Efektivigo de Agentic AI en Determinisma Testaŭtomatigo kun LangChain kaj DSPy

Efektivigo de Agentic AI en Determinisma Testaŭtomatigo kun LangChain kaj DSPy

Enkonduko

La kreskanta komplekseco de softvarsistemoj igis testaŭtomatigon decida aspekto de programaro. Tradiciaj testaj aŭtomatigkadroj dependas de skribaj aliroj, kiuj povas esti fragilaj kaj malfacile konserveblaj. En la lastaj jaroj, la apero de Agentic AI kaj Orchestration Tools malfermis novajn eblecojn por aŭtomatigi kompleksajn testajn scenarojn. En ĉi tiu artikolo, ni esploros la intersekciĝon de Agentic AI, Orkestraj Iloj kaj Programaro-Inĝenierado por aŭtomatigi kompleksajn testajn scenarojn uzante LangChain kaj DSPy.

Kio estas Agenta AI?

Agenta AI rilatas al speco de artefarita inteligenteco kiu estas dizajnita por fari agojn nome de uzanto aŭ sistemo. Agentaj AI-sistemoj kapablas fari decidojn, lerni de sperto kaj adaptiĝi al novaj situacioj. En la kunteksto de testa aŭtomatigo, Agentic AI povas esti uzata por aŭtomatigi kompleksajn testscenarojn simulante uzantajn interagojn, farante decidojn bazitajn sur testaj datumoj kaj adaptante al ŝanĝiĝantaj testkondiĉoj.

Kio estas LangChain?

LangChain estas malfermfonta Orkestra Ilo, kiu permesas al programistoj konstrui kompleksajn AI-sistemojn uzante diversajn programlingvojn, inkluzive de Python, Rust kaj Go. LangChain disponigas flekseblan kaj modulan arkitekturon, kiu ebligas al programistoj integri malsamajn AI-komponentojn, kiel natura lingvopretigo (NLP) kaj komputila vizio, por konstrui sofistikajn AI-sistemojn.

Kio estas DSPy?

DSPy estas Python-biblioteko kiu disponigas aron da iloj por konstrui kaj disfaldi AI-sistemojn. DSPy estas dizajnita por funkcii perfekte kun LangChain kaj disponigas gamon da funkcioj, inkluzive de datumtraktado, maŝinlernado kaj profunda lernado.

Efektivigi Agentan AI en Determinisma Testaŭtomatigo

Por efektivigi Agentic AI en determinisma testa aŭtomatigo, ni povas uzi LangChain kaj DSPy por konstrui testan aŭtomatigan kadron, kiu simulas uzantinteragojn, faras decidojn surbaze de testaj datumoj kaj adaptiĝas al ŝanĝiĝantaj testkondiĉoj.

Jen simpla ekzemplo pri kiel ni povas uzi LangChain kaj DSPy por aŭtomatigi testan scenaron:

import langchain
de langchain.chains importi LLMChain
el langchain.llms importu DSPyLLM


testo_scenaro = {
    "user_input": "ensalutu",
    "expected_output": "ensalutu sukcesa"
}

# Difinu la Agentan AI-agenton
agento = LLMChain (
    llm=DSpyLLM(),
    enigo_tipo="teksto",
    eligo_tipo="teksto"
)

# Difinu la testan aŭtomatigan funkcion
def test_aŭtomatigo(prova_scenaro):
    # Simuli uzantinteragon
    uzanto_enigo = prova_scenaro["uzanto_enigo"]
    # Prenu decidon surbaze de testaj datumoj
    decido = agento.run (uzanto_enigo)
    # Adaptiĝu al ŝanĝiĝantaj testaj kondiĉoj
    se decido == "ensalutu sukcesa":
        print("Testo trapasita")
    alia:
        print("Testo malsukcesis")

# Rulu la testan aŭtomatigan funkcion
test_aŭtomatigo(test_scenaro)

En ĉi tiu ekzemplo, ni difinas testan scenaron, kiu implikas simuli uzantan interagon, fari decidon bazitan sur testaj datumoj kaj adaptiĝi al ŝanĝiĝantaj testaj kondiĉoj. Ni tiam difinas Agentic AI-agenton uzante LangChain kaj DSPy, kaj uzas ĝin por aŭtomatigi la testan scenaron.

