Sukurkite „LangChain“ pokalbių robotą

** Dirbtinio intelekto valdomos „DevOps“ automatizavimo diegimas naudojant „Kiro AI Powered Agents“ ir „LangChain“**

Įvadas

„DevOps“ kraštovaizdis sparčiai vystosi, vis dažniau diegiamos dirbtinio intelekto (AI) ir mašininio mokymosi (ML) technologijos. Viena iš pagrindinių sričių, kurioje AI daro didelę įtaką, yra „DevOps“ automatizavimas. Šiame straipsnyje mes išnagrinėsime techninį AI agentų diegimą DevOps automatizavime, daugiausia dėmesio skirdami Kiro AI valdomų agentų integravimui su LangChain, kad būtų pagerintos automatizavimo ir orkestravimo galimybės.

Kas yra „Kiro AI“ veikiantys agentai?

„Kiro AI“ veikiantys agentai yra programinės įrangos agento tipas, kuris naudoja AI ir ML algoritmus užduotims automatizuoti ir sprendimams priimti. Šie agentai skirti mokytis iš duomenų ir prisitaikyti prie besikeičiančios aplinkos, todėl jie idealiai tinka sudėtingoms ir dinamiškoms sistemoms, tokioms kaip „DevOps“ vamzdynai.

Kas yra „LangChain“?

„LangChain“ yra „Python“ biblioteka, kurioje yra įrankių ir API rinkinys, skirtas kurti pokalbio AI programas. Tai leidžia kūrėjams kurti pokalbių robotus, balso padėjėjus ir kitas pokalbio sąsajas naudojant natūralios kalbos apdorojimą (NLP) ir mašininio mokymosi algoritmus.

Kiro AI valdomų agentų integravimas su LangChain

Norėdami integruoti „Kiro AI“ pagrįstus agentus su „LangChain“, turime sukurti pokalbio sąsają, kuri galėtų bendrauti su agentais ir suteikti jiems reikiamus įvestis ir išvestis. Štai aukšto lygio architektūros apžvalga:

Vartotojo įvestis: vartotojas sąveikauja su pokalbio sąsaja, pateikdamas įvestį teksto arba balso forma.
Natūralios kalbos apdorojimas (NLP): įvestis apdorojama naudojant NLP algoritmus, kad būtų galima išgauti atitinkamą informaciją ir tikslą.
Agento pasirinkimas: pokalbio sąsaja parenka atitinkamą „Kiro AI“ valdomą agentą, atsižvelgdama į vartotojo įvestį ir ketinimus.
Agento sąveika: pasirinktas agentas suaktyvinamas atlikti būtinus veiksmus, pvz., automatizuoti užduotis arba priimti sprendimus.
Išvestis: agento išvestis apdorojama ir grąžinama vartotojui per pokalbio sąsają.

Techninis įgyvendinimas

Norėdami įgyvendinti šią architektūrą, turime naudoti Python, Rust ir Go programavimo kalbų derinį. Štai paprastas kodo blokas, parodantis Kiro AI valdomų agentų integravimą su LangChain:

importuoti langchain
iš kiro importo agento


chatbot = langchain.Chatbot(
    model="davinci:002",
    temperatūra = 0,7,
    max_tokens=2048,
    user_agent="Kiro AI valdomas agentas"
)

# Sukurkite „Kiro AI“ varomą agentą
agentas = agentas (
    name="Mano agentas",
    description="Paprastas agentas, kuris automatizuoja užduotis",
    veiksmai=[
        "run_command",
        "send_email",
        "sukurti_bilietą"
    ]
)

# Apibrėžkite funkciją, skirtą sąveikai su agentu
def interact_with_agent(input_text):
    # Apdorokite įvestį naudodami NLP
    intent = langchain.extract_intent(įvesties_tekstas)
    
    # Pasirinkite atitinkamą agentą pagal ketinimą
    if intent == "run_command":
        agent.run_command()
    elif intent == "send_email":
        agent.send_email()
    elif intent == "sukurti_bilietą":
        agent.create_ticket()
    
    # Grąžinti agento išvestį
    grąžinimo agentas.išvestis

# Išbandykite funkciją
input_text = "Paleisti kūrimo scenarijų"
išvestis = sąveikauti su_agentu(įvesties_tekstas)
spausdinti (išvestis)

Šiame kodo bloke parodyta, kaip sukurti „LangChain“ pokalbių robotą ir „Kiro AI“ valdomą agentą ir kaip bendrauti su agentu naudojant pokalbio sąsają.

