መግቢያ

የዴቭኦፕስ መስክ ከቅርብ ዓመታት ወዲህ ጉልህ ለውጦችን አድርጓል፣ የአርቴፊሻል ኢንተለጀንስ (AI) እና የማሽን መማሪያ (ኤምኤል) ውህደት ከጊዜ ወደ ጊዜ ጎልቶ እየታየ ነው። AI ከፍተኛ ተጽዕኖ ከሚያሳድርባቸው ቁልፍ ቦታዎች አንዱ በአውቶሜሽን መስክ ውስጥ ነው። የ AI ወኪሎችን በመጠቀም ድርጅቶች የሶፍትዌር ልማት የስራ ፍሰታቸውን ማመቻቸት፣የእጅ ስህተቶችን መቀነስ እና አጠቃላይ ቅልጥፍናን ማሻሻል ይችላሉ።

በዚህ ጽሑፍ ውስጥ በ LangChain እና DSPy ማዕቀፎች ላይ በማተኮር በ AI የሚነዳ DevOps አውቶሜሽን ውስጥ እንገባለን። እነዚህ መሳሪያዎች ንቁ የችግር አፈታት ስርዓቶችን ለመፍጠር እና የሶፍትዌር ልማት የስራ ፍሰቶችን በራስ ሰር ለመስራት እንዴት ጥቅም ላይ እንደሚውሉ እንመረምራለን። በተጨማሪም፣ ትላልቅ የቋንቋ ሞዴሎችን (LLMs)ን ወደ የእርስዎ DevOps ቧንቧ እንዴት እንደሚያዋህዱ የሚያሳይ ተግባራዊ ምሳሌ እናቀርባለን።

LangChain እና DSPy ምንድን ናቸው?

በ AI የሚነዳ የዴቭኦፕስ አውቶሜሽን ዝርዝር ውስጥ ከመግባታችን በፊት፣ የ LangChain እና DSPy ማዕቀፎችን በአጭሩ እንመልከት።

LangChain

LangChain ትልቅ የቋንቋ ሞዴሎችን (LLMs) በመጠቀም ገንቢዎች የውይይት AI መተግበሪያዎችን እንዲገነቡ የሚያስችል ክፍት ምንጭ ማዕቀፍ ነው። ከኤል.ኤል.ኤም.ዎች ጋር ለመግባባት ቀላል እና ሊታወቅ የሚችል ኤፒአይ ያቀርባል፣ ይህም ገንቢዎች ለመተግበሪያዎቻቸው ብጁ የውይይት በይነገጾች እንዲፈጥሩ ያስችላቸዋል።

LangChain እንደ LLAMA፣ BERT እና RoBERTa ያሉ ታዋቂ ሞዴሎችን ጨምሮ ብዙ አይነት LLMዎችን ይደግፋል። እንዲሁም LLMsን ለተወሰኑ የአጠቃቀም ጉዳዮች ለማስማማት ለማስተካከል እና ለማበጀት የተለያዩ መሳሪያዎችን ያቀርባል።

DSPy

DSPy AI ሞዴሎችን ወደ የእርስዎ DevOps ቧንቧ ለማዋሃድ ቀላል እና ቀልጣፋ መንገድ የሚያቀርብ የፓይዘን ቤተ-መጽሐፍት ነው። LangChain ን ጨምሮ ሰፋ ያለ የ AI ማዕቀፎችን ይደግፋል እና በ AI የሚነዱ የስራ ፍሰቶችን በራስ-ሰር ለመስራት የተለያዩ መሳሪያዎችን ያቀርባል።

DSPy እንደ ጄንኪንስ፣ ጂትላብ እና ዶከር ካሉ ታዋቂ የ DevOps መሳሪያዎች ጋር ያለምንም እንከን እንዲሰራ የተቀየሰ ነው፣ይህም AIን ከነባር የDevOps መሠረተ ልማት ጋር ለማዋሃድ ለሚፈልጉ ድርጅቶች ተመራጭ ያደርገዋል።

AI ወኪሎች ለDevOps አውቶሜሽን በማደራጀት ላይ

አሁን ስለ LangChain እና DSPy አጭር መግለጫ ስላለን፣ እነዚህ ማዕቀፎች እንዴት ለDevOps አውቶማቲክ የ AI ወኪሎችን ለማቀናጀት ጥቅም ላይ እንደሚውሉ እንመርምር።

