Танилцуулга
Сүүлийн жилүүдэд DevOps-ийн талбарт томоохон өөрчлөлтүүд гарч, хиймэл оюун ухаан (AI) болон машин сургалтын (ML) нэгдмэл байдал улам бүр алдаршсан. Хиймэл оюун ухаан ихээхэн нөлөөлж буй гол салбаруудын нэг бол автоматжуулалтын салбар юм. AI агентуудыг ашигласнаар байгууллагууд программ хангамж хөгжүүлэх ажлын урсгалыг оновчтой болгож, гар алдааг бууруулж, ерөнхий үр ашгийг дээшлүүлэх боломжтой.
Энэ нийтлэлд бид LangChain болон DSPy хүрээнүүдэд анхаарлаа хандуулж, хиймэл оюун ухаанд суурилсан DevOps автоматжуулалтын ертөнцийг судлах болно. Бид эдгээр хэрэгслийг хэрхэн идэвхтэй асуудлыг шийдвэрлэх системийг бий болгох, програм хангамж боловсруулах ажлын урсгалыг автоматжуулахад ашиглаж болохыг судлах болно. Нэмж дурдахад бид том хэлний загваруудыг (LLMs) DevOps дамжуулах хоолойд хэрхэн нэгтгэх практик жишээг өгөх болно.
LangChain болон DSPy гэж юу вэ?
AI-д суурилсан DevOps автоматжуулалтын нарийн ширийнийг судлахын өмнө LangChain болон DSPy хүрээнүүдийг товч харцгаая.
LangChain
LangChain нь том хэлний загвар (LLMs) ашиглан харилцан ярианы AI програмуудыг бүтээх боломжийг хөгжүүлэгчдэд олгодог нээлттэй эхийн хүрээ юм. Энэ нь LLM-тэй харилцах энгийн бөгөөд ойлгомжтой API-ээр хангадаг бөгөөд хөгжүүлэгчдэд өөрсдийн хэрэглээний харилцан ярианы интерфэйсийг бий болгох боломжийг олгодог.
LangChain нь LLaMA, BERT, RoBERTa зэрэг алдартай загваруудыг багтаасан өргөн хүрээний LLM-ийг дэмждэг. Энэ нь мөн тодорхой хэрэглээний тохиолдлуудад тохируулан LLM-ийг нарийн тохируулах, өөрчлөх олон төрлийн хэрэгслээр хангадаг.
DSPy
DSPy бол AI загваруудыг DevOps дамжуулах хоолойд нэгтгэх энгийн бөгөөд үр дүнтэй аргыг санал болгодог Python номын сан юм. Энэ нь LangChain зэрэг өргөн хүрээний AI хүрээг дэмждэг бөгөөд хиймэл оюун ухаанд суурилсан ажлын урсгалыг автоматжуулах олон төрлийн хэрэгслээр хангадаг.
DSPy нь Jenkins, GitLab, Docker зэрэг алдартай DevOps хэрэгслүүдтэй саадгүй ажиллахаар бүтээгдсэн бөгөөд энэ нь хиймэл оюун ухааныг одоо байгаа DevOps дэд бүтцэд нэгтгэх хүсэлтэй байгууллагуудад хамгийн тохиромжтой сонголт болгодог.
DevOps автоматжуулалтад зориулсан AI агентуудыг зохион байгуулж байна
Одоо бид LangChain болон DSPy-ийн талаар товч тоймтой байгаа тул DevOps автоматжуулалтад зориулж AI агентуудыг зохион байгуулахад эдгээр хүрээг хэрхэн ашиглаж болохыг олж мэдье.
Асуудлыг идэвхтэй шийдвэрлэх
AI-д суурилсан DevOps автоматжуулалтын гол давуу талуудын нэг бол асуудлыг томоохон асуудал болохоос нь өмнө идэвхтэй шийдвэрлэх чадвар юм. LangChain болон DSPy нь боломжит асуудлуудыг тодорхойлж, шийдвэрлэх зөвлөмж өгөхийн тулд LLM-тэй харилцдаг харилцан ярианы интерфейсийг бий болгоход ашиглагдаж болно.
Энэ хэрхэн ажиллах талаар энгийн жишээ энд байна:
langchain импортлох
langchain.chat_models-аас LLaMA импортлох
# LangChain чатын загвар үүсгэх
chat_model = LLaMA()
# Чатын загвартай харилцах функцийг тодорхойл
def чатны_загвартай харьцах(шалгах):
хариулт = chat_model.run (шалгах)
хариу өгөх
# Боломжит асуудлуудыг тодорхойлох функцийг тодорхойлох
тодорхойлох_асуудал(код):
prompt = f"Дараах кодын боломжит асуудлуудыг тодорхойлох: {code}"
хариу = чатны_загвартай_харьцах (шалгах)
хариу өгөх
# Шийдвэрлэх зөвлөмж өгөх функцийг тодорхойлох
def хангах_зөвлөмж(асуудал):
prompt = f"Дараах асуудлуудыг шийдвэрлэх зөвлөмж өгөх: {асуудал}"
хариу = чатны_загвартай_харьцах (шалгах)
хариу өгөх
# Хэрэглээний жишээ
код = """
def нэмэх(x, y):
буцаах x + y
"""
асуудлууд = тодорхойлох_асуудал(код)
зөвлөмжүүд = санал болгох_зөвлөмж(асуудал)
хэвлэх (зөвлөмж)
Энэ жишээнд бид өгөгдсөн сануулгад хариу өгөхийн тулд LangChain чатын загвартай харилцдаг "чат_загвартай_харьцах" энгийн функцийг тодорхойлсон. Дараа нь бид "асуудлыг_тодорхойлох" ба "зөвлөмж өгөх" гэсэн хоёр нэмэлт функцийг тодорхойлдог бөгөөд энэ нь чат загварыг ашиглан зарим жишээ кодонд гарч болзошгүй асуудлуудыг тодорхойлж, шийдвэрлэх зөвлөмжийг өгдөг.
