DSPy болон LangChain-тай хиймэл оюун ухаанаар ажилладаг DevOps автоматжуулалтыг зохион байгуулах | B4N1

DSPy болон LangChain-тай хиймэл оюун ухаанаар ажилладаг DevOps автоматжуулалтыг зохион байгуулах

3 months ago · b4n1 Tiempo de lectura: 4 min

============================================================

Танилцуулга

DevOps автоматжуулалтад Хиймэл оюун ухаан (AI) болон Machine Learning (ML) улам бүр нэмэгдэж байгаатай холбогдуулан програм хангамж хөгжүүлэх орчин хурдацтай хөгжиж байна. Хиймэл оюун ухаанаар ажилладаг автоматжуулалт нь нарийн төвөгтэй ажлын урсгалыг оновчтой болгох, үр ашгийг дээшлүүлэх, хүний ​​алдаа гарах магадлалыг бууруулахад тусалдаг. Энэ нийтлэлд бид DSPy болон LangChain-ийг хэрхэн ашиглаж, програм хангамж хөгжүүлэх шугаманд үндсэн шалтгааныг шинжлэх, үр ашгийг оновчтой болгох зорилгоор хиймэл оюун ухаанаар ажилладаг агентуудыг хэрэгжүүлэх талаар судлах болно.

DSPy гэж юу вэ?

DSPy нь Python номын сан бөгөөд хөгжүүлэгчдэд хиймэл оюун ухаанаар ажилладаг автоматжуулалтын ажлын урсгалыг бий болгож, ашиглах боломжийг олгодог. Энэ нь төрөл бүрийн AI болон ML загваруудыг нэгтгэх өргөтгөх боломжтой, уян хатан тогтолцоог бий болгож, DevOps автоматжуулалтад хамгийн тохиромжтой сонголт болгодог.

LangChain гэж юу вэ?

LangChain нь Python номын сан бөгөөд хөгжүүлэгчдэд харилцан ярианы AI агентуудыг бий болгож, байрлуулах боломжийг олгодог. Энэ нь байгалийн хэлний оролтыг ойлгож, хариу үйлдэл үзүүлэх чадвартай агентуудыг бий болгох энгийн бөгөөд ойлгомжтой API-ээр хангадаг.

Үндэс шалтгааны шинжилгээнд AI агентуудыг нэвтрүүлэх

Үндэс шалтгааны шинжилгээ нь DevOps автоматжуулалтын чухал бүрэлдэхүүн хэсэг бөгөөд асуудлын үндсэн шалтгааныг тодорхойлж, ирээдүйд үүсэхээс урьдчилан сэргийлэхэд тусалдаг. AI-ийн үндсэн шалтгааны шинжилгээг хэрэгжүүлэхийн тулд бид DSPy-г ашиглан LangChain-тай нэгдсэн ажлын урсгалыг үүсгэж болно.

Ажлын явцын дээд түвшний тоймыг энд оруулав.

  1. Өгөгдлийн цуглуулга: Бүртгэл, хэмжүүр, тохиргооны файл гэх мэт янз бүрийн эх сурвалжаас холбогдох өгөгдлийг цуглуулах.
  2. Өгөгдлийн урьдчилсан боловсруулалт: Цуглуулсан өгөгдлийг шинжилгээнд бэлтгэхийн тулд урьдчилан боловсруулна.
  3. Загварын сургалт: Загвар болон харилцааг тодорхойлохын тулд урьдчилан боловсруулсан өгөгдөл дээр ML загварыг сургах.
  4. Загвар байршуулалт: Сургалтанд хамрагдсан загварыг DSPy ажлын урсгалд байрлуулна.
  5. Agent Integration: Байгалийн хэлний харилцан үйлчлэлийг идэвхжүүлэхийн тулд DSPy ажлын урсгалыг LangChain агенттай нэгтгэнэ.

