ପରିଚୟ

ସଫ୍ଟୱେର୍ ଡେଭଲପମେଣ୍ଟ ଲ୍ୟାଣ୍ଡସ୍କେପ୍ ଦ୍ରୁତ ଗତିରେ ବିକାଶ କରୁଛି, AI ଏବଂ ଅଟୋମେସନ୍ DevOps ପ୍ରକ୍ରିୟାରେ ଅଧିକ ପ୍ରମୁଖ ଭୂମିକା ଗ୍ରହଣ କରୁଛି | ଦୁଇଟି ପ୍ରମୁଖ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ଯାହା ଏହି ପରିବର୍ତ୍ତନକୁ ଚଲାଉଛି ତାହା ହେଉଛି ଲ୍ୟାଙ୍ଗଚେନ ଏବଂ ଷ୍ଟାକଗେନ | AI ଚାଳିତ ଏଜେଣ୍ଟ ଗଠନ ପାଇଁ ଲ୍ୟାଙ୍ଗ ଚେନ୍ ଏକ ମୁକ୍ତ ଉତ୍ସ framework ାଞ୍ଚା ହୋଇଥିବାବେଳେ ଷ୍ଟାକଜେନ୍ ଭିତ୍ତିଭୂମି ସଂରଚନାକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ ଏକ ଉପକରଣ | ଏହି ଆର୍ଟିକିଲରେ, ଆମେ ବୁଦ୍ଧିମାନ କୋଡ୍ ସମୀକ୍ଷା ଏବଂ ପରାମର୍ଶ ପାଇଁ GPT-5.5 ର ଶକ୍ତି ବ୍ୟବହାର କରି ଏକ AI ଚାଳିତ DevOps ସ୍ୱୟଂଚାଳିତ ପାଇପଲାଇନ ସୃଷ୍ଟି କରିବା ପାଇଁ ଏହି ଦୁଇଟି ଟେକ୍ନୋଲୋଜିକୁ କିପରି ଏକତ୍ର ବ୍ୟବହାର କରାଯାଇପାରିବ ତାହା ଅନୁସନ୍ଧାନ କରିବୁ |

DevOps ସ୍ୱୟଂଚାଳିତର ଆହ୍ .ାନ |

DevOps ଅଟୋମେସନ୍ ହେଉଛି ଏକ ଜଟିଳ କାର୍ଯ୍ୟ ଯାହା ସଫ୍ଟୱେର୍ ବିକାଶ, ପରୀକ୍ଷଣ ଏବଂ ନିୟୋଜନକୁ ଶୃଙ୍ଖଳିତ କରିବା ପାଇଁ ଏକାଧିକ ଉପକରଣ ଏବଂ ପ୍ରଯୁକ୍ତିବିଦ୍ୟାକୁ ଏକତ୍ର କରିବା ଆବଶ୍ୟକ କରେ | ପାରମ୍ପାରିକ ଆଭିମୁଖ୍ୟ ପ୍ରାୟତ man ମାନୁଆଲ ପ୍ରକ୍ରିୟା ଉପରେ ନିର୍ଭର କରେ, ଯାହା ତ୍ରୁଟି, ବିଳମ୍ବ ଏବଂ ଅପାରଗତାକୁ ନେଇପାରେ | AI ଏବଂ ସ୍ୱୟଂଚାଳିତର ବୃଦ୍ଧି ଏକ ପ୍ରତିଜ୍ଞାକାରୀ ସମାଧାନ ପ୍ରଦାନ କରେ, କିନ୍ତୁ ଏହା ଅନ୍ତର୍ନିହିତ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ଏବଂ ସେମାନଙ୍କର ଏକୀକରଣ ବିଷୟରେ ଏକ ଗଭୀର ବୁ understanding ାମଣା ଆବଶ୍ୟକ କରେ |

