ଉନ୍ନତ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟ ପାଇଁ LangChain ଏବଂ DSPy ସହିତ AI ଏଜେଣ୍ଟମାନଙ୍କୁ ଅର୍କେଷ୍ଟ୍ରିଟ୍ କରିବା

ପରିଚୟ

ଆଜିର ଦ୍ରୁତ ଗତିଶୀଳ ଡିଜିଟାଲ୍ ଲ୍ୟାଣ୍ଡସ୍କେପରେ, ଆର୍ଟିଫିସିଆଲ୍ ଇଣ୍ଟେଲିଜେନ୍ସ (AI) ଏବଂ ମେସିନ୍ ଲର୍ନିଂ (ML) କ୍ଷମତାର ଏକୀକରଣ ସହିତ ସଫ୍ଟୱେର୍ ସିଷ୍ଟମଗୁଡ଼ିକ ଜଟିଳ ହେବାରେ ଲାଗିଛି | ଫଳସ୍ୱରୂପ, ମାପନୀୟ ଏବଂ ସ୍ଥାୟୀ ସିଷ୍ଟମଗୁଡିକର ଡିଜାଇନ୍ ଯାହାକି AI ଏଜେଣ୍ଟମାନଙ୍କୁ ଫଳପ୍ରଦ ଭାବରେ ଅର୍କେଷ୍ଟ୍ରେଟ୍ କରିପାରିବ ସଫ୍ଟୱେର୍ ଇଞ୍ଜିନିୟର୍ମାନଙ୍କ ପାଇଁ ଏକ ଚିନ୍ତାର ବିଷୟ ପାଲଟିଛି | ଏହି ଆର୍ଟିକିଲ୍ AI, ସଫ୍ଟୱେୟାର୍ ଇଞ୍ଜିନିୟରିଂ, ଏବଂ ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଉପକରଣଗୁଡିକର ଛକକୁ ଦକ୍ଷ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟକୁ ଡିଜାଇନ୍ କରିବା ପାଇଁ ଅନୁସନ୍ଧାନ କରିଥାଏ, ଯେଉଁଥିରେ ଲ୍ୟାଙ୍ଗ ଚେନ୍ ଏବଂ DSPy ବ୍ୟବହାର କରି AI ଏଜେଣ୍ଟଗୁଡିକ କାର୍ଯ୍ୟକାରୀ କରିବା ଉପରେ ଧ୍ୟାନ ଦିଆଯାଏ |

AI ଅର୍କେଷ୍ଟ୍ରେସନ୍ ର ଆବଶ୍ୟକତା

ପାରମ୍ପାରିକ ସଫ୍ଟୱେର୍ ସିଷ୍ଟମଗୁଡିକ ପ୍ରାୟତ mon ଏକଚାଟିଆ ସ୍ଥାପତ୍ୟ ସହିତ ଡିଜାଇନ୍ ହୋଇଛି, ଯେଉଁଠାରେ ସମସ୍ତ ଉପାଦାନଗୁଡ଼ିକ ଦୃ ly ଭାବରେ ଯୋଡି ହୋଇ ଏକ ର ar ଖିକ fashion ଙ୍ଗରେ ଏକତ୍ର କାର୍ଯ୍ୟ କରନ୍ତି | ତଥାପି, AI ଏବଂ ML ର ଆଗମନ ସହିତ, ଏକ ସାଧାରଣ ଲକ୍ଷ୍ୟ ହାସଲ କରିବା ପାଇଁ ଏକାଧିକ ଏଜେଣ୍ଟ ମିଳିତ ଭାବରେ କାର୍ଯ୍ୟ କରିବା ସହିତ ସଫ୍ଟୱେର୍ ସିଷ୍ଟମଗୁଡ଼ିକ ଅଧିକ ବଣ୍ଟନ ଏବଂ ବିକେନ୍ଦ୍ରୀକରଣ ହେବାରେ ଲାଗିଛି | ଏହା AI ଅର୍କେଷ୍ଟ୍ରେସନର ଆବଶ୍ୟକତାକୁ ଆଣିଛି, ଯେଉଁଥିରେ ସିଷ୍ଟମଗୁଡିକର ଡିଜାଇନ୍ ଅନ୍ତର୍ଭୂକ୍ତ ହୋଇଛି ଯାହା ଏକାଧିକ AI ଏଜେଣ୍ଟମାନଙ୍କ ମଧ୍ୟରେ ପାରସ୍ପରିକ କାର୍ଯ୍ୟକୁ ପ୍ରଭାବଶାଳୀ ଭାବରେ ପରିଚାଳନା ଏବଂ ସମନ୍ୱୟ କରିପାରିବ |

