මෘදුකාංග සංවර්ධන කාර්ය ප්‍රවාහයන් වෙත නියෝජිත AI ඒකාබද්ධ කිරීම: ප්‍රායෝගික මාර්ගෝපදේශයකි

මෘදුකාංග සංවර්ධන කාර්ය ප්‍රවාහයට නියෝජිත AI ඒකාබද්ධ කිරීම: ප්‍රායෝගික මාර්ගෝපදේශයක්

හැඳින්වීම

කෘත්‍රිම බුද්ධිය (AI) සහ Machine Learning (ML) තාක්‍ෂණයන් වැඩි වැඩියෙන් භාවිතා කිරීමත් සමඟ මෘදුකාංග සංවර්ධන භූ දර්ශනය වේගයෙන් වර්ධනය වෙමින් පවතී. AI පර්යේෂණයේ වඩාත් ආකර්ෂණීය ක්ෂේත්‍රවලින් එකක් වන්නේ සංකීර්ණ අරමුණු සාක්ෂාත් කර ගැනීම සඳහා මිනිසුන් සහ අනෙකුත් නියෝජිතයන් සමඟ අන්තර් ක්‍රියා කළ හැකි බුද්ධිමත් නියෝජිතයන් නිර්මාණය කිරීම කෙරෙහි අවධානය යොමු කරන Agentic AI ය. මෙම ලිපියෙන්, අපි මෘදුකාංග ගෘහ නිර්මාණ ශිල්පීන්ට සහ ව්‍යාපෘති කළමණාකරුවන්ට සහයෝගීතාවය වැඩි දියුණු කිරීමට, ක්‍රියාවලීන් ස්වයංක්‍රීය කිරීමට සහ නවීන සංවර්ධන පරිසරයන් තුළ මෘදුකාංග බෙදා හැරීම වැඩිදියුණු කිරීමට LangChain සහ DSPy වැනි නියෝජිත AI මෙවලම් භාවිතා කළ හැකි ආකාරය ගවේෂණය කරන්නෙමු.

Agentic AI යනු කුමක්ද?

Agentic AI යනු මිනිසුන් හෝ වෙනත් නියෝජිතයන් වෙනුවෙන් නිශ්චිත ඉලක්ක සපුරා ගැනීම සඳහා ක්‍රියා කිරීමට නිර්මාණය කර ඇති AI වර්ගයකි. මෙම නියෝජිතයින්ට තොරතුරු රැස් කිරීමට, තීරණ ගැනීමට සහ ක්‍රියාමාර්ග ගැනීමට මිනිසුන්, වෙනත් නියෝජිතයන් සහ පරිසරය සමඟ අන්තර් ක්‍රියා කළ හැකිය. Agentic AI සම්ප්‍රදායික AI වලට වඩා වෙනස් වන්නේ එය සරලව ප්‍රතික්‍රියාශීලී වීමට වඩා ක්‍රියාශීලී සහ ස්වයංක්‍රීය වීමට සැලසුම් කර ඇති බැවිනි.

මෘදුකාංග සංවර්ධනයේදී නියෝජිත AI හි ප්‍රතිලාභ

ඉතින්, මෘදුකාංග ගෘහ නිර්මාණ ශිල්පීන් සහ ව්‍යාපෘති කළමනාකරුවන් නියෝජිත AI ගැන සැලකිලිමත් විය යුත්තේ ඇයි? මෘදුකාංග සංවර්ධන කාර්ය ප්‍රවාහයන් වෙත නියෝජිත AI ඒකාබද්ධ කිරීමේ ප්‍රතිලාභ කිහිපයක් මෙන්න:

• වැඩිදියුණු කරන ලද සහයෝගීතාව: කාර්යයන් ස්වයංක්‍රීය කිරීම, තත්‍ය කාලීන ප්‍රතිපෝෂණ සැපයීම සහ සන්නිවේදනය පහසු කිරීම මගින් කණ්ඩායම්වලට වඩාත් ඵලදායී ලෙස සහයෝගයෙන් කටයුතු කිරීමට නියෝජිත AI හට උපකාර කළ හැක.
• ස්වයංක්‍රීය ක්‍රියාවලි: නියෝජිත AI හට පුනරාවර්තන සහ කාලය ගතවන කාර්යයන් ස්වයංක්‍රීය කළ හැකි අතර, ඉහළ මට්ටමේ කාර්යයන් කෙරෙහි අවධානය යොමු කිරීමට සංවර්ධකයින් නිදහස් කරයි.
• වැඩිදියුණු කළ තීරණ ගැනීම: නියෝජිත AI හට වඩා හොඳ තීරණ ගැනීමට කණ්ඩායම්වලට උපකාර කිරීම සඳහා දත්ත මත පදනම් වූ අවබෝධය සහ නිර්දේශ ලබා දිය හැක.
• කාර්යක්ෂමතාව වැඩි වීම: බාධක හඳුනා ගැනීම, කාර්ය ප්‍රවාහයන් ප්‍රශස්ත කිරීම සහ ක්‍රියාවලි විධිමත් කිරීම මගින් කණ්ඩායම්වලට වඩාත් කාර්යක්ෂමව වැඩ කිරීමට නියෝජිත AI හට උපකාර කළ හැක.

LangChain: ජනප්‍රිය නියෝජිත AI රාමුවක්

LangChain යනු මිනිසුන් සහ අනෙකුත් නියෝජිතයන් සමඟ අන්තර් ක්‍රියා කළ හැකි බුද්ධිමත් නියෝජිතයන් ගොඩනැගීමට සංවර්ධකයින්ට ඉඩ සලසන ජනප්‍රිය නියෝජිත AI රාමුවකි. LangChain රස්ට් ක්‍රමලේඛන භාෂාව මත ගොඩනගා ඇති අතර නියෝජිත AI යෙදුම් තැනීම සඳහා සරල සහ අවබෝධාත්මක API සපයයි.

LangChain සමඟ ආරම්භ කිරීම

LangChain සමඟ ආරම්භ කිරීමට, ඔබට LangChain පුස්තකාලය ස්ථාපනය කර රස්ට් සංවර්ධන පරිසරයක් සැකසීමට අවශ්‍ය වනු ඇත. LangChain නියෝජිතයෙකු නිර්මාණය කරන්නේ කෙසේද යන්න පිළිබඳ සරල උදාහරණයක් මෙන්න: '''' මලකඩ langchain භාවිතා කරන්න::{Agent, Chain};

fn ප්රධාන() { ඉඩ දෙන්න agent = නියෝජිත ::new("My Agent"); let chain = Chain:: new(agent);

chain.execute("හෙලෝ, ලෝකය!");

}

මෙම කේතය නව LangChain නියෝජිතයෙකු නිර්මාණය කරන අතර "Hello, world!" මුද්‍රණය කිරීමට සරල විධානයක් ක්‍රියාත්මක කරයි. කොන්සෝලය වෙත.

**DSPy: පයිතන් මත පදනම් වූ නියෝජිත AI රාමුවක්**

DSPy යනු පයිතන් මත පදනම් වූ නියෝජිත AI රාමුවක් වන අතර එය බුද්ධිමත් නියෝජිතයන් ගොඩනැගීම සඳහා සරල සහ අවබෝධාත්මක API සපයයි. DSPy නිර්මාණය කර ඇත්තේ NumPy සහ Pandas වැනි ජනප්‍රිය Python පුස්තකාල සමඟ බාධාවකින් තොරව වැඩ කිරීමටය.