ଲାଙ୍ଗ୍ ଚେନ୍: AI ଚାଳିତ DevOps ପାଇଁ ଏଜେଣ୍ଟ ଅର୍କେଷ୍ଟେସନ୍ |

ଲ୍ୟାଙ୍ଗ ଚେନ୍ ହେଉଛି AI- ଚାଳିତ ଏଜେଣ୍ଟ ଗଠନ ପାଇଁ ଏକ ମୁକ୍ତ ଉତ୍ସ framework ାଞ୍ଚା ଯାହା ଡାଟା ପ୍ରକ୍ରିୟାକରଣ ଠାରୁ ଆରମ୍ଭ କରି କୋଡ୍ ସମୀକ୍ଷା ପର୍ଯ୍ୟନ୍ତ ବିଭିନ୍ନ କାର୍ଯ୍ୟ କରିପାରିବ | ଏହାର ଏଜେଣ୍ଟ ଅର୍କେଷ୍ଟେସନ୍ କ୍ଷମତା ବିକାଶକାରୀଙ୍କୁ ଜଟିଳ କାର୍ଯ୍ୟ ପ୍ରବାହ ସୃଷ୍ଟି କରିବାକୁ ସକ୍ଷମ କରେ ଯାହା ଏକାଧିକ AI ମଡେଲ ଏବଂ ଉପକରଣଗୁଡ଼ିକୁ ଏକତ୍ର କରିଥାଏ | ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ର ସ୍ଥାପତ୍ୟ ଅତ୍ୟଧିକ ମଡ୍ୟୁଲାର୍ ଏବଂ ବିସ୍ତାରିତ ହେବା ପାଇଁ ଡିଜାଇନ୍ ହୋଇଛି, ଏହାକୁ କଷ୍ଟମ୍ DevOps ସ୍ୱୟଂଚାଳିତ ପାଇପଲାଇନ ନିର୍ମାଣ ପାଇଁ ଏକ ଆଦର୍ଶ ପସନ୍ଦ କରିଥାଏ |

LangChain ସ୍ଥାପତ୍ୟ |

ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ସ୍ଥାପତ୍ୟ ତିନୋଟି ମୁଖ୍ୟ ଉପାଦାନକୁ ନେଇ ଗଠିତ:

। ୨। ।।

ଉଦାହରଣ କୋଡ୍: ଏକ ଲାଙ୍ଗ୍ ଚେନ୍ ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରିବା |

ଏକ LangChain ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରିବାର ଏକ ସରଳ ଉଦାହରଣ ଏଠାରେ ଅଛି ଯାହାକି GPT-5.5 ବ୍ୟବହାର କରି ଏକ କୋଡ୍ ସମୀକ୍ଷା କରିଥାଏ: "ପାଇଥନ୍ | langchain ଆମଦାନି କରନ୍ତୁ | langchain.chains ରୁ gpt5_5 ଆମଦାନି କରନ୍ତୁ |

ଏକ GPT-5.5 ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରନ୍ତୁ |

ଏଜେଣ୍ଟ = gpt5_5.GPT5_5 ଏଜେଣ୍ଟ୍ ()

ଏକ କୋଡ୍ ସମୀକ୍ଷା କାର୍ଯ୍ୟ ପ୍ରବାହକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

କାର୍ଯ୍ୟ ପ୍ରବାହ = langchain.Workflow ( name = "code_review", କାର୍ଯ୍ୟ = [ { "ପ୍ରକାର": "ପାଠ", "ଇନପୁଟ୍": "ଦୟାକରି ନିମ୍ନ କୋଡ୍ ସମୀକ୍ଷା କରନ୍ତୁ", "ଆଉଟପୁଟ୍": "code_review" }, { "ପ୍ରକାର": "ପାଠ", "input": "code_review", "ଆଉଟପୁଟ୍": "ସମୀକ୍ଷା_କୋଡ୍" } ] )

