ପରିଚୟ

DevOps ବିପ୍ଳବ ସଫ୍ଟୱେୟାରର ବିକାଶ, ନିୟୋଜିତ ଏବଂ ପରିଚାଳନା ପଦ୍ଧତିକୁ ପରିବର୍ତ୍ତନ କରିଛି | ତଥାପି, ଆଧୁନିକ ସଫ୍ଟୱେର୍ ସିଷ୍ଟମର ଜଟିଳତା ବ ows ଼ିବା ସହିତ ସ୍ୱୟଂଚାଳିତ, ଅନୁପାଳନ ଏବଂ ମାପନୀୟତାର ଆବଶ୍ୟକତା ମଧ୍ୟ ବ .େ | ଏହା ହେଉଛି ଯେଉଁଠାରେ AI ଚାଳିତ DevOps ଆସେ - ଏକ ଖେଳ ପରିବର୍ତ୍ତନକାରୀ ପଦ୍ଧତି ଯାହା DevOps ପାଇପଲାଇନକୁ ଶୃଙ୍ଖଳିତ କରିବା ପାଇଁ କୃତ୍ରିମ ବୁଦ୍ଧିମତା (AI) ଏବଂ ମେସିନ୍ ଲର୍ନିଂ (ML) କୁ ବ୍ୟବହାର କରିଥାଏ | ଏହି ଆର୍ଟିକିଲରେ, ଆମେ ଲଙ୍ଗ୍ ଚେନ୍ ଏବଂ DSPy ସହିତ AI- ଚାଳିତ DevOps କୁ କିପରି ଅର୍କେଷ୍ଟ୍ରେଟ୍ କରିବୁ, ଦୁଇଟି ଅତ୍ୟାଧୁନିକ framework ାଞ୍ଚା ଯାହା ଏଜେଣ୍ଟ-ଆଧାରିତ ସ୍ୱୟଂଚାଳିତତାକୁ ସକ୍ଷମ କରିବ |

LangChain କ’ଣ?

LangChain ହେଉଛି ଏକ ମୁକ୍ତ ଉତ୍ସ framework ାଞ୍ଚା ଯାହା ବିକାଶକାରୀମାନଙ୍କୁ ଏକ ମଡ୍ୟୁଲାର୍, ମାପନୀୟ ସ୍ଥାପତ୍ୟ ବ୍ୟବହାର କରି କଥାବାର୍ତ୍ତା AI ପ୍ରୟୋଗଗୁଡ଼ିକ ନିର୍ମାଣ କରିବାକୁ ଅନୁମତି ଦିଏ | ଏହା AI ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରିବା ପାଇଁ ପୂର୍ବ-ନିର୍ମିତ ଉପାଦାନ ଏବଂ ଉପକରଣଗୁଡ଼ିକର ଏକ ସେଟ୍ ପ୍ରଦାନ କରେ ଯାହା ବିଭିନ୍ନ ତଥ୍ୟ ଉତ୍ସ ସହିତ କାର୍ଯ୍ୟ କରିପାରିବ, କାର୍ଯ୍ୟ ସମ୍ପାଦନ କରିପାରିବ ଏବଂ ନିଷ୍ପତ୍ତି ନେଇପାରେ | ଲ୍ୟାଙ୍ଗ ଚେନ୍ ରୁଷ୍ଟ ପ୍ରୋଗ୍ରାମିଂ ଭାଷା ଉପରେ ନିର୍ମିତ ଏବଂ ପାଇଥନ୍ ଏବଂ ଗୋ ପରି ଅନ୍ୟ ଭାଷା ସହିତ ବ୍ୟବହାର କରାଯାଇପାରିବ |

DSPy କ’ଣ?

