Izveidojiet LangChain aģentu | B4N1

Izveidojiet LangChain aģentu

8 months ago · b4n1 Tiempo de lectura: 4 min

AI aģentu izmantošana automatizētai programmatūras piegādei: LangChain un DSPy integrēšana DevOps cauruļvados

Ievads

Programmatūras izstrādes ainava strauji attīstās, arvien vairāk izmantojot mākslīgo intelektu (AI) un mašīnmācīšanos (ML) dažādos izstrādes dzīves cikla aspektos. Viena no daudzsološākajām mākslīgā intelekta pielietojuma jomām ir programmatūras piegādes procesu automatizēšana, tostarp telemetrija un nepārtraukta integrācija/nepārtraukta izvietošana (CI/CD). Šajā rakstā mēs izpētīsim AI aģentu lomu programmatūras piegādes procesu automatizācijā un iedziļināsimies tādu orķestrēšanas rīku praktiskajā ieviešanā kā LangChain un DSPy.

AI aģentu loma programmatūras piegādē

AI aģenti ir programmatūras programmas, kas var veikt uzdevumus autonomi, pieņemot lēmumus, pamatojoties uz datiem un noteikumiem. Programmatūras piegādes kontekstā AI aģentus var izmantot dažādu procesu automatizēšanai, piemēram:

1. Telemetrija: AI aģenti var vākt un analizēt datus no dažādiem avotiem, piemēram, lietojumprogrammu žurnāliem, veiktspējas metriku un lietotāju atsauksmēm, lai sniegtu ieskatu lietojumprogrammas darbībā un veiktspējā. 2. Nepārtraukta integrācija: AI aģenti var automatizēt koda izmaiņu izveidi, testēšanu un izvietošanu, nodrošinot, ka lietojumprogramma vienmēr ir izvietojamā stāvoklī. 3. Nepārtraukta izvietošana: AI aģenti var automatizēt ražošanas izmaiņu izvietošanu, samazinot laiku un pūles, kas nepieciešamas, lai lietotājiem nodrošinātu jaunas funkcijas un labojumus. 4. Uzraudzība un brīdinājumi: AI aģenti var pārraudzīt lietojumprogrammas veiktspēju un brīdināt izstrādātājus un operatorus par iespējamām problēmām, pirms tās kļūst kritiskas.

LangChain: ietvars AI aģentu veidošanai

LangChain ir Python sistēma AI aģentu veidošanai, kas var mijiedarboties ar dažādiem datu avotiem un veikt uzdevumus autonomi. LangChain nodrošina vienkāršu un intuitīvu API celtniecības aģentiem, kas var:

1. Mijiedarbība ar datu avotiem: LangChain nodrošina dažādus datu avotus, tostarp datu bāzes, API un failu sistēmas, ar kurām aģenti var mijiedarboties. 2. Veikt uzdevumus: LangChain nodrošina virkni uzdevumu, ko aģenti var veikt, tostarp teksta apstrādi, attēlu atpazīšanu un dabiskās valodas apstrādi. 3. Mācieties no datiem: LangChain nodrošina virkni mašīnmācīšanās algoritmu, ko aģenti var izmantot, lai mācītos no datiem.

DSPy: ietvars izplatītu AI aģentu veidošanai

DSPy ir Python ietvars izplatītu AI aģentu veidošanai, ko var mērogot, lai apmierinātu liela mēroga lietojumprogrammu vajadzības. DSPy nodrošina virkni funkciju, tostarp:

  1. Izkliedētā skaitļošana: DSPy ļauj aģentiem darboties vairākās iekārtās, padarot to ideāli piemērotu liela mēroga lietojumprogrammām.
  2. Datu paralēlisms: DSPy ļauj aģentiem apstrādāt datus paralēli, padarot to ideāli piemērotu lietojumprogrammām, kurām nepieciešama augstas veiktspējas skaitļošana.
  3. Mērogojamība: DSPy ļauj aģentiem veikt mērogošanu, lai apmierinātu liela mēroga lietojumprogrammu vajadzības.