ଏକ LangChain ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରନ୍ତୁ ଯାହା କୋଡ୍ ସମୀକ୍ଷା କାର୍ଯ୍ୟଧାରାକୁ କାର୍ଯ୍ୟକାରୀ କରେ |

ଏଜେଣ୍ଟ = langchain.Agent (କାର୍ଯ୍ୟ ପ୍ରବାହ = କାର୍ଯ୍ୟ ପ୍ରବାହ, ଏଜେଣ୍ଟ = ଏଜେଣ୍ଟ)

କୋଡ୍ ସମୀକ୍ଷା କାର୍ଯ୍ୟ ପ୍ରବାହ ଚଲାନ୍ତୁ |

result = agent.run (input = "ଦୟାକରି ନିମ୍ନ କୋଡ୍ ସମୀକ୍ଷା କରନ୍ତୁ") ମୁଦ୍ରଣ (result.output) `` ଏହି କୋଡ୍ ଏକ LangChain ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରେ ଯାହା GPT-5.5 ବ୍ୟବହାର କରି ଏକ କୋଡ୍ ସମୀକ୍ଷା କରିଥାଏ | ଏଜେଣ୍ଟକୁ ଏକ କାର୍ଯ୍ୟଧାରା ଭାବରେ ବ୍ୟାଖ୍ୟା କରାଯାଇଛି ଯାହାକି ଦୁଇଟି କାର୍ଯ୍ୟକୁ ନେଇ ଗଠିତ: ଗୋଟିଏ ଯାହା ଉପଭୋକ୍ତାଙ୍କୁ ସମୀକ୍ଷା ପାଇଁ କୋଡ୍ ପ୍ରଦାନ କରିବାକୁ କହିଥାଏ ଏବଂ ଅନ୍ୟଟି GPT-5.5 ବ୍ୟବହାର କରି କୋଡ୍ ସମୀକ୍ଷା କରେ |

ଷ୍ଟାକଜେନ୍: DevOps ସ୍ୱୟଂଚାଳିତ ପାଇଁ ଭିତ୍ତିଭୂମି ବିନ୍ୟାସ |

ଭିତ୍ତିଭୂମି ସଂରଚନାକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ ଷ୍ଟାକଜେନ୍ ହେଉଛି ଏକ ଉପକରଣ, ଏହାକୁ DevOps ସ୍ୱୟଂଚାଳିତ ପାଇପଲାଇନ ପାଇଁ ଏକ ଆଦର୍ଶ ପସନ୍ଦ କରିଥାଏ | ଏହାର ସ୍ଥାପତ୍ୟ ଅତ୍ୟଧିକ ମଡ୍ୟୁଲାର୍ ଏବଂ ବିସ୍ତାରିତ ହେବା ପାଇଁ ଡିଜାଇନ୍ ହୋଇଛି, ଯାହାକି ବିକାଶକାରୀମାନଙ୍କୁ ସେମାନଙ୍କ ପ୍ରୟୋଗଗୁଡ଼ିକ ପାଇଁ କଷ୍ଟମ୍ ଭିତ୍ତିଭୂମି ବିନ୍ୟାସକରଣ ସୃଷ୍ଟି କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ |

StackGen ସ୍ଥାପତ୍ୟ |

ଷ୍ଟାକଜେନ୍ ସ୍ଥାପତ୍ୟ ତିନୋଟି ମୁଖ୍ୟ ଉପାଦାନକୁ ନେଇ ଗଠିତ:

1। ** ପ୍ରଦାନକାରୀ **: ଏଗୁଡ଼ିକ ହେଉଛି ଉପାଦାନ ଯାହା ଭିତ୍ତିଭୂମି ସମ୍ବଳ ପରିଚାଳନା କରେ, ଯେପରିକି AWS କିମ୍ବା GCP | 2। ** ବିନ୍ୟାସକରଣ **: ଭିତ୍ତିଭୂମି ଉତ୍ସଗୁଡ଼ିକର ସଂଜ୍ଞା, ଯେପରିକି ଭର୍ଚୁଆଲ୍ ମେସିନ୍ କିମ୍ବା ଡାଟାବେସ୍ | ।।

