============================================================
Įvadas
Programinės įrangos kūrimo aplinka sparčiai vystosi, vis labiau pritaikant dirbtinį intelektą (AI) ir mašininį mokymąsi (ML) DevOps automatizavime. Dirbtinio intelekto valdoma automatika gali padėti supaprastinti sudėtingas darbo eigas, pagerinti efektyvumą ir sumažinti žmogiškųjų klaidų tikimybę. Šiame straipsnyje mes išnagrinėsime, kaip panaudoti DSPy ir LangChain, kad įdiegtų dirbtinio intelekto pagrindu veikiančius agentus, skirtus pagrindinių priežasčių analizei ir efektyvumo optimizavimui programinės įrangos kūrimo vamzdynuose.
Kas yra DSPy?
DSPy yra „Python“ biblioteka, leidžianti kūrėjams kurti ir diegti AI pagrįstas automatizavimo darbo eigas. Tai suteikia keičiamo dydžio ir lanksčią sistemą, skirtą integruoti įvairius AI ir ML modelius, todėl tai yra idealus pasirinkimas „DevOps“ automatizavimui.
Kas yra „LangChain“?
„LangChain“ yra „Python“ biblioteka, leidžianti kūrėjams kurti ir įdiegti pokalbio AI agentus. Tai paprasta ir intuityvi API, skirta kurti agentus, kurie gali suprasti ir reaguoti į natūralios kalbos įvestis.
AI agentų diegimas pagrindinės priežasties analizei
Pagrindinių priežasčių analizė yra esminis „DevOps“ automatizavimo komponentas, nes padeda nustatyti pagrindines problemų priežastis ir užkirsti kelią jų atsiradimui ateityje. Norėdami įgyvendinti AI pagrįstą pagrindinių priežasčių analizę, galime naudoti DSPy, kad sukurtume darbo eigą, kuri būtų integruojama su „LangChain“.
Štai aukšto lygio darbo eigos apžvalga:
- Duomenų rinkimas: surinkite atitinkamus duomenis iš įvairių šaltinių, pvz., žurnalų, metrikos ir konfigūracijos failų.
- Išankstinis duomenų apdorojimas: iš anksto apdorokite surinktus duomenis, kad paruoštumėte juos analizei.
- Modelio mokymas: mokykite ML modelį pagal iš anksto apdorotus duomenis, kad nustatytumėte modelius ir ryšius.
- Modelio diegimas: įdiekite išmokytą modelį DSPy darbo eigoje.
- Agento integravimas: integruokite DSPy darbo eigą su LangChain agentu, kad įgalintumėte natūralios kalbos sąveiką.
Kodo pavyzdys: pagrindinės priežasties analizės darbo eiga
importuoti dspy kaip dsp
iš langchain importo agento
# Apibrėžkite DSPy darbo eigą
darbo eiga = dsp.Workflow(
name="root_cause_analysis",
užduotys=[
dsp.Task("data_collection", "Rinkti duomenis iš žurnalų ir metrikos"),
dsp.Task("data_preprocessing", "Išankstinis duomenų apdorojimas analizei"),
dsp.Task("model_training", "Treniruoti ML modelį ant iš anksto apdorotų duomenų"),
dsp.Task("model_deployment", "Įdiegti apmokytą modelį DSPy darbo eigoje"),
],
)
# Apibrėžkite „LangChain“ agentą
agentas = agentas (
name = "root_cause_agent",
modelis = "distilbert-base-uncased",
prompt="Kas yra pagrindinė problemos priežastis?",
)
# Integruokite DSPy darbo eigą su LangChain agentu
workflow.add_agent(agent)
# Vykdykite darbo eigą
workflow.run()
DI agentų diegimas efektyvumui optimizuoti
Efektyvumo optimizavimas yra dar vienas svarbus „DevOps“ automatizavimo komponentas, nes jis padeda pagerinti programinės įrangos kūrimo vamzdynų greitį ir produktyvumą. Norėdami įgyvendinti dirbtinio intelekto pagrįstą efektyvumo optimizavimą, galime naudoti DSPy, kad sukurtume darbo eigą, kuri būtų integruojama su „LangChain“.
Štai aukšto lygio darbo eigos apžvalga:
- Duomenų rinkimas: surinkite atitinkamus duomenis iš įvairių šaltinių, pvz., žurnalų, metrikos ir konfigūracijos failų.
- Išankstinis duomenų apdorojimas: iš anksto apdorokite surinktus duomenis, kad paruoštumėte juos analizei.
