Lataa AWS DevOps Agent -määritykset

Tapahtumien tutkinnan automatisointi tekoälyllä toimivilla agenteilla ja DevOps-työkaluilla

Esittely

Nykypäivän pilvipohjaisissa ympäristöissä tapausten tutkiminen ja ratkaiseminen ovat tärkeitä DevOps-käytäntöjen osia. Tapahtumien manuaalinen tutkiminen voi kuitenkin olla aikaa vievää, virhealtista ja vaatii usein laajaa asiantuntemusta. Vastataksemme näihin haasteisiin tutkimme Kiro AI -pohjaisten agenttien integrointia AWS DevOps Agentin ja DSPyn kanssa automatisoitua tapausten tutkintaa ja ratkaisemista varten.

Osien ymmärtäminen

Ennen kuin sukeltaa integraatioon, ymmärrämme siihen liittyvät komponentit:

Kiro AI-Powered Agents: Kiro on tekoälyyn perustuva alusta, joka mahdollistaa mukautettujen agenttien luomisen tehtävien ja työnkulkujen automatisoimiseksi. Näitä agentteja voidaan kouluttaa käyttämään erilaisia tietolähteitä, kuten lokeja, mittareita ja määritystiedostoja.
AWS DevOps Agent: AWS DevOps Agent on työkalu, joka mahdollistaa tehtävien ja työnkulkujen automatisoinnin AWS:ssä. Se tarjoaa joustavan ja skaalautuvan tavan automatisoida tehtäviä, kuten sovellusten käyttöönottoa, suorituskyvyn seurantaa ja vianmääritystä.
DSPy: DSPy on Python-kirjasto, joka tarjoaa yksinkertaisen ja tehokkaan tavan olla vuorovaikutuksessa DSPy:n, pilvipohjaisen tietoalustan, kanssa. DSPy mahdollistaa mukautettujen tietoputkien luomisen, tietojenkäsittelyn ja tietojen visualisoinnin.

Integroinnin yleiskatsaus

Kiro AI -käyttöisten agenttien integrointi AWS DevOps Agentin ja DSPy:n kanssa sisältää seuraavat vaiheet:

Tiedonkeruu: AWS DevOps Agent kerää tietoja eri lähteistä, kuten lokeista, mittareista ja määritystiedostoista.
Tietojen käsittely: Kerätyt tiedot käsitellään DSPy:n avulla, joka mahdollistaa mukautettujen tietoputkien luomisen, tietojenkäsittelyn ja tietojen visualisoinnin.
Agentin koulutus: Käsiteltyä dataa käytetään Kiron tekoälyllä toimivan agentin kouluttamiseen, mikä antaa agentille mahdollisuuden oppia datassa olevia malleja ja poikkeavuuksia.
Tapahtuman tutkinta: Tapahtuman sattuessa Kiron tekoälyllä toimiva agentti laukaistaan tutkimaan tapauksen koulutettujen mallien ja tietojen avulla.
Resoluutio: Agentti antaa suosituksia tapausten ratkaisemiseksi, jotka voidaan suorittaa AWS DevOps Agentin avulla.

Koodiesimerkki

Tässä on yksinkertainen koodiesimerkki, joka osoittaa Kiro AI -pohjaisten agenttien integroinnin AWS DevOps Agentin ja DSPyn kanssa:

tuonti os
tuo json
Kiros tuontiagentilta
dspy import DSPy:stä


aws_config = json.load(open('aws_config.json'))

# Luo Kiro AI -käyttöinen agentti
agentti = Agent(
    name='incident_investigation',
    description='Automaattinen tapauksen tutkinta ja ratkaisu',
    model='incident_investigation_model'
)

# Luo DSPy-esiintymä
dspy = DSPy(
    host='localhost',
    portti=8080,
    username='admin',
    salasana='salasana'
)

# Määritä dataputki DSPy:n avulla
pipeline = dspy.pipeline(
    name='incident_investigation_pipeline',
    description='Automaattinen tapausten tutkintaputki',
    sources=['lokit', 'metrics', 'kokoonpano']
)

# Kouluta Kiro AI -käyttöinen agentti käyttämällä dataputkia
agent.train(
    putki = putki,
    data=dspy.data(
        name='incident_investigation_data',
        description='Automaattiset tapahtumatutkintatiedot'
    )
)

# Käynnistä Kiron tekoälyllä toimiva agentti tutkimaan tapausta
tapaus = {
    'id': 'INC-12345',
    'description': 'Sovelluskatkos'
}
agent.trigger(
    tapaus = tapaus,
    data=dspy.data(
        name='incident_investigation_data',
        description='Automaattiset tapahtumatutkinnan tiedot'
    )
)