ଉଦାହରଣ କୋଡ୍: ଏକ ଷ୍ଟାକଜେନ୍ ବିନ୍ୟାସକରଣ ସୃଷ୍ଟି କରିବା |

ଏକ ଭର୍ଚୁଆଲ୍ ମେସିନ୍ ପାଇଁ ଷ୍ଟାକଜେନ୍ ବିନ୍ୟାସକରଣ ସୃଷ୍ଟି କରିବାର ଏକ ସରଳ ଉଦାହରଣ ଏଠାରେ ଅଛି: "କଳଙ୍କ stackgen :: config ବ୍ୟବହାର କରନ୍ତୁ;

// ଏକ ଭର୍ଚୁଆଲ୍ ମେସିନ୍ ବିନ୍ୟାସକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ | vm_config = ବିନ୍ୟାସ :: VMConfig let ଦିଅନ୍ତୁ | ନାମ: "my_vm" .to_string (), ପ୍ରଦାନକାରୀ: "aws" .to_string (), ଅଞ୍ଚଳ: "us-west-2" .to_string (), ଉଦାହରଣ_ପ୍ରକାର: "t2.micro" .to_string (), image_id: "ami-abc123" .to_string (), };

// ଏକ StackGen ସଂରଚନା ସୃଷ୍ଟି କରନ୍ତୁ | ବିନ୍ୟାସ = ବିନ୍ୟାସ :: ବିନ୍ୟାସ {ଦିଅନ୍ତୁ | ନାମ: "my_config" .to_string (), ପ୍ରଦାନକାରୀ: "aws" .to_string (), ଅଞ୍ଚଳ: "us-west-2" .to_string (), ଉତ୍ସ: vec! [vm_config], };

// ବିନ୍ୟାସକୁ ଏକ ଫାଇଲ୍ ରେ ସେଭ୍ କରନ୍ତୁ | config.save ("my_config.yaml"); `` ଏହି କୋଡ୍ stackgen କ୍ରେଟ୍ ବ୍ୟବହାର କରି ଏକ ଭର୍ଚୁଆଲ୍ ମେସିନ୍ ପାଇଁ ଏକ StackGen ସଂରଚନା ସୃଷ୍ଟି କରେ | ବିନ୍ୟାସକୁ ଏକ "VMConfig" ସଂରଚନା ଭାବରେ ବ୍ୟାଖ୍ୟା କରାଯାଇଛି, ଯେଉଁଥିରେ ନାମ, ପ୍ରଦାନକାରୀ, ଅଞ୍ଚଳ, ଉଦାହରଣ ପ୍ରକାର, ଏବଂ ପ୍ରତିଛବି ID ପରି ଗୁଣ ଅନ୍ତର୍ଭୁକ୍ତ |

AI- ଚାଳିତ DevOps ସ୍ୱୟଂଚାଳିତ ପାଇଁ LangChain ଏବଂ StackGen କୁ ଏକୀଭୂତ କରିବା |

ଏକ AI ଚାଳିତ DevOps ସ୍ୱୟଂଚାଳିତ ପାଇପଲାଇନ ସୃଷ୍ଟି କରିବାକୁ, ଆମକୁ ଲ୍ୟାଙ୍ଗଚେନ ଏବଂ ଷ୍ଟାକଗେନକୁ ଏକୀକରଣ କରିବାକୁ ପଡିବ | ଏହା ଏକ ୱାର୍କଫ୍ଲୋ ସୃଷ୍ଟି କରିବା ସହିତ ଅନ୍ତର୍ଭୂକ୍ତ କରେ ଯାହାକି କୋଡ୍ ସମୀକ୍ଷା ଏବଂ ପରୀକ୍ଷଣ, ଏବଂ ଭିତ୍ତିଭୂମି ଉତ୍ସଗୁଡିକ ପରିଚାଳନା ପାଇଁ ଷ୍ଟାକ୍ଜେନ୍ ଭଳି କାର୍ଯ୍ୟ କରିବା ପାଇଁ ଲାଙ୍ଗ ଚେନ୍ ଏଜେଣ୍ଟମାନଙ୍କୁ ବ୍ୟବହାର କରେ |