- Modelio mokymas: mokykite ML modelį pagal iš anksto apdorotus duomenis, kad nustatytumėte modelius ir ryšius.
- Modelio diegimas: įdiekite išmokytą modelį DSPy darbo eigoje.
- Agento integravimas: integruokite DSPy darbo eigą su LangChain agentu, kad įgalintumėte natūralios kalbos sąveiką.
Kodo pavyzdys: efektyvumo optimizavimo darbo eiga
importuoti dspy kaip dsp
iš langchain importo agento
# Apibrėžkite DSPy darbo eigą
darbo eiga = dsp.Workflow(
name="efektyvumo_optimizavimas",
užduotys=[
dsp.Task("data_collection", "Rinkti duomenis iš žurnalų ir metrikos"),
dsp.Task("data_preprocessing", "Išankstinis duomenų apdorojimas analizei"),
dsp.Task("model_training", "Treniruoti ML modelį ant iš anksto apdorotų duomenų"),
dsp.Task("model_deployment", "Įdiegti apmokytą modelį DSPy darbo eigoje"),
],
)
# Apibrėžkite „LangChain“ agentą
agentas = agentas (
name="efektyvumo_agentas",
modelis = "distilbert-base-uncased",
prompt="Kaip galiu optimizuoti dujotiekį, kad būtų didesnis efektyvumas?",
)
# Integruokite DSPy darbo eigą su LangChain agentu
workflow.add_agent(agent)
# Vykdykite darbo eigą
workflow.run()
5–10 dažniausiai naudojamų komandų / fragmentų
Štai keletas dažniausiai naudojamų DSPy ir LangChain komandų ir fragmentų:
DSPy
- `dsp.Workflow(name="my_workflow", task=[...])': sukurkite naują DSPy darbo eigą.
dsp.Task(name="mano_užduotis", description="Mano užduotis"): sukurkite naują užduotį DSPy darbo eigoje.- „workflow.add_agent(agent)“: pridėkite „LangChain“ agentą prie DSPy darbo eigos.
workflow.run(): paleiskite DSPy darbo eigą.dsp.get_task_output(task): gaukite užduoties išvestį DSPy darbo eigoje.
LangChain
- „Agentas(vardas="mano_agentas", modelis="distilbert-base-uncased", prompt="My prompt")': sukurkite naują „LangChain“ agentą.
agent.respond(prompt="Mano raginimas"): gaukite atsakymą iš LangChain agento.agent.add_context(context="Mano kontekstas"): pridėkite kontekstą prie LangChain agento.agent.remove_context(context="Mano kontekstas"): Pašalinkite kontekstą iš LangChain agento.- „agent.get_model()“: gaukite pagrindinį „LangChain“ agento ML modelį.
Vizualizacija
Štai DSPy ir LangChain darbo eigos vizualizacija naudojant Chart.js:
{
"tipas": "juosta",
"duomenys": {
"etiketės": ["Pagrindinių priežasčių analizė", "Efektyvumo optimizavimas"],
"duomenų rinkiniai": [
{
"label": "DSPy darbo eiga",
"duomenys": [10, 20],
"backgroundColor": ["#4CAF50", "#FF9800"]
},
{
"etiketė": "LangChain agentas",
"duomenys": [5, 15],
"backgroundColor": ["#2196F3", "#009688"]
}
]
},
"parinktys": {
"pavadinimas": {
"display": tiesa,
"text": "DSPy ir LangChain darbo eiga"
},
"svarstyklės": {
„yAxes“: [
{
"erkės": {
"beginAtZero": tiesa
}
}
]
}
}
}
Ši vizualizacija rodo užduočių skaičių kiekvienoje DSPy darbo eigoje ir atsakymų iš kiekvieno LangChain agento skaičių.
Išvada
Šiame straipsnyje mes ištyrėme, kaip panaudoti DSPy ir LangChain, kad būtų galima įdiegti dirbtinio intelekto pagrindu veikiančius agentus, skirtus pagrindinių priežasčių analizei ir efektyvumo optimizavimui programinės įrangos kūrimo vamzdynuose. Pateikėme kodo pavyzdžius ir vizualizacijas, iliustruojančias sąvokas, ir pabrėžėme kai kurias dažniausiai naudojamas DSPy ir LangChain komandas ir fragmentus. Vadovaudamiesi šiuo vadovu, kūrėjai gali sukurti savo dirbtinio intelekto automatizavimo darbo eigas naudodami DSPy ir LangChain.