AI-ээр ажилладаг DevOps автоматжуулалтад зориулж LangChain болон DSPy-ийн тусламжтайгаар агентын чанарын оновчлолыг хэрэгжүүлэх
Танилцуулга
Орчин үеийн програм хангамжийн системүүдийн өсөн нэмэгдэж буй нарийн төвөгтэй байдал нь DevOps автоматжуулалтын үр ашигтай, үр дүнтэй хэрэгцээг нэмэгдүүлэхэд хүргэсэн. Системийн гүйцэтгэлийг оновчтой болгож, чанарыг сайжруулахын тулд хиймэл оюун ухаан (AI) болон машин сургалтыг (ML) ашиглан энэхүү зорилгод хүрэх ирээдүйтэй арга болох агент дээр суурилсан системүүд гарч ирэв. Энэ нийтлэлд бид хиймэл оюун ухаанаар ажилладаг DevOps автоматжуулалтад зориулж LangChain болон DSPy-ийг ашиглан AgentCore дахь агентын чанарыг оновчтой болгох техникийн хэрэгжилтийг судлах болно.
AgentCore: хиймэл оюун ухаанаар ажилладаг DevOps автоматжуулалтын үндэс
AgentCore нь хиймэл оюун ухаанаар ажилладаг DevOps автоматжуулалтын системийг бий болгох нээлттэй эхийн хүрээ юм. Энэ нь модульчлагдсан архитектураар хангадаг бөгөөд энэ нь хөгжүүлэгчдэд хяналт тавих, байршуулах, турших гэх мэт янз бүрийн даалгаварт тусгай агентуудыг бий болгох боломжийг олгодог. AgentCore-ийн гол онцлогууд нь:
- Модульчлагдсан архитектур: AgentCore-ийн архитектур нь маш модульчлагдсан байхаар бүтээгдсэн бөгөөд хөгжүүлэгчдэд захиалгат агентуудыг үүсгэж, тэдгээрийг үндсэн хүрээтэй саадгүй нэгтгэх боломжийг олгодог.
- ** хиймэл оюун ухаанаар ажилладаг шийдвэр гаргах**: AgentCore нь AI болон ML алгоритмуудыг ашиглан системийн гүйцэтгэл, чанарын талаар мэдээлэлтэй шийдвэр гаргадаг.
- Бодит цагийн хяналт: AgentCore нь бодит цагийн хяналтын боломжоор хангаснаар хөгжүүлэгчдэд системийн гүйцэтгэлийг хянах, болзошгүй асуудлуудыг томоохон асуудал болохоос нь өмнө тодорхойлох боломжийг олгодог.
LangChain: Харилцан ярианы хиймэл оюун ухааны агентуудыг бий болгох тогтолцоо
LangChain бол харилцан ярианы AI агентуудыг бий болгох Python хүрээ юм. Энэ нь хэрэглэгчидтэй байгалийн хэлээр яриа өрнүүлэх боломжтой тусгай агентуудыг бий болгох олон төрлийн хэрэгсэл, номын сангуудаар хангадаг. LangChain-ийн гол онцлогууд нь:
- Харилцан ярианы хиймэл оюун ухаан: LangChain нь хөгжүүлэгчдэд хэрэглэгчидтэй байгалийн хэлээр харилцан яриа өрнүүлэх боломжтой харилцан ярианы AI агентуудыг бий болгох боломжийг олгодог.
- Модульчлагдсан архитектур: LangChain-ийн архитектур нь маш модульчлагдсан байхаар бүтээгдсэн бөгөөд хөгжүүлэгчдэд захиалгат агентуудыг бий болгож, тэдгээрийг үндсэн хүрээтэй жигд нэгтгэх боломжийг олгодог.
- DSPy-тэй интеграцчилал: LangChain нь DSPy-тэй тасралтгүй интеграцчлах боломжийг олгодог бөгөөд хөгжүүлэгчдэд DSPy-ийн AI болон ML чадварыг харилцан ярианы хиймэл оюун ухааны агентууддаа ашиглах боломжийг олгодог.
