** የኤጀንሲው AI እምቅ አቅምን በዴቭኦፕስ መክፈት፡ የላንግቻይን እና የDSPy ውህደት ቴክኒካል ፍለጋ ***

መግቢያ

የዴቭኦፕስ መልክዓ ምድራዊ አቀማመጥ በፍጥነት፣ በይበልጥ አስተማማኝ እና ደህንነቱ የተጠበቀ የሶፍትዌር አቅርቦት ፍላጎት እየጨመረ ነው። የዚህ ለውጥ ቁልፍ ነጂዎች አንዱ አርቴፊሻል ኢንተለጀንስ (AI) እና የማሽን መማሪያ (ML) ወደ DevOps የስራ ፍሰቶች ማዋሃድ ነው። በዚህ ጽሑፍ ውስጥ, በ DevOps ውስጥ የኤጀንሲው AI ጽንሰ-ሐሳብን እንመረምራለን, በ LangChain እና DSPy ውህደት ላይ በማተኮር, ሊሰፋ የሚችል እና ደህንነቱ የተጠበቀ የሶፍትዌር አርክቴክቸርን የሚያስችሉ ሁለት ኃይለኛ የኦርኬስትራ መሳሪያዎች.

** በDevOps ውስጥ ወኪል AI ምንድነው?**

በDevOps ውስጥ ያለው ኤጀንቲክ AI የዴቭኦፕስ የስራ ፍሰቶችን በራስ ሰር ለመስራት እና ለማመቻቸት የ AI ወኪሎችን መጠቀምን ያመለክታል። እነዚህ ወኪሎች ለበለጠ ስልታዊ እና ለፈጠራ ስራ የሰው ሃይል ነጻ ማውጣትን እንደ ክትትል፣ ምዝግብ ማስታወሻ እና ማሰማራት የመሳሰሉ ተግባራትን ማከናወን ይችላሉ። በዴቭኦፕስ ውስጥ የኤጀንሲው AI ቁልፍ መርሆዎች አውድ ምህንድስና እና ዜሮኦፕስ ናቸው።

የአውድ ምህንድስና

አውድ ምህንድስና የዴቭኦፕስ የስራ ፍሰቶች በሚሰሩበት አውድ ላይ የጋራ ግንዛቤ የመፍጠር ሂደት ነው። ይህ በDevOps የስራ ሂደት ውስጥ የ AI ወኪሎችን ባህሪ የሚቆጣጠሩ ህጎችን፣ ገደቦችን እና ግቦችን መግለፅን ያካትታል። አውድ ምህንድስና AI ወኪሎች በመረጃ ላይ የተመሰረተ ውሳኔ እንዲያደርጉ እና ከድርጅቱ ግቦች እና አላማዎች ጋር የሚጣጣሙ እርምጃዎችን እንዲወስዱ ያስችላቸዋል።

ዜሮኦፕስ

ZeroOps በDevOps የስራ ፍሰቶች ውስጥ የሰዎችን ጣልቃገብነት አስፈላጊነት ለማስወገድ ያለመ የዴቭኦፕስ መርህ ነው። ይህ የተገኘው እራስን የሚያድን፣ ራሱን የሚያሻሽል እና በራስ የመተማመኛ ስርዓት በመፍጠር የአካባቢ ለውጦችን ያለ ሰው ጣልቃገብነት መለየት እና ምላሽ መስጠት ይችላል። ዜሮ ኦፕስ የሚቻለው በስርዓቱ ላይ ለሚደረጉ ለውጦች ክትትል፣ መተንተን እና ምላሽ መስጠት በሚችሉ AI ወኪሎች በመጠቀም ነው።

** LangChain እና DSPy ውህደት ***

LangChain እና DSPy በ DevOps ውስጥ የኤጀንሲው AI ውህደትን የሚያነቃቁ ሁለት ኃይለኛ የኦርኬስትራ መሳሪያዎች ናቸው። LangChain የውይይት AI ወኪሎችን ለመገንባት ማዕቀፍ የሚያቀርብ የፓይዘን ቤተ-መጽሐፍት ነው፣ DSPy ደግሞ Rust ላይ የተመሰረተ የተከፋፈሉ ስርዓቶችን ለመገንባት ማዕቀፍ የሚያቀርብ ነው።

LangChain እና DSPy ን በማዋሃድ ገንቢዎች የኤጀንቲክ AIን ኃይል የሚጠቀም ሊሰፋ የሚችል እና ደህንነቱ የተጠበቀ የሶፍትዌር አርክቴክቸር መፍጠር ይችላሉ። ይህ ውህደት እንዴት ሊገኝ እንደሚችል የሚያሳይ ምሳሌ ይኸውና፡-

`` ፓይቶን

አስመጣ langchain ከ langchain.chat_models ChatOpenAI ያስመጣሉ። ከ langchain.llms አስመጣ LLMOpenAI