ଲାଙ୍ଗ୍ ଚେନ୍: AI ଏଜେଣ୍ଟ ଗଠନ ପାଇଁ ଏକ amework ାଞ୍ଚା

ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ହେଉଛି AI ଏଜେଣ୍ଟ ଗଠନ ପାଇଁ ଏକ ପାଇଥନ୍ framework ାଞ୍ଚା ଯାହା ପରସ୍ପର ସହିତ ଏବଂ ବାହ୍ୟ ସିଷ୍ଟମ୍ ସହିତ ଯୋଗାଯୋଗ କରିପାରିବ | ଏହା ସାଧନ ଏବଂ ଲାଇବ୍ରେରୀଗୁଡ଼ିକର ଏକ ସେଟ୍ ପ୍ରଦାନ କରେ ଯାହା ଡେଭଲପର୍ମାନଙ୍କୁ ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରିବାକୁ ସକ୍ଷମ କରେ ଯାହା ପରିବର୍ତ୍ତନଶୀଳ ପରିବେଶ ସହିତ ଯୁକ୍ତି, ଶିଖିବା ଏବଂ ଅନୁକୂଳ ହୋଇପାରେ | ଲ୍ୟାଙ୍ଗ ଚେନ୍ ରୁଷ୍ଟ ପ୍ରୋଗ୍ରାମିଂ ଭାଷା ଉପରେ ନିର୍ମିତ ଏବଂ AI ଏଜେଣ୍ଟ ଗଠନ ପାଇଁ ଏକ ଉଚ୍ଚ ସ୍ତରୀୟ API ପ୍ରଦାନ କରେ |

DSPy: ଅର୍କେଷ୍ଟ୍ରେସନ୍ ପାଇଁ ଏକ Fr ାଞ୍ଚା

DSPy ହେଉଛି ବଣ୍ଟିତ ସିଷ୍ଟମ ଗଠନ ପାଇଁ ଏକ ପାଇଥନ୍ framework ାଞ୍ଚା ଯାହା ଏକାଧିକ AI ଏଜେଣ୍ଟଗୁଡ଼ିକୁ ଅର୍କେଷ୍ଟ୍ରେଟ୍ କରିପାରିବ | ଏହା ସାଧନ ଏବଂ ଲାଇବ୍ରେରୀଗୁଡ଼ିକର ଏକ ସେଟ୍ ପ୍ରଦାନ କରେ ଯାହା ଡେଭଲପର୍ମାନଙ୍କୁ ମାପନୀୟ ଏବଂ ସ୍ଥାୟୀ ସିଷ୍ଟମଗୁଡିକର ଡିଜାଇନ୍ ଏବଂ ନିୟୋଜନ କରିବାକୁ ସକ୍ଷମ କରିଥାଏ ଯାହା ଏକାଧିକ ଏଜେଣ୍ଟ ମଧ୍ୟରେ ଜଟିଳ ପାରସ୍ପରିକ କାର୍ଯ୍ୟକଳାପ ପରିଚାଳନା କରିପାରିବ | DSPy ଆପାଚେ କାଫ୍କା ମେସେଜିଂ ସିଷ୍ଟମର ଉପରେ ନିର୍ମିତ ଏବଂ ବଣ୍ଟିତ ସିଷ୍ଟମ ଗଠନ ପାଇଁ ଏକ ଉଚ୍ଚ ସ୍ତରୀୟ API ପ୍ରଦାନ କରିଥାଏ |

LangChain ଏବଂ DSPy ସହିତ AI ଏଜେଣ୍ଟଗୁଡିକୁ କାର୍ଯ୍ୟକାରୀ କରିବା

LangChain ଏବଂ DSPy ବ୍ୟବହାର କରି AI ଏଜେଣ୍ଟଗୁଡିକୁ କାର୍ଯ୍ୟକାରୀ କରିବା ପାଇଁ, ଆମେ ଏହି ପଦକ୍ଷେପଗୁଡ଼ିକୁ ଅନୁସରଣ କରିବା ଆବଶ୍ୟକ:

1। ** ଏଜେଣ୍ଟ ସ୍ଥାପତ୍ୟକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ **: AI ଏଜେଣ୍ଟର ସ୍ଥାପତ୍ୟକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ, ଇନପୁଟ୍, ଆଉଟପୁଟ୍ ଏବଂ ଅନ୍ୟ ଏଜେଣ୍ଟମାନଙ୍କ ସହିତ ପାରସ୍ପରିକ କ୍ରିୟା | ୨। 3। ** ଏଜେଣ୍ଟ ଇଣ୍ଟରାକେସନ୍ସ ** 4। ** ସିଷ୍ଟମ୍ ନିୟୋଜନ କରନ୍ତୁ **: କ୍ଲାଉଡ୍ ପ୍ଲାଟଫର୍ମ କିମ୍ବା ଏକ କଣ୍ଟେନେରାଇଜେସନ୍ framework ାଞ୍ଚା ବ୍ୟବହାର କରି ସିଷ୍ଟମ୍ ନିୟୋଜନ କରନ୍ତୁ, ଯେପରିକି ଡକର୍ |

କୋଡ୍ ଉଦାହରଣ: LangChain ସହିତ ଏକ ସରଳ AI ଏଜେଣ୍ଟକୁ କାର୍ଯ୍ୟକାରୀ କରିବା

ଏଠାରେ ଏକ ସରଳ କୋଡ୍ ଉଦାହରଣ ଅଛି ଯାହାକି ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ବ୍ୟବହାର କରି ଏକ AI ଏଜେଣ୍ଟକୁ କିପରି କାର୍ଯ୍ୟକାରୀ କରାଯିବ ତାହା ଦର୍ଶାଏ: "ପାଇଥନ୍ | langchain ଆମଦାନି କରନ୍ତୁ | langchain.chains ରୁ LLMChain ଆମଦାନି କରନ୍ତୁ |

ଏଜେଣ୍ଟ = langchain.Agent ( input_schema = {"ପାଠ": str}, ଆଉଟପୁଟ୍_ସେମା = {"ପାଠ୍ୟ": str}, ଶୃଙ୍ଖଳା = LLMChain ( model = "davinci: instrix", max_length = 2048, ତାପମାତ୍ରା = 0.7, ), )

ଏଜେଣ୍ଟ ତର୍କକୁ କାର୍ଯ୍ୟକାରୀ କରନ୍ତୁ |

def agent_logic (input_text): output_text = agent.run (input_text) ଆଉଟପୁଟ୍_ ଟେକ୍ସଟ୍ ଫେରସ୍ତ

ଏଜେଣ୍ଟ ପରୀକ୍ଷା କରନ୍ତୁ |

input_text = "ଜୀବନର ଅର୍ଥ କ’ଣ?" ଆଉଟପୁଟ୍_ ଟେକ୍ସଟ୍ = ଏଜେଣ୍ଟ_ଲୋଗିକ୍ (ଇନପୁଟ୍_ ଟେକ୍ସଟ୍) ମୁଦ୍ରଣ (ଆଉଟପୁଟ୍_ ଟେକ୍ସଟ୍) `` ଏହି କୋଡ୍ ଉଦାହରଣ ଦର୍ଶାଏ ଯେ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ବ୍ୟବହାର କରି ଏକ AI ଏଜେଣ୍ଟକୁ କିପରି ବ୍ୟାଖ୍ୟା କରାଯିବ, ଇନପୁଟ୍ ଏବଂ ଆଉଟପୁଟ୍ ସ୍କିମା ଏବଂ ଏଜେଣ୍ଟର ତର୍କକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରେ | ଏକ ବଡ଼ ଭାଷା ମଡେଲ୍ (LLM) ଶୃଙ୍ଖଳା ବ୍ୟବହାର କରି ଏଜେଣ୍ଟକୁ କାର୍ଯ୍ୟକାରୀ କରାଯାଏ, ଯାହାକି ଏକ ପ୍ରକାର AI ଏଜେଣ୍ଟ ଯାହା ଟେକ୍ସଟ୍ ସୃଷ୍ଟି ଏବଂ ସୃଷ୍ଟି କରିପାରିବ |

LangChain ଏବଂ DSPy ପାଇଁ ସର୍ବାଧିକ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ ନିର୍ଦ୍ଦେଶ / ସ୍ନିପେଟ୍