ଉଦାହରଣ କୋଡ୍: ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ଏବଂ ଷ୍ଟାକଗେନକୁ ଏକୀକୃତ କରିବା |

ଏକ AI ଚାଳିତ DevOps ସ୍ୱୟଂଚାଳିତ ପାଇପଲାଇନ ସୃଷ୍ଟି କରିବାକୁ ଲ୍ୟାଙ୍ଗଚେନ ଏବଂ ଷ୍ଟାକଗେନକୁ ଏକତ୍ର କରିବାର ଏକ ସରଳ ଉଦାହରଣ ଏଠାରେ ଅଛି: "ପାଇଥନ୍ | langchain ଆମଦାନି କରନ୍ତୁ | langchain.chains ରୁ gpt5_5 ଆମଦାନି କରନ୍ତୁ | ଷ୍ଟାକେନ୍ ଆମଦାନି କରନ୍ତୁ |

ଏକ GPT-5.5 ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରନ୍ତୁ |

ଏଜେଣ୍ଟ = gpt5_5.GPT5_5 ଏଜେଣ୍ଟ୍ ()

ଏକ କୋଡ୍ ସମୀକ୍ଷା କାର୍ଯ୍ୟ ପ୍ରବାହକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

କାର୍ଯ୍ୟ ପ୍ରବାହ = langchain.Workflow ( name = "code_review", କାର୍ଯ୍ୟ = [ { "ପ୍ରକାର": "ପାଠ", "ଇନପୁଟ୍": "ଦୟାକରି ନିମ୍ନ କୋଡ୍ ସମୀକ୍ଷା କରନ୍ତୁ", "ଆଉଟପୁଟ୍": "code_review" }, { "ପ୍ରକାର": "ପାଠ", "input": "code_review", "ଆଉଟପୁଟ୍": "ସମୀକ୍ଷା_କୋଡ୍" } ] )

ଏକ LangChain ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରନ୍ତୁ ଯାହା କୋଡ୍ ସମୀକ୍ଷା କାର୍ଯ୍ୟଧାରାକୁ କାର୍ଯ୍ୟକାରୀ କରେ |

ଏଜେଣ୍ଟ = langchain.Agent (କାର୍ଯ୍ୟ ପ୍ରବାହ = କାର୍ଯ୍ୟ ପ୍ରବାହ, ଏଜେଣ୍ଟ = ଏଜେଣ୍ଟ)

ଏକ StackGen ସଂରଚନାକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

vm_config = stackgen.config.VMConfig { ନାମ: "my_vm" .to_string (), ପ୍ରଦାନକାରୀ: "aws" .to_string (), ଅଞ୍ଚଳ: "us-west-2" .to_string (), ଉଦାହରଣ_ପ୍ରକାର: "t2.micro" .to_string (), image_id: "ami-abc123" .to_string (), }

ଏକ StackGen ସଂରଚନା ସୃଷ୍ଟି କରନ୍ତୁ |

config = stackgen.config.Config { ନାମ: "my_config" .to_string (), ପ୍ରଦାନକାରୀ: "aws" .to_string (), ଅଞ୍ଚଳ: "us-west-2" .to_string (), ଉତ୍ସ: vec! [vm_config], }

ଏକ ଫାଇଲରେ ବିନ୍ୟାସ ସଂରକ୍ଷଣ କରନ୍ତୁ |

config.save ("my_config.yaml");