DSPy: AI болон ML загваруудыг бүтээх тогтолцоо
DSPy нь AI болон ML загваруудыг бүтээхэд зориулагдсан Python хүрээ юм. Энэ нь DevOps автоматжуулалт зэрэг төрөл бүрийн хэрэглээнд ашиглаж болох захиалгат загваруудыг бий болгох олон төрлийн хэрэгсэл, сангуудыг хангадаг. DSPy-ийн гол онцлогууд нь:
- AI болон ML загварчлал: DSPy нь хөгжүүлэгчдэд DevOps автоматжуулалт зэрэг олон төрлийн программд ашиглаж болох AI болон ML загваруудыг бий болгох боломжийг олгодог.
- LangChain-тай нэгтгэх: DSPy нь LangChain-тай тасралтгүй интеграцчлалыг хангаснаар хөгжүүлэгчдэд LangChain-ийн ярианы хиймэл оюун ухааны чадавхийг өөрсдийн хиймэл оюун ухаан болон ML загварт ашиглах боломжийг олгодог.
- Бодит цагийн урьдчилан таамаглах аналитик: DSPy нь бодит цагийн урьдчилан таамаглах аналитик боломжоор хангаснаар хөгжүүлэгчдэд системийн гүйцэтгэл, чанарын талаар мэдээлэлтэй шийдвэр гаргах боломжийг олгодог.
LangChain болон DSPy ашиглан агентын чанарыг оновчтой болгох нь
LangChain болон DSPy ашиглан агентын чанарыг оновчтой болгохын тулд бид дараах алхмуудыг хийх хэрэгтэй.
- Захиалгат агент үүсгэх: Хэрэглэгчидтэй байгалийн хэлээр харилцан яриа өрнүүлэх боломжтой LangChain ашиглан захиалгат агент үүсгэнэ үү.
- DSPy-г нэгтгэх: DSPy-ийн AI болон ML чадварыг ашиглахын тулд DSPy-г захиалгат агенттай нэгтгэнэ.
- Загварыг сургах: Агентын чанарыг оновчтой болгохын тулд DSPy ашиглан AI болон ML загварыг сурга.
- Агентыг байршуулах: Агентын чанарыг оновчтой болгохын тулд бэлтгэгдсэн загвартай тусгай агентыг байрлуул.
LangChain ашиглан захиалгат агентыг хэрхэн үүсгэж, DSPy-г нэгтгэхийг харуулсан энгийн кодын блок энд байна.
langchain импортлох
langchain импортоос LMChain
langchain.chains-аас ConversationalChain импортлох
langchain.embeddings-аас Embeddings импортлох
langchain.llms импортын LLM-ээс
агент = LMCchain(
llm=LLM(
загвар = "текст-давинчи-003",
температур = 0.7,
хамгийн их_токенс=100,
мин_токенс=10,
),
оролтын_формат = "текст",
гаралтын_формат = "текст",
)
# DSPy-г нэгтгэх
dsp = DSPy(
загвар = "dspb",
температур = 0.7,
хамгийн их_токенс=100,
мин_токенс=10,
)
# DSPy ашиглан загварыг сурга
dsp.train(
төлөөлөгч,
өгөгдөл=[
{"оролт": "Одоогийн температур хэд вэ?", "гаралт": "Одоогийн температур 25°C байна."},
{"оролт": "Одоогийн чийгшил хэд вэ?", "гаралт": "Одоогийн чийгшил 60% байна."},
],
)
# Бэлтгэгдсэн загвартай агентийг байрлуул
agent.deploy(dsp)
Програм хангамжийн хөгжил, архитектурт үзүүлэх нөлөө
LangChain болон DSPy ашиглан агентын чанарыг оновчтой болгох нь програм хангамжийн хөгжил, архитектурт хэд хэдэн нөлөө үзүүлдэг.