Кодын жишээ: Үндэс шалтгааны шинжилгээний ажлын урсгал

dspy-г dsp болгон импортлох
langchain импортын агентаас

# DSPy ажлын урсгалыг тодорхойлох
ажлын урсгал = dsp. Ажлын урсгал(
    нэр = "үндэс_шалтгаан_шинжилгээ",
    даалгавар=[
        dsp.Task("өгөгдлийн_цуглуулга", "Лог болон хэмжүүрээс өгөгдөл цуглуулах"),
        dsp.Task("өгөгдлийн_урьдчилан боловсруулах", "Шинжилгээнд зориулж өгөгдлийг урьдчилан боловсруулах"),
        dsp.Task("загвар_сургалт", "Урьдчилан боловсруулсан өгөгдөл дээр ML загварыг сургах"),
        dsp.Task("model_deployment", "DSPy ажлын урсгалд бэлтгэгдсэн загварыг байрлуулах"),
    ],
)

# LangChain агентийг тодорхойлно уу
төлөөлөгч = Агент(
    нэр = "үндэс_шалтгааны_агент",
    загвар = "дистильберт-баазгүй",
    prompt="Асуудлын үндсэн шалтгаан юу вэ?",
)

# DSPy ажлын урсгалыг LangChain агенттай нэгтгэх
workflow.add_agent(агент)

# Ажлын урсгалыг ажиллуул
workflow.run()

Үр ашгийг оновчтой болгох AI агентуудыг хэрэгжүүлэх

Үр ашгийг оновчтой болгох нь DevOps автоматжуулалтын өөр нэг чухал бүрэлдэхүүн хэсэг бөгөөд энэ нь програм хангамж хөгжүүлэх дамжуулах хоолойн хурд, бүтээмжийг сайжруулахад тусалдаг. Хиймэл оюун ухаанаар ажилладаг үр ашгийг оновчтой болгохын тулд бид DSPy-г ашиглан LangChain-тай нэгдсэн ажлын урсгалыг үүсгэж болно.

Ажлын явцын дээд түвшний тоймыг энд оруулав.

  1. Өгөгдлийн цуглуулга: Бүртгэл, хэмжүүр, тохиргооны файл гэх мэт янз бүрийн эх сурвалжаас холбогдох өгөгдлийг цуглуулах.
  2. Өгөгдлийн урьдчилсан боловсруулалт: Цуглуулсан өгөгдлийг шинжилгээнд бэлтгэхийн тулд урьдчилан боловсруулна.
  3. Загварын сургалт: Загвар болон харилцааг тодорхойлохын тулд урьдчилан боловсруулсан өгөгдөл дээр ML загварыг сургах.
  4. Загвар байршуулалт: Сургалтанд хамрагдсан загварыг DSPy ажлын урсгалд байрлуулна.
  5. Agent Integration: Байгалийн хэлний харилцан үйлчлэлийг идэвхжүүлэхийн тулд DSPy ажлын урсгалыг LangChain агенттай нэгтгэнэ.

Кодын жишээ: Үр ашгийг оновчтой болгох ажлын урсгал

dspy-г dsp болгон импортлох
langchain импортын агентаас

# DSPy ажлын урсгалыг тодорхойлох
ажлын урсгал = dsp. Ажлын урсгал(
    нэр = "үр ашгийг_оновчлох",
    даалгавар=[
        dsp.Task("өгөгдлийн_цуглуулга", "Лог болон хэмжүүрээс өгөгдөл цуглуулах"),
        dsp.Task("өгөгдлийн_урьдчилан боловсруулах", "Шинжилгээнд зориулж өгөгдлийг урьдчилан боловсруулах"),
        dsp.Task("загвар_сургалт", "Урьдчилан боловсруулсан өгөгдөл дээр ML загварыг сургах"),
        dsp.Task("model_deployment", "DSPy ажлын урсгалд бэлтгэгдсэн загварыг байрлуулах"),
    ],
)