Програм хангамж боловсруулах ажлын урсгалыг автоматжуулах
LangChain болон DSPy-ийг одоо байгаа DevOps дамжуулах хоолойд AI загваруудыг нэгтгэх замаар програм хангамж хөгжүүлэх ажлын урсгалыг автоматжуулахад ашиглаж болно.
Энэ нь хэрхэн ажиллах талаар жишээ энд байна:
dspy импортлох
dspy импортын ажлын урсгалаас
# DSPy ажлын урсгалыг тодорхойлох
ажлын урсгал = Ажлын урсгал()
# Кодын шинжилгээний хэрэгслийг ажиллуулах даалгаврыг тодорхойлох
def run_code_analysis(код):
# Боломжит асуудлуудыг тодорхойлохын тулд кодын шинжилгээний хэрэгслийг ажиллуул
асуудлууд = []
# ...
буцаах асуудал
# Шийдвэрлэх зөвлөмж өгөх ажлыг тодорхойл
def хангах_зөвлөмж(асуудал):
# LangChain чатын загварыг ашиглан зөвлөмж өгөх
prompt = f"Дараах асуудлуудыг шийдвэрлэх зөвлөмж өгөх: {асуудал}"
хариулт = langchain.chat_model.run(шалгах)
хариу өгөх
# Кодыг байрлуулах ажлыг тодорхойл
def deploy_code(код):
# Үйлдвэрлэлийн орчинд кодыг байрлуул
# ...
# Ажлын урсгалыг тодорхойлох
workflow.add_task(кодын_шинжилгээг ажиллуулах)
workflow.add_task(зөвлөмж өгөх)
ажлын урсгал.нэмэлт_даалгавар(байрлуулах_код)
# Ажлын урсгалыг ажиллуул
workflow.run()
Энэ жишээнд бид кодын шинжилгээний хэрэгсэл ажиллуулах, шийдвэрлэх зөвлөмж өгөх, кодыг ашиглах гэсэн гурван даалгавараас бүрдэх энгийн DSPy ажлын урсгалыг тодорхойлсон. Дараа нь бид ажил бүрийг нэмж, ажиллуулах замаар ажлын явцыг тодорхойлдог.
Хамгийн их ашиглагддаг 5-10 тушаал/хэсэг
LangChain болон DSPy-д зориулсан хамгийн түгээмэл хэрэглэгддэг командууд болон хэсгүүдийг энд оруулав.
LangChain
langchain.chat_models.LLaMA(): LLaMA загварыг ашиглан LangChain чатын загвар үүсгэнэ үү.langchain.chat_model.run(prompt): Өгөгдсөн сануулга бүхий чатын загварыг ажиллуул.langchain.chat_model.interact_with(prompt): Өгөгдсөн сануулгыг ашиглан чатын загвартай харилцах.
DSPy
dspy.Workflow(): DSPy ажлын урсгал үүсгэх.workflow.add_task(task): Ажлын урсгалд ажил нэмнэ.workflow.run(): Ажлын урсгалыг ажиллуул.
Дүрслэл
Chart.js ашиглан ажлын урсгалын энгийн дүрслэлийг энд үзүүлэв.
{
"төрөл": "бар",
"өгөгдөл": {
"шошго": ["Код шинжилгээ", "Зөвлөмж", "Байршуулах"],
"өгөгдлийн багц": [
{
"label": "Ажлын урсгал",
"өгөгдөл": [10, 20, 30],
"арын өнгө": [
"rgba(255, 99, 132, 0.2)",
"rgba(54, 162, 235, 0.2)",
"rgba(255, 206, 86, 0.2)"
],
"borderColor": [
"rgba(255, 99, 132, 1)",
"rgba(54, 162, 235, 1)",
"rgba(255, 206, 86, 1)"
],
"хилийн өргөн": 1
}
]
},
"сонголт": {
"гарчиг": {
"дэлгэц": үнэн,
"текст": "Ажлын урсгал"
},
"масштаб": {
"yAxes": [
{
"хачиг": {
"beginAtZero": үнэн
}
}
]
}
}
}
Энэхүү дүрслэл нь ажлын урсгалыг харуулсан энгийн зураасан диаграммыг харуулж байгаа бөгөөд кодын дүн шинжилгээ, зөвлөмж, байршуулах даалгаврыг харуулсан гурван баартай.
Дүгнэлт
Энэ нийтлэлд бид LangChain болон DSPy ашиглан хиймэл оюун ухаанд суурилсан DevOps автоматжуулалтын ертөнцийг судалсан. Асуудлыг шийдвэрлэх идэвхтэй системийг бий болгох, програм хангамж боловсруулах ажлын урсгалыг автоматжуулахад эдгээр хүрээг хэрхэн ашиглаж болохыг бид харсан. Бид мөн LLM-ийг DevOps дамжуулах хоолойд хэрхэн нэгтгэх, Chart.js ашиглан ажлын явцыг дүрслэн харуулах практик жишээг өгсөн.
Байгууллагууд хиймэл оюун ухаан болон автоматжуулалтын хүчийг ашигласнаар программ хангамж хөгжүүлэх ажлын урсгалыг оновчтой болгож, гарын авлагын алдааг бууруулж, ерөнхий үр ашгийг дээшлүүлж чадна. Та DevOps инженер, програм хангамж хөгжүүлэгч эсвэл бизнесийн удирдагч байхаас үл хамааран LangChain болон DSPy нь зорилгодоо хүрэхэд тань туслах хүчирхэг хэрэгсэл юм.