# Hanki agentin suosituksia tapauksen ratkaisemiseksi
suositukset = agent.recommendations(
    tapaus = tapaus,
    data=dspy.data(
        name='incident_investigation_data',
        description='Automaattiset tapahtumatutkinnan tiedot'
    )
)

# Suorita agentin suositukset AWS DevOps Agentin avulla
aws_config['recommendations'] = suositukset
aws_config['incident_id'] = tapahtuma['id']
aws_config['description'] = tapahtuma['kuvaus']

5–10 eniten käytettyä komentoa/katkelmaa

Tässä on tämän tekniikan 5–10 eniten käytettyä komentoa/katkelmaa:

Kiron tekoälyllä toimivan agentin luominen:

agentti = Agent( name='incident_investigation', description='Automaattinen tapauksen tutkinta ja ratkaisu', model='incident_investigation_model' )

2. **DSPy-esiintymän luominen**:
    ``` python
dspy = DSPy(
    host='localhost',
    portti=8080,
    username='admin',
    salasana='salasana'
)

Data Pipeline -määritelmä:

pipeline = dspy.pipeline( name='incident_investigation_pipeline', description='Automaattinen tapausten tutkintaputki', sources=['lokit', 'metrics', 'kokoonpano'] )

4. **Kiro AI-Powered Agent Training**:
    ``` python
agent.train(
    putki = putki,
    data=dspy.data(
        name='incident_investigation_data',
        description='Automaattiset tapahtumatutkinnan tiedot'
    )
)

Kiron tekoälyllä toimiva agentin laukaisu:

agent.trigger( tapaus = tapaus, data=dspy.data( name='incident_investigation_data', description='Automaattiset tapahtumatutkinnan tiedot' ) )

6. **Agentin suositusten haku**:
    ``` python
suositukset = agent.recommendations(
    tapaus = tapaus,
    data=dspy.data(
        name='incident_investigation_data',
        description='Automaattiset tapahtumatutkinnan tiedot'
    )
)

AWS DevOps Agentin määritysten lataus:

aws_config = json.load(open('aws_config.json'))

8. **AWS DevOps -agenttisuosituksen toteutus**:
    ``` python
aws_config['recommendations'] = suositukset
aws_config['incident_id'] = tapahtuma['id']
aws_config['description'] = tapahtuma['kuvaus']

DSPy-tietojen haku:

data = dspy.data( name='incident_investigation_data', description='Automaattiset tapahtumatutkinnan tiedot' )

10. **Kiron tekoälyllä toimiva agenttimallin lataus**:
    ``` python
model = agent.model(
    name='incident_investigation_model',
    description='Automaattinen tapaturman tutkintamalli'
)

Visualisointi

Tässä on visualisointi integraatiosta Chart.js:n avulla:

{
  "tyyppi": "palkki",
  "data": {
    "tunnisteet": ["Tiedonkeruu", "Tietojen käsittely", "Agentin koulutus", "Incident Investigation", "Resolution"],
    "tietojoukot": [
      {
        "label": "Aika (sekuntia)",
        "data": [10, 20, 30, 40, 50],
        "taustaväri": [
          "rgba(255; 99; 132; 0,2)",
          "rgba(54; 162; 235; 0,2)",
          "rgba(255; 206; 86; 0,2)",
          "rgba(75; 192; 192; 0,2)",
          "rgba(153; 102; 255; 0,2)"
        ],
        "borderColor": [
          "rgba(255; 99; 132; 1)",
          "rgba(54; 162; 235; 1)",
          "rgba(255; 206; 86; 1)",
          "rgba(75; 192; 192; 1)",
          "rgba(153; 102; 255; 1)"
        ],
        "borderWidth": 1
      }
    ]
  },
  "vaihtoehdot": {
    "vaa'at": {
      "yAxes": [
        {
          "ticks": {
            "beginAtZero": totta
          }
        }
      ]
    }
  }
}

Tämä visualisointi näyttää ajan, joka kuluu jokaiseen integrointiprosessin vaiheeseen.

Johtopäätös

Tässä artikkelissa tutkimme Kiro AI -pohjaisten agenttien integrointia AWS DevOps Agentin ja DSPyn kanssa automatisoitua tapausten tutkimista ja ratkaisemista varten pilvipohjaisissa ympäristöissä. Annoimme yksityiskohtaisen yleiskatsauksen mukana olevista komponenteista, integrointiprosessista ja yksinkertaisen koodiesimerkin, joka osoittaa integroinnin. Lisäsimme myös visualisoinnin integroinnista Chart.js:n avulla ja luettelon tämän tekniikan 5–10 eniten käytetystä komennosta/katkelmasta.

Lataa AWS DevOps Agent -määritykset

Have Questions?