መግቢያ

የአርቴፊሻል ኢንተለጀንስ (AI) እና የማሽን መማሪያ (ኤምኤል) ፈጣን ዝግመተ ለውጥ ኤጀንሲክ AI እንዲፈጠር ምክንያት ሆኗል፣ የ AI አይነት እርምጃዎችን መውሰድ እና በራሱ ውሳኔ ማድረግ ይችላል። ይህ ቴክኖሎጂ የሶፍትዌር አርክቴክቸር እና የዴቭኦፕ አውቶሜሽን የምንቀርብበትን መንገድ የመቀየር አቅም አለው። በዚህ ጽሁፍ ውስጥ የሶፍትዌር አርክቴክቸርን፣ መሠረተ ልማትን እና የዴቭኦፕስ ሂደቶችን በራስ ሰር ለማሰራት የኤጀንሲው AI፣ Large Language Models (LLMs) እና እንደ LangChain እና DSPy ያሉ የኦርኬስትራ መሳሪያዎች ውህደትን እንመረምራለን።

ወኪል AI ምንድን ነው?

ኤጀንቲክ AI እርምጃዎችን ሊወስድ እና በራሱ ውሳኔ ማድረግ የሚችል የ AI አይነትን ያመለክታል። ይህ በተለምዶ የተወሰኑ ተግባራትን ለማከናወን እና አስቀድሞ የተገለጹ ህጎችን ለመከተል ከተዘጋጁት ከባህላዊ AI ስርዓቶች በተቃራኒ ነው። በአንፃሩ ኤጀንቲክ AI ሲስተሞች ከአካባቢያቸው እንዲማሩ እና በራሳቸው ግቦች እና አላማዎች ላይ ተመስርተው ውሳኔ እንዲወስኑ በማድረግ የበለጠ በራስ ገዝ እና መላመድ የተነደፉ ናቸው።

የኤል.ኤል.ኤም.ኤዎች ሚና በአጀንቲክ AI

ትላልቅ የቋንቋ ሞዴሎች (LLMs) በከፍተኛ መጠን ባለው የጽሑፍ መረጃ የሰለጠኑ እና ሰው መሰል ቋንቋን ማፍለቅ የሚችሉ የ AI ዓይነት ናቸው። LLMs የሰውን ቋንቋ የመረዳት እና የማፍለቅ ችሎታ ስለሚሰጡ የኤጀንሲው AI ስርዓቶች ቁልፍ አካል ናቸው። ይህ ኤጀንሲያዊ AI ስርዓቶች ከሰዎች እና ከሌሎች ስርዓቶች ጋር ይበልጥ ተፈጥሯዊ እና ሊታወቅ በሚችል መንገድ እንዲገናኙ ያስችላቸዋል።

ኦርኬስትራ መሳሪያዎች፡ LangChain እና DSPy

እንደ LangChain እና DSPy ያሉ የኦርኬስትራ መሳሪያዎች በተለያዩ ስርዓቶች እና አካላት መካከል ያለውን መስተጋብር ለማስተዳደር እና ለማስተባበር የተነደፉ ናቸው። እነዚህ መሳሪያዎች የስራ ሂደቶችን የሚገልጹ እና የሚፈፀሙበትን መንገድ ያቀርባሉ ይህም እንደ ዳታ ማቀናበር፣ ሞዴል ስልጠና እና ማሰማራትን የመሳሰሉ ተግባራትን ሊያካትት ይችላል።

LangChain

LangChain የስራ ፍሰቶችን ለመገንባት እና ለማስተዳደር ተለዋዋጭ እና ሊሰፋ የሚችል ማዕቀፍ የሚያቀርብ ክፍት ምንጭ ኦርኬስትራ መሳሪያ ነው። LangChain LLMsን፣ የውሂብ ጎታዎችን እና ኤፒአይዎችን ጨምሮ ከብዙ ስርዓቶች እና አካላት ጋር አብሮ ለመስራት የተነደፈ ነው።

DSPy

DSPy የስራ ፍሰቶችን ለመግለፅ እና ለማስፈጸም ቀላል እና ሊታወቅ የሚችል መንገድ የሚያቀርብ በፓይዘን ላይ የተመሰረተ ኦርኬስትራ መሳሪያ ነው። DSPy LLMsን፣ የውሂብ ጎታዎችን እና ኤፒአይዎችን ጨምሮ ከብዙ ስርዓቶች እና አካላት ጋር አብሮ ለመስራት የተነደፈ ነው።