Supro 5-10 Plej Uzitaj Komandoj/Fragmentoj

Jen la supraj 5-10 plej uzataj komandoj/fragmentoj por LangChain kaj DSPy:

langchain.LLMCain(llm=DSPyLLM()): Kreas Agentic AI-agenton uzante LangChain kaj DSPy.
DSPyLLM(): Inicializas petskribon DSPy LLM (Granda Lingvo-Modelo).
LLMCain(input_type="text", output_type="text"): Kreas Agentic AI-agenton kun tekstaj enigo kaj eligo-tipoj.
agent.run(user_input): Rulas la Agentic AI-agenton kun uzanta enigo.
test_scenario = {"user_input": "ensaluto", "expected_output": "ensaluto sukcesa"}: Difinas testan scenaron kun uzanta enigo kaj atendata eligo.
langchain.chains.LLMCain(llm=DSPyLLM()): Kreas Agentic AI-agenton uzante LangChain kaj DSPy.
DSPyLLM().predict(user_input): Antaŭdiras la eliron de la DSPy LLM kun uzanta enigo.
LLMCain(input_type="text", output_type="text").run(user_input): Rulas la Agentic AI-agenton kun tekstaj enigo kaj eligo-tipoj.
test_automation(test_scenario): Rulas la testan aŭtomatigan funkcion kun prova scenaro.
langchain.chains.LLMCain(llm=DSPyLLM()).run(user_input): Rulas la Agentic AI-agenton kun uzanta enigo.

Vidigo

Jen bildigo de la Agentic AI-agento uzante Chart.js:

{
  "tipo": "stango",
  "datenoj": {
    "labels": ["Uzanto-enigo", "Decido", "Adapto"],
    "datumaro": [
      {
        "label": "Agenta AI-Agente",
        "datenoj": [10, 20, 30],
        "backgroundColor": "rgba(255, 99, 132, 0.2)",
        "borderColor": "rgba(255, 99, 132, 1)",
        "borderWidth": 1
      }
    ]
  },
  "opcioj": {
    "titolo": {
      "montri": vera,
      "text": "Agentejo de AI"
    },
    "skaloj": {
      "yAxes": [
        {
          "ticks": {
            "beginAtZero": vera
          }
        }
      ]
    }
  }
}

Ĉi tiu bildigo montras la agadon de la agento de Agentic AI simulante uzantajn interagojn, farante decidojn surbaze de testaj datumoj kaj adaptante al ŝanĝiĝantaj testaj kondiĉoj.

Konkludo

En ĉi tiu artikolo, ni esploris la intersekciĝon de Agentic AI, Orchestration Tools kaj Software Engineering por aŭtomatigi kompleksajn testajn scenarojn uzante LangChain kaj DSPy. Ni efektivigis simplan ekzemplon de Agentic AI en determinisma testa aŭtomatigo kaj provizis gamon da komandoj/fragmentoj por LangChain kaj DSPy. Ni ankaŭ bildigis la agadon de la Agentic AI-agento uzante Chart.js. Utiligante Agentic AI kaj Orchestration Tools, programistoj povas konstrui sofistikajn testaŭtomatigajn kadrojn, kiuj simulas uzantinteragojn, faras decidojn surbaze de testaj datumoj kaj adaptiĝas al ŝanĝiĝantaj testkondiĉoj.

Efektivigo de Agentic AI en Determinisma Testaŭtomatigo kun LangChain kaj DSPy

¿Tienes preguntas?