର୍ଣ୍ଣନା, ଏବଂ କାର୍ଯ୍ୟଗୁଡ଼ିକ ସହିତ ଏକ ନୂତନ କାର୍ଯ୍ୟ ପ୍ରବାହ ସୃଷ୍ଟି କରେ | 5। "Dspy.Config ()। ନୂତନ (ନାମ, ବର୍ଣ୍ଣନା, ଇନପୁଟ୍)": ନିର୍ଦ୍ଦିଷ୍ଟ ନାମ, ବର୍ଣ୍ଣନା, ଏବଂ ଇନପୁଟ୍ ପାରାମିଟର ସହିତ ଏକ ନୂତନ ସଂରଚନା ସୃଷ୍ଟି କରେ |
ଲାଙ୍ଗ୍ ଚେନ୍ |
1। "Langchain :: Agent :: new ()": ଏକ ନୂତନ AI ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରେ | 2। "Langchain :: ଟାସ୍କ :: ନୂତନ (ନାମ, ବର୍ଣ୍ଣନା, ଇନପୁଟ୍, ଆଉଟପୁଟ୍)": ନିର୍ଦ୍ଦିଷ୍ଟ ନାମ, ବର୍ଣ୍ଣନା, ଇନପୁଟ୍ ଏବଂ ଆଉଟପୁଟ୍ ସହିତ ଏକ ନୂତନ କାର୍ଯ୍ୟ ସୃଷ୍ଟି କରେ | 3। 4। 5।
ଭିଜୁଆଲାଇଜେସନ୍
Chart.js ବ୍ୟବହାର କରି AI ଏଜେଣ୍ଟର କାର୍ଯ୍ୟ ପ୍ରବାହର ଏକ ଭିଜୁଆଲାଇଜେସନ୍:
json { "ପ୍ରକାର": "ଦଣ୍ଡିକା", "ଡାଟା": { "ଲେବଲ୍": ["କଣ୍ଟେନର ନିୟୋଜନ", "ଟାସ୍କ 1", "ଟାସ୍କ 2", "ଟାସ୍କ 3"], "ଡାଟାବେସ୍": [ { "ଲେବଲ୍": "କାର୍ଯ୍ୟ ପ୍ରବାହ", "ଡାଟା": [10, 5, 3, 2], "ପୃଷ୍ଠଭୂମି ରଙ୍ଗ": "rgba (255, 99, 132, 0.2)", "borderColor": "rgba (255, 99, 132, 1)", "ସୀମା ଓସାର": 1 } ] }, "ବିକଳ୍ପଗୁଡିକ": { "ଆଖ୍ୟା": { "ପ୍ରଦର୍ଶନ": ସତ୍ୟ, "ପାଠ୍ୟ": "AI ଏଜେଣ୍ଟ ୱାର୍କଫ୍ଲୋ" }, "ମାପ": { "yAxes": [ { "ପ୍ରଦର୍ଶନ": ସତ୍ୟ, "ସ୍କେଲ ଲେବଲ୍": { "ପ୍ରଦର୍ଶନ": ସତ୍ୟ, "labelString": "କାର୍ଯ୍ୟଗୁଡିକ" } } ] } } }
ଏହି ଭିଜୁଆଲାଇଜେସନ୍ AI ବାର୍ ର କାର୍ଯ୍ୟ ପ୍ରବାହକୁ ଦର୍ଶାଏ, ପ୍ରତ୍ୟେକ କାର୍ଯ୍ୟ ଏକ ବାର୍ ଦ୍ୱାରା ଉପସ୍ଥାପିତ | X-axis କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ଦର୍ଶାଏ, ଏବଂ y-axis କାର୍ଯ୍ୟଗୁଡ଼ିକର ସଂଖ୍ୟାକୁ ଦର୍ଶାଏ |
ସିଦ୍ଧାନ୍ତ
ଏହି ଆର୍ଟିକିଲରେ, ଆମେ ଏହି ଜାଗାରେ ଦୁଇଟି ଅଗ୍ରଣୀ ଉପକରଣ DSPy ଏବଂ LangChain ଉପରେ ଧ୍ୟାନ ଦେଇ AI ଚାଳିତ ଭିତ୍ତିଭୂମି ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଜଗତକୁ ଅନୁସନ୍ଧାନ କରିଛୁ | ଜଟିଳ କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ସ୍ୱୟଂଚାଳିତ କରିବା, ସମସ୍ୟାଗୁଡିକର ପୂର୍ବାନୁମାନ ଏବଂ ପ୍ରତିରୋଧ କରିବା, ଏବଂ ଉତ୍ସ ବ୍ୟବହାରକୁ ଅପ୍ଟିମାଇଜ୍ କରିବା ପାଇଁ ଏହି ଉପକରଣଗୁଡିକ କିପରି ବ୍ୟବହାର କରାଯାଇପାରିବ ଆମେ ଦେଖିଛୁ | ସେମାନଙ୍କର ମଡ୍ୟୁଲାର୍ ସ୍ଥାପତ୍ୟ ଏବଂ ପୂର୍ବ-ନିର୍ମିତ ଉପାଦାନଗୁଡ଼ିକର ବିସ୍ତୃତ ଲାଇବ୍ରେରୀ ସହିତ, DSPy ଏବଂ LangChain ବୃହତ-ଭିତ୍ତିଭୂମି ପରିଚାଳନା ପାଇଁ ଆଦର୍ଶ ପସନ୍ଦ | ଆପଣ ଏକ ed ତୁପ୍ରାପ୍ତ DevOps ବୃତ୍ତିଗତ ହୁଅନ୍ତୁ କିମ୍ବା ବର୍ତ୍ତମାନ ଆରମ୍ଭ କରୁଛନ୍ତି, ଏହି ଉପକରଣଗୁଡିକ ଆପଣଙ୍କର DevOps ପ୍ରକ୍ରିୟାଗୁଡ଼ିକୁ ତ୍ୱରାନ୍ୱିତ କରିବାରେ ଏବଂ ଆପଣଙ୍କର ଭିତ୍ତିଭୂମି ପରିଚାଳନାକୁ ପରବର୍ତ୍ତୀ ସ୍ତରକୁ ନେବାରେ ସାହାଯ୍ୟ କରିବାକୁ ନିଶ୍ଚିତ |