କୋଡ୍ ସମୀକ୍ଷା କାର୍ଯ୍ୟ ପ୍ରବାହ ଚଲାନ୍ତୁ |

result = agent.run (input = "ଦୟାକରି ନିମ୍ନ କୋଡ୍ ସମୀକ୍ଷା କରନ୍ତୁ") ମୁଦ୍ରଣ (result.output)

ଭିତ୍ତିଭୂମି ଉତ୍ସ ସୃଷ୍ଟି କରିବାକୁ StackGen ସଂରଚନାକୁ ବ୍ୟବହାର କରନ୍ତୁ |

stackgen.create_resources (ବିନ୍ୟାସ) `` ଏକ AI ଚାଳିତ DevOps ସ୍ୱୟଂଚାଳିତ ପାଇପଲାଇନ ସୃଷ୍ଟି କରିବାକୁ ଏହି କୋଡ୍ ଲ୍ୟାଙ୍ଗ ଚେନ୍ ଏବଂ ଷ୍ଟାକଗେନକୁ ଏକତ୍ର କରିଥାଏ | ପାଇପଲାଇନ GPT-5.5 ବ୍ୟବହାର କରି ଏକ କୋଡ୍ ସମୀକ୍ଷା ଏବଂ ଭିତ୍ତିଭୂମି ଉତ୍ସଗୁଡିକ ପରିଚାଳନା କରିବା ପାଇଁ ଏକ ଷ୍ଟାକ୍ଜେନ୍ ବିନ୍ୟାସ କରିବାକୁ ଏକ ଲ୍ୟାଙ୍ଗ ଚେନ୍ ଏଜେଣ୍ଟ ବ୍ୟବହାର କରେ |

ଶୀର୍ଷ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ ନିର୍ଦ୍ଦେଶ / ସ୍ନିପେଟ୍ |

LangChain ଏବଂ StackGen ପାଇଁ ଏଠାରେ ସର୍ବାଧିକ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ କମାଣ୍ଡ / ସ୍ନିପେଟ୍ ଅଛି:

1। 2। "Stackgen.config.VMConfig (...)": StackGen ବ୍ୟବହାର କରି ଏକ ଭର୍ଚୁଆଲ୍ ମେସିନ୍ ସଂରଚନାକୁ ବ୍ୟାଖ୍ୟା କରେ | 3। "Langchain.Workflow (...)": LangChain ବ୍ୟବହାର କରି ଏକ କାର୍ଯ୍ୟଧାରାକୁ ବ୍ୟାଖ୍ୟା କରେ | 4। "Stackgen.create_resources (ବିନ୍ୟାସ)": ଏକ StackGen ସଂରଚନା ବ୍ୟବହାର କରି ଭିତ୍ତିଭୂମି ଉତ୍ସ ସୃଷ୍ଟି କରେ | 5। 6. "stackgen.config.save (" ... ")`: ଏକ ଫାଇଲରେ StackGen ସଂରଚନାକୁ ସଂରକ୍ଷଣ କରେ | 7। "Langchain.Workflow.tasks (...)": ଏକ LangChain କାର୍ଯ୍ୟ ପ୍ରବାହରେ କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ବ୍ୟାଖ୍ୟା କରେ | 8। "Stackgen.config.resources (...)": ଏକ StackGen ସଂରଚନାରେ ଉତ୍ସଗୁଡ଼ିକୁ ବ୍ୟାଖ୍ୟା କରେ | 9। "Langchain.Agent.agent (...)": ଏକ LangChain ଏଜେଣ୍ଟ ସହିତ ଜଡିତ ଏଜେଣ୍ଟ ପାଇଥାଏ | 10। "Stackgen.config.provider (...)": ପ୍ରଦାନକାରୀଙ୍କୁ ଏକ StackGen ସଂରଚନା ସହିତ ଜଡିତ କରେ |