የቅድሚያ ጉዳይ ውሳኔ

በ AI የሚነዳ DevOps አውቶሜሽን ካሉት ቁልፍ ጥቅሞች ውስጥ ጉዳዮች ዋና ችግሮች ከመሆናቸው በፊት በንቃት የመፍታት ችሎታ ነው። LangChain እና DSPy ሊሆኑ የሚችሉ ችግሮችን ለመለየት እና የመፍትሄ ሃሳቦችን ለማቅረብ ከኤል.ኤም.ኤስ ጋር የሚገናኙ ብጁ የውይይት በይነገጾች ለመፍጠር ጥቅም ላይ ሊውሉ ይችላሉ።

ይህ እንዴት እንደሚሰራ የሚያሳይ ቀላል ምሳሌ ይኸውና፡

`` ፓይቶን አስመጣ langchain ከ langchain.chat_models LLMA አስመጣ

የ LangChain ውይይት ሞዴል ይፍጠሩ

chat_model = LLMA()

ከቻት ሞዴል ጋር ለመገናኘት ተግባርን ይግለጹ

def መስተጋብር_ከቻት_ሞዴል(አስቸኳይ) ምላሽ = chat_model.run (ፈጣን) ምላሽ መመለስ

ሊሆኑ የሚችሉ ጉዳዮችን ለመለየት ተግባርን ይግለጹ

def መለየት_ጉዳይ( ኮድ) prompt = f"በሚከተለው ኮድ ውስጥ ሊሆኑ የሚችሉ ችግሮችን ለይ፡ {code}" ምላሽ = ከቻት_ሞዴል ጋር መስተጋብር (ፈጣን) ምላሽ መመለስ

የመፍትሄ ሃሳቦችን ለማቅረብ ተግባርን ይግለጹ

def አቅርቧል_ምክሮች(ጉዳዮች) Quick = f" የሚከተሉትን ጉዳዮች ለመፍታት ምክሮችን ይስጡ፡ {ጉዳዮች}" ምላሽ = ከቻት_ሞዴል ጋር መስተጋብር (ፈጣን) ምላሽ መመለስ

የአጠቃቀም ምሳሌ

ኮድ = """ def add(x, y): x + y ተመለስ """ ጉዳዮች = ጉዳዮችን መለየት (ኮድ) ምክሮች = ምክሮችን ያቅርቡ (ጉዳዮች) ማተም (ምክሮች)

በዚህ ምሳሌ፣ ለተሰጠ ጥያቄ ምላሽ ለመስጠት ከላንግቻይን ውይይት ሞዴል ጋር የሚገናኝ `ከቻት_ሞዴል ጋር መስተጋብር'ን እንገልፃለን። ከዚያም በአንዳንድ የናሙና ኮድ ውስጥ ሊሆኑ የሚችሉ ችግሮችን ለመለየት እና የመፍትሄ ሃሳቦችን ለማቅረብ የቻት ሞዴልን የሚጠቀሙ ሁለት ተጨማሪ ተግባራትን 'ችግሮችን_መለየት' እና 'ምክሮችን_አቅርቡ' እንገልፃለን።

### በራስ ሰር የሶፍትዌር ልማት የስራ ፍሰቶች

LangChain እና DSPy የ AI ሞዴሎችን ከነባር የዴቭኦፕስ ቧንቧ መስመርዎ ጋር በማዋሃድ የሶፍትዌር ልማት የስራ ፍሰቶችን በራስ ሰር ለመስራት መጠቀም ይችላሉ።

ይህ እንዴት እንደሚሰራ የሚያሳይ ምሳሌ ይኸውና፡-

`` ፓይቶን
አስመጣ dspy
ከ dspy ማስመጣት የስራ ፍሰት

# የDSPy የስራ ፍሰት ይግለጹ
የስራ ፍሰት = የስራ ፍሰት ()

# የኮድ ትንተና መሳሪያን ለማስኬድ ተግባርን ይግለጹ
def run_code_analysis(ኮድ):
    # ሊሆኑ የሚችሉ ጉዳዮችን ለመለየት የኮድ ትንተና መሳሪያን ያሂዱ
    ጉዳዮች = []
    #...
    ጉዳዮችን መመለስ

# የመፍትሄ ሃሳቦችን ለማቅረብ ተግባርን ይግለጹ
def አቅርቧል_ምክሮች(ጉዳዮች)
    # ምክሮችን ለመስጠት የLangChain ውይይት ሞዴልን ተጠቀም
    Quick = f" የሚከተሉትን ጉዳዮች ለመፍታት ምክሮችን ይስጡ፡ {ጉዳዮች}"
    ምላሽ = langchain.chat_model.run (ፈጣን)
    ምላሽ መመለስ