5–10 dažniausiai naudojamų komandų / fragmentų

Štai keletas dažniausiai naudojamų „Kiro AI“ veikiančių agentų ir „LangChain“ komandų ir fragmentų:

langchain.Chatbot(model="davinci:002", temperatūra=0.7, max_tokens=2048, user_agent="Kiro AI-Powered Agent"): sukuria LangChain pokalbių robotą su nurodytu modeliu ir parametrais.
Agent(vardas="My Agent", description="Paprastas agentas, automatizuojantis užduotis", action=["run_command", "send_email", "create_ticket"]): sukuria Kiro AI valdomą agentą su nurodytu pavadinimu, aprašymu ir veiksmais.
„langchain.extract_intent(input_text)“: apdoroja įvesties tekstą naudodama NLP, kad išskirtų tikslą.
„agent.run_command()“: suaktyvina agentą paleisti komandą.
„agent.send_email()“: suaktyvina agentą siųsti el. laišką.
„agent.create_ticket()“: suaktyvina agentą sukurti bilietą.
„langchain.Chatbot().ask(input_text)“: užduoda pokalbių robotui klausimą ir pateikia atsakymą.
„langchain.Chatbot().tell(input_text)“: praneša pokalbių robotui teiginį ir grąžina atsakymą.
„langchain.Chatbot().listen()“: klausosi vartotojo įvesties ir grąžina atsakymą.
„langchain.Chatbot().stop()“: sustabdo pokalbių robotą ir išleidžia išteklius.

Vizualizacija

Štai paprastas architektūros vizualizavimas naudojant Chart.js:

{
  "type": "pieChart",
  "duomenys": {
    "etiketės": ["Vartotojo įvestis", "NLP", "Agento pasirinkimas", "Agento sąveika", "Išvestis"],
    "duomenų rinkiniai": [
      {
        "etiketė": "Architektūra",
        "duomenys": [10, 20, 30, 40, 50],
        "backgroundColor": [
          "#FF6384",
          "#36A2EB",
          "#FFCE56",
          "#4BC0C0",
          "#FF99CC"
        ]
      }
    ]
  },
  "parinktys": {
    "pavadinimas": {
      "display": tiesa,
      "text": "AI maitinama DevOps automatizavimo architektūra"
    },
    "legenda": {
      ekranas: tiesa
    }
  }
}

Ši vizualizacija rodo skirtingus architektūros komponentus, įskaitant vartotojo įvestį, NLP, agento pasirinkimą, agento sąveiką ir išvestį.

Išvada

Šiame straipsnyje mes ištyrėme techninį AI agentų diegimą DevOps automatizavimo srityje, daugiausia dėmesio skirdami Kiro AI valdomų agentų integravimui su LangChain, kad būtų pagerintos automatizavimo ir orkestravimo galimybės. Pademonstravome paprastą kodo bloką, kuris demonstruoja „Kiro AI“ valdomų agentų integravimą su „LangChain“, ir pateikėme dažniausiai naudojamų „Kiro AI“ pagrįstų agentų ir „LangChain“ komandų ir fragmentų sąrašą. Taip pat įtraukėme architektūros vizualizaciją naudodami Chart.js. Naudodamos AI veikiančius agentus ir pokalbių sąsajas, „DevOps“ komandos gali automatizuoti užduotis, pagerinti efektyvumą ir sumažinti klaidų skaičių, todėl „DevOps“ automatizavimas tampa veiksmingesnis ir efektyvesnis.

Sukurkite „LangChain“ pokalbių robotą

¿Tienes preguntas?