** DSPy සමඟ ආරම්භ කිරීම**

DSPy සමඟ ආරම්භ කිරීමට, ඔබට DSPy පුස්තකාලය ස්ථාපනය කර Python සංවර්ධන පරිසරයක් සැකසීමට අවශ්‍ය වනු ඇත. DSPy නියෝජිතයෙකු නිර්මාණය කරන්නේ කෙසේද යන්න පිළිබඳ සරල උදාහරණයක් මෙන්න:
``` පිඹුරා
dsp ලෙස dspy ආනයනය කරන්න

ප්රධාන ():
    නියෝජිතයා = dsp.Agent("මගේ නියෝජිතයා")
    agent.execute("ආයුබෝවන්, ලෝකය!")

__නම__ == "__main__" නම්:
    ප්රධාන ()

මෙම කේතය නව DSPy නියෝජිතයෙකු නිර්මාණය කරන අතර "Hello, world!" මුද්‍රණය කිරීමට සරල විධානයක් ක්‍රියාත්මක කරයි. කොන්සෝලය වෙත.

ඉහළම 5-10 වැඩිපුරම භාවිතා කරන ලද විධාන/Snippets

LangChain සහ DSPy සඳහා බහුලව භාවිතා වන විධාන සහ කොටස් කිහිපයක් මෙන්න:

LangChain

• නියෝජිත ::new("My Agent"): නව LangChain නියෝජිතයෙකු සාදයි.
• දාමය::නව(නියෝජක): නව LangChain දාමයක් සාදයි.
• chain.execute("Hello, world!"): LangChain දාමයේ විධානයක් ක්‍රියාත්මක කරයි.
• agent.ask("ඔබේ නම කුමක්ද?"): LangChain නියෝජිතයාගෙන් ප්‍රශ්නයක් අසයි.
• agent.tell("මගේ නම ජෝන්."): LangChain නියෝජිතයාට තොරතුරු කෑල්ලක් කියයි.

DSPy

• dsp.Agent("My Agent"): නව DSPy නියෝජිතයෙකු සාදයි.
• agent.execute("Hello, world!"): DSPy නියෝජිතයා මත විධානයක් ක්‍රියාත්මක කරයි.
• agent.ask("ඔබේ නම කුමක්ද?"): DSPy නියෝජිතයාගෙන් ප්‍රශ්නයක් අසයි.
• agent.tell("මගේ නම ජෝන්."): DSPy නියෝජිතයාට තොරතුරු කෑල්ලක් කියයි.
• agent.memory["key"] = "value": DSPy නියෝජිතයාගේ මතකයේ අගයක් සකසයි.

දෘෂ්‍යකරණය

Chart.js භාවිතා කරන LangChain සහ DSPy නියෝජිතයින්ගේ සරල දෘශ්‍යකරණයක් මෙන්න: '''' ජේසන් { "වර්ගය": "බාර්", "දත්ත": { "ලේබල්": ["LangChain", "DSPy"], "දත්ත කට්ටල": [ { "label": "නියෝජිත ක්‍රියාත්මක කිරීමේ කාලය", "දත්ත": [10, 20], "backgroundColor": ["#4CAF50", "#FF9800"] } ] }, "විකල්ප": { "මාතෘකාව": { "දර්ශණය": ඇත්ත, "පෙළ": "නියෝජිත ක්‍රියාත්මක කිරීමේ කාල සංසන්දනය" }, "පරිමාණ": { "yAxes": [ { "කිනිතුල්ලන්": { "beginAtZero": ඇත්ත } } ] } } }

මෙම ප්‍රස්ථාරය LangChain සහ DSPy නියෝජිතයින්ගේ ක්‍රියාත්මක කිරීමේ කාලය සංසන්දනය කරයි.

**නිගමනය**

මෙම ලිපියෙන්, මෘදුකාංග ගෘහ නිර්මාණ ශිල්පීන්ට සහ ව්‍යාපෘති කළමනාකරුවන්ට සහයෝගීතාව වැඩි දියුණු කිරීමට, ක්‍රියාවලීන් ස්වයංක්‍රීය කිරීමට සහ නවීන සංවර්ධන පරිසරයන් තුළ මෘදුකාංග බෙදා හැරීම වැඩි දියුණු කිරීමට LangChain සහ DSPy වැනි නියෝජිත AI මෙවලම් භාවිතා කළ හැකි ආකාරය අපි ගවේෂණය කළෙමු. අපි සරල උදාහරණ සහ බහුලව භාවිතා වන විධාන සහ කොටස් ඇතුළුව LangChain සහ DSPy සමඟ ආරම්භ කිරීම සඳහා ප්‍රායෝගික මාර්ගෝපදේශයක් ද ලබා දුන්නෙමු. මෘදුකාංග සංවර්ධන කාර්ය ප්‍රවාහයන් වෙත නියෝජිත AI අනුකලනය කිරීමෙන්, කණ්ඩායම්වලට කාර්යක්ෂමතාව, ඵලදායිතාව සහ තීරණ ගැනීම වැඩිදියුණු කළ හැකි අතර, අවසානයේදී වඩා හොඳ මෘදුකාංග බෙදා හැරීමේ ප්‍රතිඵලවලට මග පාදයි.