LangChain un DSPy integrēšana DevOps cauruļvados

Lai integrētu LangChain un DSPy DevOps cauruļvados, mēs varam veikt šādas darbības:

  1. Instalējiet LangChain un DSPy: instalējiet LangChain un DSPy, izmantojot pip.
pip instalēt langchain dspy

2. Izveidojiet LangChain aģentu: izveidojiet LangChain aģentu, kas var mijiedarboties ar datu avotiem un veikt uzdevumus.

importēt langchain


aģents = langchain.Agent(
    name = "mans_aģents",
    data_sources=[langchain.DataSource("datubāze", "mana_datubāze")],
    uzdevumi=[langchain.Task("teksta_apstrāde", "mans_teksta_apstrāde")]
)
  1. Izveidojiet DSPy aģentu: izveidojiet DSPy aģentu, kas var darboties vairākās iekārtās un paralēli apstrādāt datus.
importēt dspy

# Izveidojiet DSPy aģentu
aģents = dspy.Agent(
    name = "mans_aģents",
    data_sources=[dspy.DataSource("datubāze", "mana_datubāze")],
    uzdevumi=[dspy.Uzdevums("teksta_apstrāde", "mans_teksta_apstrāde")]
)

4. Integrējiet LangChain un DSPy aģentus: integrējiet LangChain un DSPy aģentus DevOps konveijerā, izmantojot tādu rīku kā Jenkins vai GitLab CI/CD.

importēt langchain
importēt dspy

# Izveidojiet LangChain aģentu
langchain_agent = langchain.Agent(
    name = "my_langchain_agent",
    data_sources=[langchain.DataSource("datubāze", "mana_datubāze")],
    uzdevumi=[langchain.Task("teksta_apstrāde", "mans_teksta_apstrāde")]
)

# Izveidojiet DSPy aģentu
dspy_agent = dspy.Agent(
    name = "my_dspya_agent",
    data_sources=[dspy.DataSource("datubāze", "mana_datubāze")],
    uzdevumi=[dspy.Uzdevums("teksta_apstrāde", "mans_teksta_apstrāde")]
)

# Integrējiet aģentus DevOps konveijerā
cauruļvads = [
    langchain_agent,
    dspy_agent
]

5–10 populārākās komandas/fragmenti

Šeit ir 5–10 populārākās LangChain un DSPy komandas/fragmenti:

1. LangChain: izveidojiet LangChain aģentu

importēt langchain

aģents = langchain.Agent(
    name = "mans_aģents",
    data_sources=[langchain.DataSource("datubāze", "mana_datubāze")],
    uzdevumi=[langchain.Task("teksta_apstrāde", "mans_teksta_apstrāde")]
)

2. DSPy: izveidojiet DSPy aģentu

importēt dspy

aģents = dspy.Agent(
    name = "mans_aģents",
    data_sources=[dspy.DataSource("datubāze", "mana_datubāze")],
    uzdevumi=[dspy.Uzdevums("teksta_apstrāde", "mans_teksta_apstrāde")]
)

3. LangChain: mijiedarbība ar datu avotu

importēt langchain

aģents = langchain.Agent(
    name = "mans_aģents",
    data_sources=[langchain.DataSource("datubāze", "mana_datubāze")],
    uzdevumi=[langchain.Task("teksta_apstrāde", "mans_teksta_apstrāde")]
)

dati = agent.data_sources[0].get_data()

4. DSPy: mijiedarbība ar datu avotu

importēt dspy

aģents = dspy.Agent(
    name = "mans_aģents",
    data_sources=[dspy.DataSource("datubāze", "mana_datubāze")],
    uzdevumi=[dspy.Uzdevums("teksta_apstrāde", "mans_teksta_apstrāde")]
)

dati = agent.data_sources[0].get_data()

5. LangChain: veiciet uzdevumu

importēt langchain

aģents = langchain.Agent(
    name = "mans_aģents",
    data_sources=[langchain.DataSource("datubāze", "mana_datubāze")],
    uzdevumi=[langchain.Task("teksta_apstrāde", "mans_teksta_apstrāde")]
)

rezultāts = agent.tasks[0].perform_task(data)