DSPy ହେଉଛି ଏକ ପାଇଥନ୍ ଲାଇବ୍ରେରୀ ଯାହା ଲ୍ୟାଙ୍ଗ ଚେନ୍ framework ାଞ୍ଚାରେ ଏକ ସରଳ, ପାଇଥୋନିକ୍ ଇଣ୍ଟରଫେସ୍ ପ୍ରଦାନ କରେ | ଏହା ଡେଭଲପର୍ମାନଙ୍କୁ ଅଧିକ ପରିଚିତ ବାକ୍ୟବିନ୍ୟାସ ଏବଂ ୱାର୍କଫ୍ଲୋ ବ୍ୟବହାର କରି AI ଏଜେଣ୍ଟ ଗଠନ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ, ଯାହାକି ବିଦ୍ୟମାନ ପାଇଥନ୍-ଆଧାରିତ DevOps ପାଇପଲାଇନ ସହିତ ଲ୍ୟାଙ୍ଗଚେନକୁ ଏକୀକରଣ କରିବା ସହଜ କରିଥାଏ |

DevOps ପାଇପଲାଇନ ସହିତ LangChain ଏବଂ DSPy କୁ ଏକୀକୃତ କରିବା |

DevOps ପାଇପଲାଇନ ସହିତ LangChain ଏବଂ DSPy କୁ ଏକୀଭୂତ କରିବା ପାଇଁ, ଆମକୁ ଏକ AI ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରିବାକୁ ପଡିବ ଯାହା କାର୍ଯ୍ୟ କରିପାରିବ, ନିଷ୍ପତ୍ତି ନେଇପାରେ ଏବଂ ବିଭିନ୍ନ ତଥ୍ୟ ଉତ୍ସ ସହିତ ଯୋଗାଯୋଗ କରିପାରିବ | ପ୍ରକ୍ରିୟାର ଏକ ଉଚ୍ଚ ସ୍ତରୀୟ ସମୀକ୍ଷା ଏଠାରେ ଅଛି:

। ।। 3। ** AI ଏଜେଣ୍ଟକୁ ବିନ୍ୟାସ କରନ୍ତୁ **: ବିଭିନ୍ନ ଡାଟା ଉତ୍ସ ଯେପରିକି ଡାଟାବେସ୍, API କିମ୍ବା ଫାଇଲ୍ ସିଷ୍ଟମ୍ ସହିତ ଯୋଗାଯୋଗ କରିବାକୁ AI ଏଜେଣ୍ଟକୁ ବିନ୍ୟାସ କରନ୍ତୁ | 4। ** AI ଏଜେଣ୍ଟକୁ ଟ୍ରେନ୍ କରନ୍ତୁ: DevOps ପାଇପଲାଇନରୁ ମେସିନ୍ ଲର୍ନିଂ ଆଲଗୋରିଦମ ଏବଂ ତଥ୍ୟ ବ୍ୟବହାର କରି AI ଏଜେଣ୍ଟକୁ ତାଲିମ ଦିଅନ୍ତୁ |

ବ୍ୟବହାରିକ ଉଦାହରଣ: LangChain ଏବଂ DSPy ସହିତ କୋଡ୍ ନିୟୋଜନ |

LangChain ଏବଂ DSPy ବ୍ୟବହାର କରି କୋଡ୍ କିପରି ନିୟୋଜିତ କରାଯିବ ତାହାର ଏକ ସରଳ ଉଦାହରଣ ଏଠାରେ ଅଛି: `` ପାଇଥନ୍ | langchain ଆମଦାନି କରନ୍ତୁ | langchain.agents ରୁ ଆମଦାନୀ ଏଜେଣ୍ଟ | langchain.llms ରୁ LLM ଆମଦାନୀ କରନ୍ତୁ |