# LangChain агентийг тодорхойлно уу
төлөөлөгч = Агент(
    нэр = "үр ашгийн_агент",
    загвар = "дистильберт-баазгүй",
    prompt="Илүү үр ашигтай байхын тулд дамжуулах хоолойг хэрхэн оновчтой болгох вэ?",
)

# DSPy ажлын урсгалыг LangChain агенттай нэгтгэх
workflow.add_agent(агент)

# Ажлын урсгалыг ажиллуул
workflow.run()

Хамгийн их ашиглагддаг 5-10 тушаал/хэсэг

DSPy болон LangChain-д зориулсан хамгийн түгээмэл хэрэглэгддэг командууд болон хэсгүүдийг энд оруулав.

DSPy

  1. dsp.Workflow(name="my_workflow", tasks=[...]): Шинэ DSPy ажлын урсгал үүсгэх.
  2. dsp.Task(name="my_task", description="My task"): DSPy ажлын урсгалд шинэ даалгавар үүсгэ.
  3. workflow.add_agent(agent): DSPy ажлын урсгалд LangChain агент нэмнэ.
  4. workflow.run(): DSPy ажлын урсгалыг ажиллуул.
  5. dsp.get_task_output(task): DSPy ажлын урсгал дахь даалгаврын гаралтыг авах.

LangChain

  1. Agent(name="my_agent", model="distilbert-base-uncased", prompt="My prompt"): Шинэ LangChain агент үүсгэ.
  2. agent.respond(prompt="My prompt"): LangChain агентаас хариу авах.
  3. agent.add_context(context="My context"): LangChain агент руу контекст нэмнэ.
  4. agent.remove_context(context="My context"): LangChain агентаас контекстийг устгана уу.
  5. agent.get_model(): LangChain агентын үндсэн ML загварыг аваарай.

Дүрслэл

Chart.js ашиглан DSPy болон LangChain ажлын урсгалын дүрслэл энд байна:

{
  "төрөл": "бар",
  "өгөгдөл": {
    "шошго": ["Үндэс шалтгааны шинжилгээ", "Үр ашгийг оновчтой болгох"],
    "өгөгдлийн багц": [
      {
        "label": "DSPy ажлын урсгал",
        "өгөгдөл": [10, 20],
        "backgroundColor": ["#4CAF50", "#FF9800"]
      },
      {
        "label": "LangChain агент",
        "өгөгдөл": [5, 15],
        "backgroundColor": ["#2196F3", "#009688"]
      }
    ]
  },
  "сонголт": {
    "гарчиг": {
      "дэлгэц": үнэн,
      "текст": "DSPy болон LangChain ажлын урсгал"
    },
    "масштаб": {
      "yAxes": [
        {
          "хачиг": {
            "beginAtZero": үнэн
          }
        }
      ]
    }
  }
}

Энэхүү дүрслэл нь DSPy ажлын урсгал тус бүрийн даалгаврын тоо болон LangChain агент бүрийн хариултын тоог харуулдаг.

Дүгнэлт

Энэ нийтлэлд бид DSPy болон LangChain-ийг хэрхэн ашиглах талаар судалж, програм хангамж хөгжүүлэх шугамын үндсэн шалтгааныг шинжлэх, үр ашгийг оновчтой болгох зорилгоор хиймэл оюун ухаанаар ажилладаг агентуудыг хэрэгжүүлэх талаар судалсан. Бид ухагдахууныг харуулахын тулд кодын жишээ, дүрслэлийг өгсөн бөгөөд DSPy болон LangChain-д хамгийн түгээмэл хэрэглэгддэг командууд болон хэсгүүдийг онцолсон. Энэхүү гарын авлагыг дагаснаар хөгжүүлэгчид DSPy болон LangChain ашиглан хиймэл оюун ухаанаар ажилладаг автоматжуулалтын ажлын урсгалыг бий болгож чадна.

¿Tienes preguntas?

Hablemos

Contáctame en LinkedIn