StackGen болон LangChain-тай бие даасан дэд бүтцийн зохион байгуулалт: Хэт DevOps автоматжуулалт болон бие даасан дэд бүтцийн менежментэд AI агентууд болон үүсгэгч загваруудыг ашиглах
Танилцуулга
Өнөөгийн хурдацтай хөгжиж буй дижитал ландшафтад дэд бүтцийн үр ашигтай, өргөтгөх боломжтой менежментийн эрэлт урьд өмнө байгаагүй өндөр байна. Уламжлалт DevOps дадлага нь ихэвчлэн гарын авлагын тохиргоо болон скрипт дээр тулгуурладаг бөгөөд энэ нь алдаа, зөрчил, саад бэрхшээлийг үүсгэдэг. Эдгээр сорилтыг шийдвэрлэхийн тулд бид дэд бүтцийн удирдлагыг автоматжуулах, оновчтой болгоход хиймэл оюун ухааны агентууд болон үүсгэгч загваруудыг ашигладаг парадигм болох бие даасан дэд бүтцийн зохион байгуулалт бий болсны гэрч болж байна. Энэ нийтлэлд бид дэд бүтцийг удирдах арга барилд хувьсгал хийж буй хоёр дэвшилтэт технологи болох StackGen болон LangChain-ийн сэтгэл хөдөлгөм ертөнцийг судлах болно.
StackGen гэж юу вэ?
StackGen нь нээлттэй эх сурвалжтай, үүлд хамааралгүй дэд бүтцийн платформ бөгөөд өөрийгөө эдгээх, өөрөө масштаблах, өөрөө оновчтой болгох дэд бүтцийн стекийг бий болгох боломжийг олгодог. Модульчлагдсан, өргөтгөх боломжтой архитектурын дээр бүтээгдсэн StackGen нь хөгжүүлэгчдэд дээд түвшний, тунхаглалын синтакс ашиглан дэд бүтцийн тохиргоог тодорхойлох боломжийг олгодог. Энэхүү синтаксийг дараа нь хүчирхэг, тархсан хөдөлгүүрээр гүйцэтгэдэг дэд бүтцийн хангамж, менежментийн даалгавар болгон хөрвүүлдэг.
LangChain гэж юу вэ?
LangChain нь AI агентууд, үүсгэгч загварууд болон бусад машин сургалтын бүрэлдэхүүн хэсгүүдийг програм хангамжийн системд бий болгох, нэгтгэх нэгдсэн интерфейсээр хангадаг Python номын сан юм. LangChain-ийг ашигласнаар хөгжүүлэгчид өгөгдлөөс суралцаж, өөрчлөгдөж буй орчинд дасан зохицож, мэдээлэлтэй шийдвэр гаргадаг хиймэл оюун ухаанд суурилсан нарийн төвөгтэй програмуудыг бий болгож чадна. StackGen-ийн хүрээнд LangChain нь дэд бүтцийн гүйцэтгэлд дүн шинжилгээ хийх, гажуудлыг урьдчилан таамаглах, системийн оновчтой байдлыг хадгалахын тулд залруулах арга хэмжээ авах боломжтой AI агентуудыг нэгтгэх боломжийг олгодог.
StackGen болон LangChain-тэй бие даасан дэд бүтцийн зохион байгуулалт
StackGen болон LangChain-ийн хүчийг харуулахын тулд энгийн жишээг авч үзье. Бид өргөтгөх боломжтой, өндөр хүчин чадалтай дэд бүтцийн стекийг шаарддаг үүлэнд суурилсан цахим худалдааны платформ байгуулж байна гэж бодъё. StackGen-ийг ашигласнаар бид зангилааны тоо, жишээний төрөл, сүлжээний тохиргоо зэрэг хүссэн дэд бүтцийн топологийг тодорхойлсон өндөр түвшний тохиргоог тодорхойлж чадна.
нэр: цахим худалдааны платформ
тайлбар: Өргөтгөсөн цахим худалдааны платформ дэд бүтэц
хувилбар: 1.0
бүрэлдэхүүн хэсгүүд:
- нэр: вэб сервер
төрөл: EC2
шинж чанарууд:
жишээний төрөл: t2.micro
ami: ami-abc123
аюулгүй байдлын бүлгүүд: [web-server-sg]
- нэр: мэдээллийн сан
төрөл: RDS
шинж чанарууд:
жишээний төрөл: db.t2.micro
хөдөлгүүр: postgres
мэдээллийн сангийн нэр: e-commerce-db
хэрэглэгчийн нэр: цахим худалдаа-хэрэглэгч
нууц үг: цахим худалдаа-нууц үг
харилцаа:
- вэб сервер -> мэдээллийн сан
Энэ жишээнд бид вэб сервер болон мэдээллийн сангаас бүрдэх энгийн дэд бүтцийн стекийг тодорхойлсон. 'Бүрэлдэхүүн хэсгүүд' хэсэг нь төрөл, шинж чанар, харилцаа холбоо зэрэг бие даасан бүрэлдэхүүн хэсгүүдийг тодорхойлдог. "Харилцаа" хэсэг нь бүрэлдэхүүн хэсгүүдийн хоорондын холболтыг тодорхойлдог.