የሶፍትዌር አርክቴክቸር እና የዴቭኦፕስ ሂደቶች አውቶማቲክ

እንደ LangChain እና DSPy ያሉ ኤጀንቲክ AI፣ LLMs እና የኦርኬስትራ መሳሪያዎች ሰፊ የሶፍትዌር አርክቴክቸር እና የዴቭኦፕስ ሂደቶችን በራስ-ሰር ለመስራት መጠቀም ይችላሉ። አንዳንድ ምሳሌዎች የሚከተሉትን ያካትታሉ:

** አውቶሜትድ የኮድ ግምገማ *፡ ኤጀንቲክ AI ሲስተሞች ኮድን ለመገምገም እና ሊከሰቱ የሚችሉ ጉዳዮችን ለምሳሌ እንደ ሳንካዎች እና የደህንነት ድክመቶች መለየት ይቻላል። ** አውቶሜትድ ሙከራ፡ የዩኒት ሙከራን፣ የውህደት ሙከራን እና ከጫፍ እስከ ጫፍ መሞከርን ጨምሮ ኤጀንቲክ AI ሲስተሞችን በራስ ሰር ለመስራት መጠቀም ይቻላል።

በራስ ሰር ማሰማራት፡ ኤጀንቲክ AI ሲስተሞች ኮድን፣ ውቅረትን እና ሌሎች ሃብቶችን መዘርጋትን ጨምሮ ማሰማራትን በራስ ሰር ለመስራት መጠቀም ይቻላል። ** ራስ-ሰር ክትትል ***፡ የስርዓት አፈጻጸምን፣ ደህንነትን እና ሌሎች መለኪያዎችን መቆጣጠርን ጨምሮ ኤጀንቲክ AI ሲስተሞችን በራስ ሰር ለመቆጣጠር መጠቀም ይቻላል።

ተግባራዊ ትግበራ

በዚህ ክፍል የሶፍትዌር አርክቴክቸር እና የዴቭኦፕስ ሂደትን በራስ ሰር ለመስራት LangChain እና DSPy እንዴት እንደምንጠቀም የሚያሳይ ቀላል ምሳሌ እናቀርባለን።

ምሳሌ፡ አውቶማቲክ ኮድ ግምገማ

በዚህ ምሳሌ፣ የኮድ ግምገማን በራስ ሰር ለመስራት LangChain እና DSPy እንጠቀማለን። የሚከተሉትን ደረጃዎች ያካተተ የስራ ሂደትን እንገልፃለን፡

የኮድ ትንተና፡ የስራ ፍሰቱ ኮዱን ለመተንተን እና ሊከሰቱ የሚችሉ ጉዳዮችን ለመለየት LLM ይጠቀማል።
የኮድ ግምገማ፡ የስራ ፍሰቱ ኮዱን ለመገምገም እና ሊሆኑ የሚችሉ ጉዳዮችን ለመለየት ወኪል የሆነ AI ስርዓት ይጠቀማል።
የኮድ ማሰማራት፡ የስራ ፍሰቱ ኮዱን ወደ ምርት አካባቢ ለማሰማራት የማሰማሪያ መሳሪያ ይጠቀማል።

LangChain እና DSPy በመጠቀም ይህን የስራ ሂደት እንዴት መተግበር እንደሚቻል የሚያሳይ ምሳሌ ይኸውና፡ `` ፓይቶን አስመጣ langchain ከላንግቻይን ማስመጣት LLM

LLM ን ይግለጹ

llm = LLM ("ጽሑፍ-ዳቪንቺ-003")

ወኪል AI ስርዓት ይግለጹ

ai_system = langchain.AgenticAI()

የስራ ሂደትን ይግለጹ

የስራ ፍሰት = langchain. የስራ ፍሰት ( እርምጃዎች=[ langchain.ደረጃ( ስም = "የኮድ ትንተና", func=llm.analyze_code፣ ግብዓቶች={"code": "def hello_world()፡ ማተም('ሄሎ አለም')"}፣ ), langchain.ደረጃ( ስም = "የኮድ ግምገማ", func=ai_system.review_code፣ ግብዓቶች={"code": "def hello_world()፡ ማተም('ሄሎ አለም')"}፣ ), langchain.ደረጃ( ስም = "የኮድ ማሰማራት", func=langchain.deploy_code፣ ግብዓቶች={"code": "def hello_world()፡ ማተም('ሄሎ አለም')"}፣ ), ] )

የስራ ሂደቱን ያከናውኑ

የስራ ፍሰት.execute()