የውይይት ሞዴልን እና LLMን ይግለጹ

chat_model = ChatOpenAI() llm = LLMOpenAI()

የ LangChain ወኪልን ይግለጹ

ወኪል = langchain. ወኪል( ሰንሰለት = langchain. ሰንሰለት ( llm=llm, chat_model=ቻት_ሞዴል ) )

የDSPy ወኪልን ይግለጹ

dsp_agent = dspy. ወኪል( ስም = "የእኔ_ወኪል", መግለጫ = "የእኔ DSPy ወኪል" )

LangChain እና DSPy ወኪሎችን ያዋህዱ

langchain_agent = langchain. ወኪል( ሰንሰለት = langchain. ሰንሰለት ( llm=llm, chat_model=ቻት_ሞዴል፣ dsp_agent=dsp_agent ) )

አንድ ተግባር ለማከናወን የተቀናጀ ወኪል ይጠቀሙ

langchain_agent.execute("መተግበሪያውን ወደ ምርት አሰማር")

**ምርጥ 5-10 በብዛት ጥቅም ላይ የዋሉ ትዕዛዞች/ቅንጣዎች**

ለ LangChain እና DSPy በጣም ጥቅም ላይ የዋሉት 5-10 ከፍተኛ ትዕዛዞች/ቅንጣዎች እነሆ፡-

1. **የላንግቻይን ወኪል መፍጠር**: `langchain. ወኪል (ሰንሰለት = langchain. ሰንሰለት (llm=llm, chat_model=ቻት_ሞዴል))`
2. ** DSPy ወኪል ፍጥረት **: `dspy.Agent(ስም = "የእኔ_ወኪል"፣ መግለጫ = "የእኔ DSPy ወኪል")`
3. **የLangChain ወኪል ማስፈጸሚያ***: `langchain_agent.execute("መተግበሪያውን ወደ ምርት አሰማር")
4. ** የDSPy ወኪል ማስፈጸሚያ***: `dsp_agent.execute("መተግበሪያውን ወደ ምርት አሰማር")
5. ** LangChain ሰንሰለት ፍቺ **: `langchain. ሰንሰለት (lm=llm, chat_model=ቻት_ሞዴል)`
6. ** DSPy ሰንሰለት ፍቺ **: `dspy.Chain (ስም = "የእኔ_ቼይን", መግለጫ = "የእኔ DSPy ሰንሰለት")`
7. **የLangChain ወኪል ምዝገባ**፡ `langchain_agent.register()`
8. ** የDSPy ወኪል ምዝገባ **: `dsp_agent.register()`
9. **የላንግቻይን ወኪል አለመመዝገብ**፡ `langchain_agent. unregister()`
10. **የDSPy ወኪል አለመመዝገብ**፡ `dsp_agent.unregister()`

**እይታ**

Chart.jsን በመጠቀም የ LangChain እና DSPy ውህደት ምስላዊ እይታ እዚህ አለ፡-

``json
{
  "አይነት": "ባር",
  "ውሂብ": {
    "መለያዎች": ["LangChain", "DSPy"],
    "መረጃዎች": [
      {
        "label": "ወኪል መፍጠር",
        "ውሂብ": [10, 5],
        "backgroundColor": ["#4CAF50", "#FF9800"]
      }
      {
        "label": "የወኪል ማስፈጸሚያ",
        "ዳታ": [8, 6],
        "የጀርባ ቀለም": ["#2196F3", "#9C27B0"]
      }
      {
        "label": "ሰንሰለት ፍቺ",
        "ውሂብ": [12, 4],
        "የጀርባ ቀለም": ["#8BC34A", "#3F51B5"]
      }
    ]
  }
  "አማራጮች": {
    "ርዕስ": {
      "ማሳያ": እውነት,
      "text": "LangChain እና DSPy ውህደት"
    }
    "አፈ ታሪክ": {
      "ማሳያ": እውነት
    }
  }
}

** መደምደሚያ**

የ LangChain እና DSPy ውህደት በዴቭኦፕስ ውስጥ የኤጀንቲክ AIን ኃይል የሚጠቀም ሊሰፋ የሚችል እና ደህንነቱ የተጠበቀ የሶፍትዌር አርክቴክቸር መፍጠር ያስችላል። አውድ ኢንጂነሪንግ እና ዜሮኦፕስ መርሆችን በመጠቀም ገንቢዎች ያለ ሰው ጣልቃገብነት በአካባቢ ላይ የሚደረጉ ለውጦችን ፈልጎ ማግኘት እና ምላሽ መስጠት የሚችሉ እራስን መፈወስ፣ ራስን ማመቻቸት እና በራስ መተማመንን መፍጠር ይችላሉ። ለ LangChain እና DSPy በጣም ጥቅም ላይ የዋሉት ከፍተኛዎቹ 5-10 ትዕዛዞች/ቅንጣፎች ቀርበዋል Chart.js ን በመጠቀም ከውህደቱ እይታ ጋር።