ଭିଜୁଆଲାଇଜେସନ୍

Chart.js ବ୍ୟବହାର କରି LangChain ଏବଂ StackGen ସ୍ଥାପତ୍ୟର ଏକ ଭିଜୁଆଲାଇଜେସନ୍: json { "ପ୍ରକାର": "ଦଣ୍ଡିକା", "ଡାଟା": { "ଲେବଲ୍": ["ଲାଙ୍ଗ୍ ଚେନ୍", "ଷ୍ଟାକଜେନ୍"], "ଡାଟାବେସ୍": [ { "ଲେବଲ୍": "ଉପାଦାନଗୁଡିକ", "ଡାଟା": [3, 3], "ପୃଷ୍ଠଭୂମି ରଙ୍ଗ": ["# 4CAF50", "# FF9800"] }, { "ଲେବଲ୍": "କାର୍ଯ୍ୟଗୁଡିକ", "ଡାଟା": [5, 5], "ପୃଷ୍ଠଭୂମି ରଙ୍ଗ": ["# 2196F3", "# 9C27B0"] } ] }, "ବିକଳ୍ପଗୁଡିକ": { "ଆଖ୍ୟା": { "ପ୍ରଦର୍ଶନ": ସତ୍ୟ, "ପାଠ୍ୟ": "ଲାଙ୍ଗ ଚେନ୍ ଏବଂ ଷ୍ଟାକଜେନ୍ ସ୍ଥାପତ୍ୟ" }, "କିମ୍ବଦନ୍ତୀ": { "ପ୍ରଦର୍ଶନ": ସତ୍ୟ | } } } ଏହି ଭିଜୁଆଲାଇଜେସନ୍ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ଏବଂ ଷ୍ଟାକଜେନ୍ ସ୍ଥାପତ୍ୟରେ ଉପାଦାନ ଏବଂ କାର୍ଯ୍ୟଗୁଡ଼ିକର ସଂଖ୍ୟା ଦର୍ଶାଏ |

ସିଦ୍ଧାନ୍ତ

ଏହି ଆର୍ଟିକିଲରେ, ଆମେ ଏଇ ଚାଳିତ DevOps ସ୍ୱୟଂଚାଳିତ ପାଇପଲାଇନ ତିଆରି କରିବା ପାଇଁ କିପରି ଲ୍ୟାଙ୍ଗଚେନ ଏବଂ ଷ୍ଟାକଗେନକୁ ଏକତ୍ର ବ୍ୟବହାର କରାଯାଇପାରିବ ସେ ବିଷୟରେ ଅନୁସନ୍ଧାନ କରିଛୁ | ଆମେ ଦେଖିଛୁ ଯେ ଲ୍ୟାଣ୍ଡ୍ ଚେନ୍ ର ଏଜେଣ୍ଟ୍ ଅର୍କେଷ୍ଟ୍ରେସନ୍ କ୍ଷମତା କିପରି କାର୍ଯ୍ୟ ସମୀକ୍ଷା କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ ଯେପରିକି କୋଡ୍ ସମୀକ୍ଷା ଏବଂ ପରୀକ୍ଷଣ, ଏବଂ ଭିତ୍ତିଭୂମି ଉତ୍ସଗୁଡିକ ପରିଚାଳନା ପାଇଁ ଷ୍ଟାକଜେନ୍ ର ଭିତ୍ତିଭୂମି ବିନ୍ୟାସ କ୍ଷମତା କିପରି ବ୍ୟବହାର କରାଯାଇପାରିବ | ଆମେ ମଧ୍ୟ ଦେଖିଛୁ ଯେ ଏହି ଦୁଇଟି ଟେକ୍ନୋଲୋଜିକୁ କିପରି ଏକ ବିହୀନ DevOps ସ୍ୱୟଂଚାଳିତ ପାଇପଲାଇନ ସୃଷ୍ଟି କରିବାକୁ ଏକତ୍ର କରାଯାଇପାରିବ |