Köp agentli AI arhitekturasy we LangChain bilen öz-özüni bejermek programma üpjünçilik ulgamlaryny gurmak

Giriş

Häzirki wagtda çalt depginde işleýän programma üpjünçiligini ösdürmek şertlerinde, öz-özüni bejerýän programma üpjünçilik ulgamlaryny gurmak, çylşyrymly programma üpjünçilik ulgamlarynyň ygtybarlylygyny, göwrümliligini we çydamlylygyny üpjün etmek üçin möhüm talap boldy. Adaty monolit arhitekturasy häzirki zaman programma üpjünçiligini ösdürmegiň talaplaryny kanagatlandyrmak üçin ýeterlik däl, bu ýerde ulgamlar üýtgeýän talaplara uýgunlaşyp, garaşylmadyk şowsuzlyklary çözüp we ýalňyşlyklardan tiz gutulmalydyr. Bu ýerde köp agentli AI arhitekturasy we LangChain oýnaýar, üýtgeýän şertleri öwrenip, uýgunlaşdyryp we jogap berip bilýän öz-özüni bejermek programma üpjünçilik ulgamlaryny gurmak üçin güýçli çözgüt hödürleýär.

Köp agentli AI arhitekturasy näme?

Köp agentli AI arhitekturasy paýlaşylan AI ulgamynyň bir görnüşidir, umumy maksada ýetmek üçin biri-biri we daşky gurşawy bilen täsirleşýän köp sanly özbaşdak agentlerden durýar. Her bir agentiň karar bermek mümkinçilikleri, bilimleri we çeşmeleri bar we olar biri-biri bilen maglumat paýlaşyp, hereketleri utgaşdyryp we üýtgeýän şertlere uýgunlaşyp bilerler.

Programma üpjünçiliginiň ulgamynda, köp agentli AI arhitekturasy hakyky wagtda ýalňyşlyklary, şowsuzlyklary we beýleki anomaliýalary ýüze çykaryp we olara jogap berip bilýän öz-özüni bejermek ulgamlaryny gurmak üçin ulanylyp bilner. Karar bermek işini birnäçe agentde paýlamak bilen, bu ulgamlar tejribeden öwrenip, üýtgeýän şertlere uýgunlaşyp we ýalňyşlyklardan tiz gutulyp bilerler.

LangChain näme?

LangChain, köp agentli AI ulgamlaryny gurmak üçin açyk çeşme Python kitaphanasydyr. Üýtgeýän şertleri öwrenip, uýgunlaşdyryp we jogap berip bilýän çylşyrymly AI ulgamlaryny gurmak üçin ýönekeý, çeýe we ulaldylan çarçuwany üpjün edýär. LangChain, TensorFlow, PyTorch we Keras ýaly köp sanly AI çarçuwasy bilen işlemek üçin niýetlenendir we maglumatlar bazalary, API-ler we IoT enjamlary ýaly dürli maglumatlar çeşmeleri bilen birleşýän ulgamlary gurmak üçin ulanylyp bilner.

LangChain bilen öz-özüni bejermek programma üpjünçilik ulgamlaryny gurmak

LangChain bilen öz-özüni bejerýän programma üpjünçiligi ulgamyny gurmak üçin, real wagtdaky ýalňyşlyklary, şowsuzlyklary we beýleki anomaliýalary ýüze çykaryp we jogap berip bilýän köp agentli AI arhitekturasyny dizaýn etmeli. Ine, arhitektura barada ýokary derejeli syn:

1. ** Agent dizaýny **: Bir maksada ýetmek üçin biri-birine we daşky gurşawyna täsir edip bilýän özbaşdak agentleriň toplumyny dizaýn etmeli. Her bir agentiň karar bermek mümkinçilikleri, bilimleri we çeşmeleri bolmaly.
2. ** Bilim grafigi **: Agentleriň, daşky gurşawyň we ulgamyň maksatlarynyň arasyndaky gatnaşyklary görkezýän bilim grafigini döretmeli. Bu grafik ulgamyň ýagdaýy barada pikirlenmek we karar bermek üçin ulanylyp bilner.
3. ** Karar bermek **: Agentlere ulgamyň ýagdaýy barada pikirlenmäge we bilim grafigi esasynda karar bermäge mümkinçilik berýän karar bermek işini amala aşyrmalydyrys.
4. ** Hereket ýerine ýetiriş **: Agentlere kararlaryny ýerine ýetirmäge we daşky gurşaw bilen täsirleşmäge mümkinçilik berýän hereket ýerine ýetiriş amalyny durmuşa geçirmeli.