# ኮዱን ለማሰማራት ተግባር ይግለጹ
def deploy_code( ኮድ):
    # ኮዱን ወደ ምርት አካባቢ ያሰራጩ
    #...

# የስራ ሂደትን ይግለጹ
workflow.add_task (አሂድ_ኮድ_ትንታኔ)
workflow.add_task (ምክሮችን_አቅርቡ)
workflow.add_task(deploy_code)

# የስራ ሂደቱን ያሂዱ
workflow.run()

በዚህ ምሳሌ ውስጥ ሶስት ተግባራትን ያቀፈ ቀላል የ DSPy የስራ ፍሰት እንገልፃለን፡ የኮድ ትንተና መሳሪያን ማስኬድ፣ የመፍትሄ ሃሳቦችን መስጠት እና ኮዱን ማሰማራት። ከዚያም እያንዳንዱን ተግባር በመጨመር እና በማስኬድ የስራ ሂደቱን እንገልጻለን.

ከፍተኛ 5-10 በብዛት ጥቅም ላይ የዋሉ ትዕዛዞች/ቅንጣዎች

ለLangChain እና DSPy በብዛት ጥቅም ላይ የዋሉት አንዳንድ ትዕዛዞች እና ቅንጥቦች እዚህ አሉ፡

LangChain

• langchain.chat_models.LLaMA()፡ የLLama ሞዴልን በመጠቀም የLangChain ውይይት ሞዴል ይፍጠሩ።
• langchain.chat_model.run(prompt)፡ የቻት ሞዴሉን በተሰጠው ጥያቄ ያሂዱ።
• langchain.chat_model.interact_with(አፋጣኝ)፡ የተሰጠ ጥያቄን በመጠቀም ከቻት ሞዴሉ ጋር ይገናኙ።

DSPy

• dspy.Workflow()፡ የDSPy የስራ ፍሰት ይፍጠሩ።
• workflow.add_task(ተግባር)፡ ወደ የስራ ፍሰቱ ተግባር ያክሉ።
• workflow.run()፡ የስራ ሂደቱን አሂድ።

እይታ

Chart.jsን በመጠቀም የስራ ሂደቱ ቀላል እይታ ይኸውና፡

``json { "አይነት": "ባር", "ውሂብ": { "labels": ["የኮድ ትንተና", "ምክሮች", "ማሰማራት"], "መረጃዎች": [ { "label": "የስራ ፍሰት", "ውሂብ": [10, 20, 30], "የጀርባ ቀለም": [ "rgba (255, 99, 132, 0.2)", "rgba (54, 162, 235, 0.2)", "rgba (255, 206, 86, 0.2)" ]፣ "የድንበር ቀለም": "rgba (255, 99, 132, 1)", "rgba(54, 162, 235, 1)", "rgba (255, 206, 86, 1)" ]፣ "የድንበር ስፋት"፡ 1 } ] } "አማራጮች": { "ርዕስ": { "ማሳያ": እውነት, "text": "የስራ ፍሰት" } "ሚዛኖች": { "yAxes": [ { "መዥገሮች": { "beginAtZero"፡ እውነት } } ] } } }

ይህ የእይታ እይታ የስራ ሂደቱን የሚወክል ቀላል የአሞሌ ገበታ ያሳያል፣ በሶስት አሞሌዎች የኮድ ትንተናን፣ ምክሮችን እና የማሰማራት ተግባራትን ይወክላሉ።

## መደምደሚያ

በዚህ ጽሑፍ ውስጥ LangChain እና DSPy ን በመጠቀም በ AI የሚነዳ DevOps አውቶሜሽን ዓለምን መርምረናል። እነዚህ ማዕቀፎች ንቁ የችግር አፈታት ስርዓቶችን ለመፍጠር እና የሶፍትዌር ልማት የስራ ፍሰቶችን በራስ ሰር ለመስራት እንዴት ጥቅም ላይ እንደሚውሉ አይተናል። እንዲሁም ኤልኤምኤዎችን ወደ የእርስዎ DevOps ቧንቧ እንዴት እንደሚያዋህዱ እና Chart.jsን በመጠቀም የስራ ሂደቱን በዓይነ ሕሊናዎ ለመሳል ተግባራዊ ምሳሌዎችን አቅርበናል።

የ AI እና አውቶሜሽን ኃይልን በመጠቀም ድርጅቶች የሶፍትዌር ልማት የስራ ፍሰታቸውን ማመቻቸት፣የእጅ ስህተቶችን መቀነስ እና አጠቃላይ ቅልጥፍናን ማሻሻል ይችላሉ። የዴቭኦፕስ መሐንዲስ፣ የሶፍትዌር ገንቢ ወይም የንግድ መሪ፣ LangChain እና DSPy ግቦችዎን ለማሳካት የሚያግዙዎት ኃይለኛ መሳሪያዎች ናቸው።