ይህ ኮድ ሶስት ደረጃዎችን የሚያካትት የስራ ሂደትን ይገልፃል፡ የኮድ ትንተና፣ የኮድ ግምገማ እና የኮድ ማሰማራት። የስራ ፍሰቱ ኮዱን ለመተንተን LLM ይጠቀማል፣ ኮዱን ለመገምገም ኤጀንታዊ AI ስርዓት እና ኮድን ወደ ምርት አካባቢ ለማሰማራት የማሰማሪያ መሳሪያ።

## ከፍተኛ 5-10 በብዛት ጥቅም ላይ የዋሉ ትዕዛዞች/ቅንጣዎች

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

1. `langchain. የስራ ፍሰት(እርምጃዎች=[...])`፡ የስራ ሂደትን በበርካታ ደረጃዎች ይግለጹ።
2. `langchain.Step(name="...",func=..., inputs={...})`፡ በአንድ የስራ ሂደት ውስጥ አንድ እርምጃን ይግለጹ።
3. `llm.analyze_code( ግብዓቶች={"ኮድ"፡ ...})`፡ ኮድን ለመተንተን LLM ተጠቀም።
4. `ai_system.review_code( ግብዓቶች={"ኮድ"፡ ...})`፡ ኮድን ለመገምገም ወኪል የሆነውን AI ስርዓት ተጠቀም።
5. `langchain.deploy_code( ግብዓቶች={"ኮድ"፡ ...})`፡ ኮድ ወደ የምርት አካባቢ አሰማራ።
6. `langchain.AgenticAI()`፡ የወኪል AI ስርዓት ምሳሌ ይፍጠሩ።
7. `langchain.LLM()`፡ የኤልኤልኤም ምሳሌ ፍጠር።
8. `langchain.deploy_code()`፡ ኮድ ወደ የምርት አካባቢ አሰማራ።
9. `langchain.execute_workflow()`፡ የስራ ሂደትን አስፈጽም።
10. `langchain.get_workflow_status()`፡ የስራ ፍሰት ሁኔታን ያግኙ።

## እይታ

Chart.jsን በመጠቀም የስራ ፍሰት እንዴት እንደሚታይ የሚያሳይ ምሳሌ ይኸውና፡
``json
{
  "አይነት": "ባር",
  "ውሂብ": {
    "labels": ["የኮድ ትንተና", "የኮድ ግምገማ", "የኮድ ማሰማራት"],
    "መረጃዎች": [
      {
        "label": "የሥራ ፍሰት ደረጃዎች",
        "ውሂብ": [10, 20, 30],
        "የጀርባ ቀለም": [
          "rgba (255, 99, 132, 0.2)",
          "rgba (54, 162, 235, 0.2)",
          "rgba (255, 206, 86, 0.2)"
        ]፣
        "የድንበር ቀለም":
          "rgba (255, 99, 132, 1)",
          "rgba(54, 162, 235, 1)",
          "rgba (255, 206, 86, 1)"
        ]፣
        "የድንበር ስፋት"፡ 1
      }
    ]
  }
  "አማራጮች": {}
}

ይህ ኮድ የሶስት መለያዎችን የያዘ የአሞሌ ገበታ ይገልፃል፡ የኮድ ትንተና፣ የኮድ ግምገማ እና የኮድ ዝርጋታ። ሰንጠረዡ በእያንዳንዱ የስራ ሂደት ውስጥ ያሉትን የእርምጃዎች ብዛት ያሳያል.

መደምደሚያ

እንደ LangChain እና DSPy ያሉ ኤጀንሲዎች AI፣ LLMs እና የኦርኬስትራ መሳሪያዎች የሶፍትዌር አርክቴክቸር እና የዴቭኦፕ አውቶሜሽን የምንቀርብበትን መንገድ የመቀየር አቅም አላቸው። እንደ ኮድ ግምገማ፣ ሙከራ እና ማሰማራት ያሉ ተግባራትን በራስ ሰር በማስተካከል የእድገት ሂደቶቻችንን ቅልጥፍና እና ውጤታማነት ማሻሻል እንችላለን። በዚህ ጽሑፍ ውስጥ የእነዚህን ቴክኖሎጂዎች ውህደት መርምረናል እና የሶፍትዌር አርክቴክቸር እና የዴቭኦፕስ ሂደትን በራስ-ሰር እንዴት እንደሚጠቀሙባቸው የሚያሳይ ቀላል ምሳሌ አቅርበናል።

ለሶፍትዌር አርክቴክቸር እና ለDevOps አውቶሜሽን ኤጀንቲክ AIን መጠቀም