“LangChain” bilen gurlan öz-özüni bejermek programma üpjünçiliginiň ýönekeý mysaly: `` piton langchain import ediň langchain.agents import agentinden langchain.llms-dan LLM import edýär

grafika = { 'agentler': ['agent1', 'agent2', 'agent3'], 'daşky gurşaw': ['maglumat bazasy', 'API', 'IoT enjamy'], 'maksatlar': ['ýalňyşlyklary ýüze çykarmak', 'şowsuzlyklara jogap bermek', 'ýalňyşlyklardan gutulmak'] }

Karar bermek işini kesgitläň

def karar bermek (agent, bilim_graf): # Ulgamyň ýagdaýy barada sebäp ýagdaý = bilim_graf ['agentler'] [agent] # Döwlete esaslanyp karar beriň karar = 'şowsuzlyga jogap bermek' yzyna gaýtarmak karary

Hereketiň ýerine ýetirilişini kesgitläň

def action_execution (agent, karar): # Karary ýerine ýetiriň karar == 'şowsuzlyga jogap': # Şowsuzlyga jogap beriň çap et ('Şowsuzlyga jogap ...') gaýdyp gel

LangChain agentini dörediň

agent = Agent ( ady = 'özüni bejermek-agent', karar bermek = karar bermek, karar bermek, hereket_ ýerine ýetiriş = hereket_ ýerine ýetiriş, bilim_graf = grafika )

LangChain LLM dörediň

llm = LLM ( ady = 'öz-özüni bejermek-llm', model = 'davinci' )

LangChain ulgamyny dörediň

ulgam = langchain.System ( agent = agent, llm = llm )

Ulgamy işlediň

system.run () `` Bu mysal, ýalňyşlary ýüze çykaryp, şowsuzlyklara jogap berip we ýalňyşlyklardan çalt dikeldip bilýän ýönekeý öz-özüni bejermek programma üpjünçiligini görkezýär. Ulgam, umumy bir maksada ýetmek üçin biri-biri we daşky gurşaw bilen täsirleşýän özbaşdak agentleriň toplumyndan durýar. Agentler ulgamyň ýagdaýy barada pikirlenmek we grafika esaslanyp karar bermek üçin bilim grafigini ulanýarlar.

Iň köp ulanylýan buýruklar / bölekler

LangChain üçin iň köp ulanylýan 5-10 buýruk / bölek:

1. "Langchain.Agent ()": Täze LangChain agentini döredýär.
2. "Langchain.LLM ()": Täze LangChain LLM döredýär.
3. "Langchain.System ()": Täze LangChain ulgamyny döredýär.
4. "Agent.decision_making ()": Agent üçin karar bermek işini alyp barýar.
5. "Agent.action_execution ()": Agent üçin amal ýerine ýetiriş işini ýerine ýetirýär.
6. "Llm.predict ()": LLM ulanyp çaklama edýär.
7. "System.run ()": LangChain ulgamyny işledýär.
8. "Graf.add_node ()": Bilim grafigine täze düwün goşýar.
9. "Graf.add_edge ()": Bilim grafigine täze bir gyra goşýar.
10. "Graf.remove_node ()": Bilim grafiginden düwün aýyrýar.

Wizuallaşdyrma

Ine, Chart.js ulanyp, bilim grafigini ýönekeý şekillendirmek: json { "tip": "graf", "maglumatlar": { "düwünler": [ {"id": "agent1", "bellik": "Agent 1"}, {"id": "agent2", "bellik": "Agent 2"}, {"id": "agent3", "bellik": "Agent 3"}, {"id": "maglumat bazasy", "bellik": "Maglumat bazasy"}, {"id": "API", "bellik": "API"}, {"id": "IoT enjam", "bellik": "IoT Enjam"} ], "gyralar": [ source "çeşme": "agent1", "maksat": "maglumat bazasy"}, source "çeşme": "agent2", "maksat": "API"}, source "çeşme": "agent3", "maksat": "IoT enjam"}, source "çeşme": "agent1", "maksat": "agent2"}, source "çeşme": "agent2", "maksat": "agent3"} ] }, "opsiýalar": { "tertip": { "görnüş": "tegelek" }, "düwünler": { "ululygy": 50 }, "gyralar": { "ini": 2 } } } Bu wizuallaşdyrmak, agentleriň, daşky gurşawyň we ulgamyň maksatlarynyň arasyndaky gatnaşyklary görkezýär.

Netije

Köp agentli AI arhitekturasy we LangChain bilen öz-özüni bejermek programma üpjünçilik ulgamlaryny gurmak, çylşyrymly programma üpjünçilik ulgamlarynyň ygtybarlylygyny, göwrümliligini we çydamlylygyny üpjün etmek üçin güýçli çözgüt hödürleýär. Karar bermek işini birnäçe agentde paýlamak bilen, bu ulgamlar tejribeden öwrenip, üýtgeýän şertlere uýgunlaşyp we ýalňyşlyklardan tiz gutulyp bilerler. “LangChain” bilen döredijiler maglumatlar bazalary, API-ler we IoT enjamlary ýaly köp sanly maglumat çeşmesi bilen birleşýän çylşyrymly AI ulgamlaryny gurup bilerler. Mysal koduna eýerip we iň köp ulanylýan 5-10 buýruk / parçany ulanyp, döredijiler LangChain bilen öz-özüni bejermek programma üpjünçilik ulgamlaryny gurup bilerler.