- Сайжруулсан системийн гүйцэтгэл: Агентын чанарын оновчлол нь хөгжүүлэгчдэд системийн гүйцэтгэлийг оновчтой болгож, чанарыг сайжруулах тусгай агентуудыг бий болгох боломжийг олгодог.
- Сайжруулсан хэрэглэгчийн туршлага: Харилцан ярианы хиймэл оюун ухааны агентууд нь хэрэглэгчдэд илүү хувийн, сонирхол татахуйц туршлага өгөх боломжтой.
- Үр ашгийг нэмэгдүүлэх: Агентын чанарыг оновчтой болгох нь хөгжүүлэгчдэд давтагдах даалгавруудыг автоматжуулах, илүү төвөгтэй, бүтээлч ажлуудад анхаарлаа төвлөрүүлэх боломжийг олгодог.
Хамгийн их ашиглагддаг 5-10 тушаал/хэсэг
LangChain болон DSPy-д хамгийн их хэрэглэгддэг 5-10 тушаал/хэсэг энд байна:
langchain.LLMCain(): LangChain ашиглан захиалгат агент үүсгэнэ.langchain.Embeddings(): Захиалгат агент дээр ашиглахын тулд embeddings объект үүсгэдэг.langchain.LLM(): Захиалгат агентад ашиглах хэлний загварын объект үүсгэдэг.dsp.DSPy(): Захиалгат агентад ашиглах DSPy объект үүсгэдэг.dsp.train(): DSPy ашиглан AI болон ML загварыг сургадаг.dsp.deploy(): Захиалгат агентыг бэлтгэгдсэн загварт суулгана.langchain.ConversationalChain(): LangChain ашиглан харилцан ярианы хиймэл оюун ухааны агент үүсгэнэ.langchain.chains.ConversationalChain(): LangChain ашиглан харилцан ярианы хиймэл оюун ухааны агент үүсгэнэ.langchain.embeddings.Embeddings(): Захиалгат агентад ашиглахаар embeddings объект үүсгэдэг.langchain.llms.LLM(): Захиалгат агентад ашиглах хэлний загварын объект үүсгэдэг.
Дүрслэл
Системийн гүйцэтгэлд агентын чанарыг оновчлох нөлөөг харуулсан Chart.js ашиглан энгийн дүрслэл энд байна:
{
"төрөл": "бар",
"өгөгдөл": {
"шошго": ["Оновчлолын өмнө", "Оновчлолын дараа"],
"өгөгдлийн багц": [
{
"label": "Системийн гүйцэтгэл",
"өгөгдөл": [80, 95],
"backgroundColor": "rgba(255, 99, 132, 0.2)",
"borderColor": "rgba(255, 99, 132, 1)",
"хилийн өргөн": 1
}
]
},
"сонголт": {
"гарчиг": {
"дэлгэц": үнэн,
"текст": "Оновчлолын өмнөх ба дараах системийн гүйцэтгэл"
},
"масштаб": {
"yAxes": [
{
"хачиг": {
"beginAtZero": үнэн
}
}
]
}
}
}
Энэхүү дүрслэл нь агентын чанарын оновчлол нь системийн гүйцэтгэлд үзүүлэх нөлөөг харуулж, оновчлолын дараа системийн гүйцэтгэл мэдэгдэхүйц сайжирч байгааг харуулж байна.
Дүгнэлт
LangChain болон DSPy-ийн тусламжтайгаар агентын чанарын оновчлолыг хэрэгжүүлэх нь системийн гүйцэтгэлийг сайжруулах, хэрэглэгчийн туршлагыг сайжруулах, үр ашгийг нэмэгдүүлэх зэрэг хэд хэдэн давуу талтай. LangChain болон DSPy-ийн чадавхийг ашигласнаар хөгжүүлэгчид системийн гүйцэтгэлийг оновчтой болгож, чанарыг сайжруулах тусгай агентуудыг бий болгож чадна. Өгөгдсөн кодын блок болон дүрслэл нь агентын чанарын оновчлолын техникийн хэрэгжилт, програм хангамжийн хөгжил, архитектурт үзүүлэх нөлөөг харуулж байна.