Дараа нь бид LangChain-ийг ашиглан дэд бүтцийн гүйцэтгэлд дүн шинжилгээ хийж, системийн оновчтой байдлыг хадгалахын тулд засч залруулах арга хэмжээ авах боломжтой AI агентыг нэгтгэх болно. Бид CPU-ийн ашиглалтыг хянаж, үүний дагуу жишээний төрлийг тохируулдаг энгийн хиймэл оюун ухааны агентийг бий болгоно.
# LangChain AI агент код (ai_agent.py)
langchain импортлох
langchain.agents-аас BaseAgent-ийг импортлох
анги ECommerceAgent(BaseAgent):
def __init__(өөрөө, stackgen_тохиргоо):
self.stackgen_config = stackgen_config
self.cpu_utilization_threshold = 80
def monitor_infrastructure(self):
# CPU-ийн ашиглалтыг хянаж, жишээний төрлийг тохируулах
cpu_utilization = self.get_cpu_utilization()
хэрэв cpu_utilization > self.cpu_utilization_threshold:
self.adjust_instance_types()
def тохируулах_жишээний_төрлүүд(өөрөө):
# CPU-ийн ашиглалт дээр үндэслэн жишээний төрлийг тохируулна уу
instance_types = self.get_instance_types()
жишээний_төрөл дэх жишээний төрөл:
хэрэв instance_type['cpu_utilization'] > self.cpu_utilization_threshold:
instance_type['instance_type'] = 't2.large'
# AI агентийг StackGen-тэй нэгтгэх
stackgen_config = ачаалах_yaml('example.yaml')
ai_agent = ECommerceAgent(stackgen_config)
ai_agent.monitor_infrastructure()
Энэ жишээнд бид CPU-ийн ашиглалтыг хянаж, үүний дагуу жишээний төрлийг тохируулдаг энгийн хиймэл оюун ухааны агентийг бүтээсэн. Бид хиймэл оюун ухааны агентуудыг бүтээх, нэгтгэх нэгдсэн интерфейсээр хангадаг langchain номын санг ашиглан AI агентийг StackGen-тэй нэгтгэсэн.
Хамгийн их ашиглагддаг 5-10 тушаал/хэсэг
StackGen болон LangChain-д зориулсан хамгийн түгээмэл хэрэглэгддэг командууд болон хэсгүүдийн заримыг энд оруулав.
- StackGen тохиргооны файл:
stackgen тохиргооны жишээ.yaml - LangChain AI агент код:
langchain ai_agent.py - AI агентыг StackGen-тэй нэгтгэх:
langchain ai_agent.py жишээ.yaml-г нэгтгэх - Дэд бүтцийг хянах:
ai_agent.monitor_infrastructure() - Инстанцийн төрлийг тохируулах:
ai_agent.adjust_instance_types() - Процессорын ашиглалтыг авах:
ai_agent.get_cpu_utilization() - Инстанцийн төрлийг авах:
ai_agent.get_instance_types() - YAML тохиргооны файлыг ачаалах:
load_yaml('example.yaml') - YAML тохиргооны файлыг хадгалах:
save_yaml('example.yaml', stackgen_config) - Дэд бүтцийн топологийг дүрслэх:
stackgen visualize example.yaml
Дүрслэл
Дэд бүтцийн топологийг дүрслэн харуулахын тулд бид StackGen тохиргооны файл дээр үндэслэн график дүрслэхийн тулд "graphviz" гэх мэт номын санг ашиглаж болно.
{
"төрөл": "бар",
"өгөгдөл": {
"шошго": ["Вэб сервер", "Өгөгдлийн сан"],
"өгөгдлийн багц": [
{
"label": "CPU ашиглалт",
"өгөгдөл": [80, 90],
"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, 1]
}
]
},
"сонголт": {
"гарчиг": {
"дэлгэц": үнэн,
"text": "Бүрэлдэхүүн хэсгүүдийн CPU ашиглалт"
},
"масштаб": {
"yAxes": [
{
"дэлгэц": үнэн,
"scaleLabel": {
"дэлгэц": үнэн,
"labelString": "CPU ашиглалт (%)"
}
}
]
}
}
}
Энэхүү график нь вэб сервер болон мэдээллийн баазын бүрэлдэхүүн хэсгүүдийн CPU-ийн ашиглалтыг дүрслэн харуулж, дэд бүтцийн гүйцэтгэлийг тодорхой харуулдаг.
Дүгнэлт
StackGen болон LangChain-тай бие даасан дэд бүтцийн зохион байгуулалт нь өөрөө өөрийгөө эдгээх, өөрөө масштаблах, өөрөө оновчтой болгох дэд бүтцийн стекийг бий болгох боломжийг олгодог хүчирхэг парадигм юм. AI агентууд болон үүсгэгч загваруудыг ашигласнаар хөгжүүлэгчид дэд бүтцийн менежментийг автоматжуулж, оновчтой болгож, алдаа, зөрчил, саад бэрхшээлийг бууруулж чадна. Энэ нийтлэлд бид StackGen болон LangChain-ийн үндсэн ойлголтууд, тэдгээрийн архитектур, тохиргооны файлууд болон AI агент интеграцчилал зэргийг судалсан. Бид мөн эдгээр технологийн хүчийг харуулах практик жишээнүүд болон кодын хэсгүүдийг өгсөн. Үр ашигтай, өргөтгөх боломжтой дэд бүтцийн менежментийн эрэлт хэрэгцээ өссөөр байгаа тул StackGen болон LangChain нь DevOps болон дэд бүтцийн менежментийн ирээдүйд тэргүүлэх үүрэг гүйцэтгэхэд бэлэн байна.