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

1। ** langchain.Agent () **: ଏକ ନୂତନ AI ଏଜେଣ୍ଟ ଉଦାହରଣ ସୃଷ୍ଟି କରେ | "ପାଇଥନ୍ | ଏଜେଣ୍ଟ = langchain.Agent ( input_schema = {"ପାଠ": str}, ଆଉଟପୁଟ୍_ସେମା = {"ପାଠ୍ୟ": str}, ଶୃଙ୍ଖଳା = LLMChain ( model = "davinci: instrix", max_length = 2048, ତାପମାତ୍ରା = 0.7, ), ) 2। ** agent.run () **: ପ୍ରଦତ୍ତ ଇନପୁଟ୍ ସହିତ AI ଏଜେଣ୍ଟକୁ ଚଲାଇଥାଏ | "ପାଇଥନ୍ | output_text = agent.run (input_text) 3। ** DSPy.create_cluster () **: ବଣ୍ଟିତ ସିଷ୍ଟମ୍ ପାଇଁ ନୋଡଗୁଡ଼ିକର ଏକ ନୂତନ କ୍ଲଷ୍ଟର ସୃଷ୍ଟି କରେ | "ପାଇଥନ୍ | କ୍ଲଷ୍ଟର = DSPy.create_cluster ( num_nodes = 5, node_type = "କର୍ମୀ", ) 4। ** DSPy.create_agent () **: ବଣ୍ଟିତ ସିଷ୍ଟମ୍ ପାଇଁ ଏକ ନୂତନ AI ଏଜେଣ୍ଟ ଉଦାହରଣ ସୃଷ୍ଟି କରେ | "ପାଇଥନ୍ | ଏଜେଣ୍ଟ = DSPy.create_agent ( କ୍ଲଷ୍ଟର = କ୍ଲଷ୍ଟର, agent_type = "LLM", ) 5। ** DSPy.deploy_agent () **: ବଣ୍ଟିତ ସିଷ୍ଟମରେ AI ଏଜେଣ୍ଟକୁ ନିୟୋଜିତ କରେ | "ପାଇଥନ୍ | DSPy.deploy_agent ( ଏଜେଣ୍ଟ = ଏଜେଣ୍ଟ, କ୍ଲଷ୍ଟର = କ୍ଲଷ୍ଟର, ) 6। ** DSPy.get_agent_status () **: AI ଏଜେଣ୍ଟର ସ୍ଥିତି ପୁନରୁଦ୍ଧାର କରେ | "ପାଇଥନ୍ | ସ୍ଥିତି = DSPy.get_agent_status ( ଏଜେଣ୍ଟ = ଏଜେଣ୍ଟ, କ୍ଲଷ୍ଟର = କ୍ଲଷ୍ଟର, ) 7। ** DSPy.update_agent () **: AI ତଥ୍ୟକୁ ନୂତନ ତଥ୍ୟ କିମ୍ବା ପାରାମିଟର ସହିତ ଅଦ୍ୟତନ କରିଥାଏ | "ପାଇଥନ୍ | DSPy.update_agent ( ଏଜେଣ୍ଟ = ଏଜେଣ୍ଟ, କ୍ଲଷ୍ଟର = କ୍ଲଷ୍ଟର, new_data = {"ପାଠ୍ୟ": "ନୂତନ ଇନପୁଟ୍ ପାଠ"}, ) 8। ** DSPy.delete_agent () **: ବଣ୍ଟିତ ସିଷ୍ଟମରୁ AI ଏଜେଣ୍ଟକୁ ଡିଲିଟ୍ କରେ | "ପାଇଥନ୍ | DSPy.delete_agent ( ଏଜେଣ୍ଟ = ଏଜେଣ୍ଟ, କ୍ଲଷ୍ଟର = କ୍ଲଷ୍ଟର, ) 9। ** DSPy.create_chain () **: ବଣ୍ଟିତ ସିଷ୍ଟମ୍ ପାଇଁ AI ଏଜେଣ୍ଟମାନଙ୍କର ଏକ ନୂତନ ଶୃଙ୍ଖଳା ସୃଷ୍ଟି କରେ | "ପାଇଥନ୍ | ଶୃଙ୍ଖଳା = DSPy.create_chain ( ଏଜେଣ୍ଟ = [ଏଜେଣ୍ଟ 1, ଏଜେଣ୍ଟ 2, ଏଜେଣ୍ଟ 3], ) 10। ** DSPy.deploy_chain () **: ବଣ୍ଟିତ ସିଷ୍ଟମରେ AI ଏଜେଣ୍ଟଗୁଡିକର ଶୃଙ୍ଖଳା ନିୟୋଜିତ କରେ | "ପାଇଥନ୍ | DSPy.deploy_chain ( ଶୃଙ୍ଖଳା = ଶୃଙ୍ଖଳା, କ୍ଲଷ୍ଟର = କ୍ଲଷ୍ଟର, ) ଭିଜୁଆଲାଇଜେସନ୍