6. DSPy: veiciet uzdevumu

importēt dspy

aģents = dspy.Agent(
    name = "mans_aģents",
    data_sources=[dspy.DataSource("datubāze", "mana_datubāze")],
    uzdevumi=[dspy.Uzdevums("teksta_apstrāde", "mans_teksta_apstrāde")]
)

rezultāts = agent.tasks[0].perform_task(data)

7. LangChain: mācieties no datiem

importēt langchain

aģents = langchain.Agent(
    name = "mans_aģents",
    data_sources=[langchain.DataSource("datubāze", "mana_datubāze")],
    uzdevumi=[langchain.Task("teksta_apstrāde", "mans_teksta_apstrāde")]
)

agent.learn_from_data(data)

8. DSPy: mācieties no datiem

importēt dspy

aģents = dspy.Agent(
    name = "mans_aģents",
    data_sources=[dspy.DataSource("datubāze", "mana_datubāze")],
    uzdevumi=[dspy.Uzdevums("teksta_apstrāde", "mans_teksta_apstrāde")]
)

agent.learn_from_data(data)

9. LangChain: integrējiet ar DevOps cauruļvadu

importēt langchain

aģents = langchain.Agent(
    name = "mans_aģents",
    data_sources=[langchain.DataSource("datubāze", "mana_datubāze")],
    uzdevumi=[langchain.Task("teksta_apstrāde", "mans_teksta_apstrāde")]
)

cauruļvads = [
    aģents
]

10. DSPy: integrējiet ar DevOps cauruļvadu

importēt dspy

aģents = dspy.Agent(
    name = "mans_aģents",
    data_sources=[dspy.DataSource("datubāze", "mana_datubāze")],
    uzdevumi=[dspy.Uzdevums("teksta_apstrāde", "mans_teksta_apstrāde")]
)

cauruļvads = [
    aģents
]

Vizualizācija

Šeit ir LangChain un DSPy aģentu vizualizācija DevOps konveijerā:

{
  "tips": "josla",
  "dati": {
    "labels": ["LangChain", "DSPy"],
    "datu kopas": [
      {
        "label": "Aģents",
        "dati": [10, 20],
        "backgroundColor": ["rgba(255, 99, 132, 0.2)", "rgba(54, 162, 235, 0.2)"],
        "borderColor": ["rgba(255, 99, 132, 1)", "rgba(54, 162, 235, 1)"],
        "borderWidth": 1
      }
    ]
  },
  "opcijas": {
    "title": {
      "displejs": patiess,
      "text": "LangChain un DSPy aģenti DevOps cauruļvadā"
    },
    "svari": {
      "yAxes": [
        {
          "ērces": {
            "beginAtZero": taisnība
          }
        }
      ]
    }
  }
}

Šī vizualizācija parāda LangChain un DSPy aģentus DevOps konveijerā, kurā LangChain aģentam ir 10 uzdevumi un DSPy aģentam ir 20 uzdevumi.

Secinājums

Šajā rakstā mēs izpētījām AI aģentu lomu programmatūras piegādes procesu automatizācijā un iedziļinājāmies tādu orķestrēšanas rīku kā LangChain un DSPy praktiskajā ieviešanā. Mēs redzējām, kā LangChain un DSPy var izmantot, lai izveidotu AI aģentus, kas var mijiedarboties ar datu avotiem, veikt uzdevumus un mācīties no datiem. Mēs arī redzējām, kā LangChain un DSPy var integrēt DevOps cauruļvados, izmantojot tādus rīkus kā Jenkins vai GitLab CI/CD. Pieaugot AI un ML ieviešanai programmatūras izstrādē, LangChain un DSPy kļūst arvien svarīgāki rīki izstrādātājiem un operatoriem, kuri vēlas automatizēt programmatūras piegādes procesus.

¿Tienes preguntas?

Hablemos

Contáctame en LinkedIn