ଏକ LangChain ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରନ୍ତୁ |

ଏଜେଣ୍ଟ = ଏଜେଣ୍ଟ ( llm = LLM ( model_name = "davinci", max_tokens = 2048, ତାପମାତ୍ରା = 0.5, ), ଶୃଙ୍ଖଳା = [ langchain.Chain ( ନାମ = "ନିୟୋଜନ_କୋଡ୍", ପଦାଙ୍କ = [ langchain.Step ( ନାମ = "git_clone", func = lambda: git_clone ("https://github.com/user/repo.git"), ), langchain.Step ( name = "build_code", func = lambda: build_code (), ), langchain.Step ( ନାମ = "ନିୟୋଜନ_କୋଡ୍", func = lambda: ନିୟୋଜନ_କୋଡ୍ (), ), ], ), ], )

AI ଏଜେଣ୍ଟ ବ୍ୟବହାର କରି କୋଡ୍ ନିୟୋଜନ କରନ୍ତୁ |

agent.deploy_code () `` ଏହି ଉଦାହରଣରେ, ଆମେ ଏକ ଲାଙ୍ଗ୍ ଚେନ୍ ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରୁ ଯାହା ତିନୋଟି ସୋପାନ କରିଥାଏ:

1। Git ବ୍ୟବହାର କରି କୋଡ୍ ରେପୋଜିଟୋରୀକୁ କ୍ଲୋନ କରନ୍ତୁ | 2। ଏକ ବିଲ୍ଡ ଟୁଲ୍ ବ୍ୟବହାର କରି କୋଡ୍ ନିର୍ମାଣ କରେ | 3। ଏକ ନିୟୋଜନ ଉପକରଣ ବ୍ୟବହାର କରି କୋଡ୍ ନିୟୋଜିତ କରେ |

AI ଏଜେଣ୍ଟ ନିଷ୍ପତ୍ତି ନେବା ଏବଂ କାର୍ଯ୍ୟ କରିବା ପାଇଁ ଏକ ଭାଷା ମଡେଲ୍ (LLM) ବ୍ୟବହାର କରନ୍ତି |

ଶୀର୍ଷ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ ନିର୍ଦ୍ଦେଶ / ସ୍ନିପେଟ୍ |

LangChain ଏବଂ DSPy ପାଇଁ ସାଧାରଣତ used ବ୍ୟବହୃତ କମାଣ୍ଡ ଏବଂ ସ୍ନିପେଟ୍ ଗୁଡିକ ଏଠାରେ ଅଛି:

। git_clone ("https://github.com/user/repo.git")))))) 2। ** AI ଏଜେଣ୍ଟ ବ୍ୟବହାର କରି କୋଡ୍ ନିୟୋଜନ କରନ୍ତୁ **: agent.deploy_code () | । 4। ** DevOps ଉପକରଣଗୁଡ଼ିକ ସହିତ ଏକୀଭୂତ **: agent.integrate_with_jenkins () 5। ** AI ଏଜେଣ୍ଟକୁ ବିନ୍ୟାସ କରନ୍ତୁ **: agent.configure (llm = LLM (model_name =" davinci ", max_tokens = 2048, temperature = 0.5))" 6। ** AI ଏଜେଣ୍ଟର ସ୍ଥିତି ପ୍ରାପ୍ତ କରନ୍ତୁ **: agent.status ()| 7। ** AI ଏଜେଣ୍ଟର ଲଗ୍ ପାଆନ୍ତୁ **:agent.logs ()| 8। ** AI ଏଜେଣ୍ଟର ସଂରଚନାକୁ ଅଦ୍ୟତନ କରନ୍ତୁ **:agent.update_config (llm = LLM (model_name =" davinci ", max_tokens = 2048, temperature = 0.5)) 9। ** AI ଏଜେଣ୍ଟ ବିଲୋପ କରନ୍ତୁ **: agent.delete () 10। ** AI ଏଜେଣ୍ଟର ମେଟ୍ରିକ୍ ପାଆନ୍ତୁ **: agent.metrics () |