Chart.js ବ୍ୟବହାର କରି LangChain ଏବଂ DSPy ସ୍ଥାପତ୍ୟର ଏକ ଭିଜୁଆଲାଇଜେସନ୍: json { "ପ୍ରକାର": "ପାଇକାର୍ଟ", "ଡାଟା": { "ଲେବଲ୍": ["ଲାଙ୍ଗ୍ ଚେନ୍", "DSPy"], "ଡାଟାବେସ୍": [ { "ଲେବଲ୍": "AI ଏଜେଣ୍ଟସ୍", "ଡାଟା": [50, 50], "ପୃଷ୍ଠଭୂମି ରଙ୍ଗ": ["# 4CAF50", "# FF9800"] } ] }, "ବିକଳ୍ପଗୁଡିକ": { "ଆଖ୍ୟା": { "ପ୍ରଦର୍ଶନ": ସତ୍ୟ, "text": "LangChain ଏବଂ DSPy Architecture" }, "କିମ୍ବଦନ୍ତୀ": { "ପ୍ରଦର୍ଶନ": ସତ୍ୟ | } } } ଏହି ଭିଜୁଆଲାଇଜେସନ୍ ଲ୍ୟାଙ୍ଗଚେନ ଏବଂ DSPy ମଧ୍ୟରେ AI ଏଜେଣ୍ଟଗୁଡିକର ବଣ୍ଟନକୁ ଦର୍ଶାଏ, 50% ଏଜେଣ୍ଟ ଲ୍ୟାଙ୍ଗଚେନରେ ଏବଂ 50% DSPy ରେ ଚାଲିଥାଏ |

ସିଦ୍ଧାନ୍ତ

ଲ୍ୟାଙ୍ଗ ଚେନ୍ ଏବଂ DSPy AI ଏଜେଣ୍ଟ ଗଠନ ଏବଂ ଅର୍କେଷ୍ଟ୍ରିଂ ପାଇଁ ଏକ ଶକ୍ତିଶାଳୀ framework ାଞ୍ଚା ପ୍ରଦାନ କରିଥାଏ, ବିକାଶକାରୀଙ୍କୁ ମାପନୀୟ ଏବଂ ସ୍ଥାୟୀ ସିଷ୍ଟମ ଡିଜାଇନ୍ କରିବାକୁ ସକ୍ଷମ କରିଥାଏ ଯାହା ଏକାଧିକ ଏଜେଣ୍ଟ ମଧ୍ୟରେ ଜଟିଳ ପାରସ୍ପରିକ କାର୍ଯ୍ୟକୁ ପ୍ରଭାବଶାଳୀ ଭାବରେ ପରିଚାଳନା କରିପାରିବ | ଏହି ଆର୍ଟିକିଲରେ ବର୍ଣ୍ଣିତ ପଦକ୍ଷେପଗୁଡ଼ିକୁ ଅନୁସରଣ କରି, ଡେଭଲପର୍ମାନେ ଲ୍ୟାଙ୍ଗ ଚେନ୍ ଏବଂ DSPy ବ୍ୟବହାର କରି AI ଏଜେଣ୍ଟଗୁଡିକୁ କାର୍ଯ୍ୟକାରୀ କରିପାରିବେ ଏବଂ DSPy ବ୍ୟବହାର କରି ଏକ ବଣ୍ଟିତ ସିଷ୍ଟମରେ ନିୟୋଜିତ କରିପାରିବେ | ପ୍ରଦାନ କରାଯାଇଥିବା କୋଡ୍ ଉଦାହରଣ ଏବଂ ଭିଜୁଆଲାଇଜେସନ୍ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ଏବଂ DSPy ର ସାମର୍ଥ୍ୟ ପ୍ରଦର୍ଶନ କରେ ଏବଂ ଶୀର୍ଷ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ ନିର୍ଦ୍ଦେଶ / ସ୍ନିପେଟ୍ ବିକାଶକାରୀଙ୍କ ପାଇଁ ଶୀଘ୍ର ରେଫରେନ୍ସ ପ୍ରଦାନ କରେ |