ଭିଜୁଆଲାଇଜେସନ୍

Chart.js ବ୍ୟବହାର କରି LangChain ଏବଂ DSPy ସ୍ଥାପତ୍ୟର ଏକ ଭିଜୁଆଲାଇଜେସନ୍: json { "ପ୍ରକାର": "ଦଣ୍ଡିକା", "ଡାଟା": { "ଲେବଲ୍": ["ଲାଙ୍ଗ୍ ଚେନ୍", "DSPy"], "ଡାଟାବେସ୍": [ { "ଲେବଲ୍": "ଉପାଦାନଗୁଡିକ", "ଡାଟା": [10, 5], "ପୃଷ୍ଠଭୂମି ରଙ୍ଗ": ["# 4CAF50", "# FF9800"], "borderColor": ["# 3e8e41", "# ff9900"], "ସୀମା ଓସାର": 1 } ] }, "ବିକଳ୍ପଗୁଡିକ": { "ଆଖ୍ୟା": { "ପ୍ରଦର୍ଶନ": ସତ୍ୟ, "text": "LangChain ଏବଂ DSPy Architecture" }, "କିମ୍ବଦନ୍ତୀ": { "ପ୍ରଦର୍ଶନ": ସତ୍ୟ | }, "ମାପ": { "yAxes": [ { "ଟିକ୍ସ": { "startAtZero": ସତ୍ୟ | } } ] } } } ଏହି ଭିଜୁଆଲାଇଜେସନ୍ ଲାଙ୍ଗ୍ ଚେନ୍ ଏବଂ DSPy ରେ ଉପାଦାନଗୁଡ଼ିକର ସଂଖ୍ୟା ଦର୍ଶାଏ |

ସିଦ୍ଧାନ୍ତ

ଏହି ଆର୍ଟିକିଲରେ, ଆମେ ଲଙ୍ଗ୍ ଚେନ୍ ଏବଂ DSPy ସହିତ AI- ଚାଳିତ DevOps କୁ କିପରି ଅର୍କେଷ୍ଟ୍ରେଟ୍ କରିବୁ, ଦୁଇଟି ଅତ୍ୟାଧୁନିକ framework ାଞ୍ଚା ଯାହା ଏଜେଣ୍ଟ-ଆଧାରିତ ସ୍ୱୟଂଚାଳିତକୁ ସକ୍ଷମ କରିଥାଏ | ବର୍ଦ୍ଧିତ ସ୍ୱୟଂଚାଳିତ, ଅନୁପାଳନ ଏବଂ ମାପନୀୟତା ସହିତ AI- ଚାଳିତ DevOps ର ଲାଭ ବିଷୟରେ ଆମେ ଆଲୋଚନା କଲୁ | ଆମେ ମଧ୍ୟ LangChain ଏବଂ DSPy ବ୍ୟବହାର କରି କୋଡ୍ ନିୟୋଜନ କରିବାର ଏକ ବ୍ୟବହାରିକ ଉଦାହରଣ ପ୍ରଦାନ କରିବା ସହିତ ସାଧାରଣତ used ବ୍ୟବହୃତ କମାଣ୍ଡ ଏବଂ ସ୍ନିପେଟ୍ ର ଏକ ତାଲିକା ମଧ୍ୟ ପ୍ରଦାନ କରିଛୁ | ଶେଷରେ, ଆମେ Chart.js ବ୍ୟବହାର କରି LangChain ଏବଂ DSPy ସ୍ଥାପତ୍ୟକୁ ଭିଜୁଆଲ୍ କରିଦେଲୁ | LangChain ଏବଂ DSPy ସହିତ, ବିକାଶକାରୀମାନେ ଅଧିକ ଦକ୍ଷ, ମାପନୀୟ ଏବଂ ସ୍ୱୟଂଚାଳିତ DevOps ପାଇପଲାଇନ ନିର୍ମାଣ କରିପାରିବେ ଯାହା AI ଏବଂ ମେସିନ୍ ଲର୍ନିଙ୍ଗର ଶକ୍ତି ବ verage ାଇଥାଏ |