لینگ چین اور DSPy کے ساتھ ڈیٹرمینسٹک ٹیسٹ آٹومیشن میں ایجنٹی AI کو نافذ کرنا
تعارف
سافٹ ویئر سسٹمز کی بڑھتی ہوئی پیچیدگی نے ٹیسٹ آٹومیشن کو سافٹ ویئر ڈویلپمنٹ کا ایک اہم پہلو بنا دیا ہے۔ روایتی ٹیسٹ آٹومیشن فریم ورک اسکرپٹ شدہ طریقوں پر انحصار کرتے ہیں، جو ٹوٹنے والے اور برقرار رکھنا مشکل ہو سکتا ہے۔ حالیہ برسوں میں، Agentic AI اور آرکیسٹریشن ٹولز کے ظہور نے پیچیدہ ٹیسٹ کے منظرناموں کو خودکار کرنے کے لیے نئے امکانات کھولے ہیں۔ اس آرٹیکل میں، ہم LangChain اور DSPy کا استعمال کرتے ہوئے پیچیدہ ٹیسٹ کے منظرناموں کو خودکار کرنے کے لیے Agentic AI، Orchestration Tools، اور Software Engineering کے انٹرسیکشن کو تلاش کریں گے۔
Agentic AI کیا ہے؟
Agentic AI سے مراد مصنوعی ذہانت کی ایک قسم ہے جو صارف یا سسٹم کی جانب سے کارروائیاں کرنے کے لیے بنائی گئی ہے۔ Agentic AI نظام فیصلے کرنے، تجربے سے سیکھنے اور نئے حالات کے مطابق ڈھالنے کی صلاحیت رکھتے ہیں۔ ٹیسٹ آٹومیشن کے تناظر میں، Agentic AI کا استعمال صارف کے تعاملات کی تقلید کرتے ہوئے، ٹیسٹ ڈیٹا کی بنیاد پر فیصلے کرنے، اور ٹیسٹ کے حالات کو تبدیل کرنے کے لیے پیچیدہ ٹیسٹ منظرناموں کو خودکار کرنے کے لیے کیا جا سکتا ہے۔
LangChain کیا ہے؟
LangChain ایک اوپن سورس آرکیسٹریشن ٹول ہے جو ڈویلپرز کو مختلف قسم کی پروگرامنگ زبانوں کا استعمال کرتے ہوئے پیچیدہ AI سسٹم بنانے کی اجازت دیتا ہے، بشمول Python، Rust، اور Go۔ LangChain ایک لچکدار اور ماڈیولر فن تعمیر فراہم کرتا ہے جو ڈویلپرز کو مختلف AI اجزاء، جیسے قدرتی زبان کی پروسیسنگ (NLP) اور کمپیوٹر ویژن کو مربوط کرنے کے قابل بناتا ہے، تاکہ جدید ترین AI سسٹمز کی تعمیر کی جا سکے۔
DSPy کیا ہے؟
DSPy ایک Python لائبریری ہے جو AI سسٹم کی تعمیر اور تعیناتی کے لیے ٹولز کا ایک سیٹ فراہم کرتی ہے۔ DSPy کو LangChain کے ساتھ بغیر کسی رکاوٹ کے کام کرنے کے لیے ڈیزائن کیا گیا ہے اور ڈیٹا پروسیسنگ، مشین لرننگ، اور گہری تعلیم سمیت متعدد خصوصیات فراہم کرتا ہے۔
ڈیٹرمینسٹک ٹیسٹ آٹومیشن میں ایجنٹی AI کو نافذ کرنا
ڈیٹرمنسٹک ٹیسٹ آٹومیشن میں Agentic AI کو لاگو کرنے کے لیے، ہم LangChain اور DSPy کو ایک ٹیسٹ آٹومیشن فریم ورک بنانے کے لیے استعمال کر سکتے ہیں جو صارف کے تعاملات کی نقل کرتا ہے، ٹیسٹ ڈیٹا کی بنیاد پر فیصلے کرتا ہے، اور ٹیسٹ کے حالات کو بدلنے کے لیے موافق ہوتا ہے۔
یہاں ایک سادہ سی مثال ہے کہ ہم کس طرح ٹیسٹ کے منظر نامے کو خودکار کرنے کے لیے LangChain اور DSPy کا استعمال کر سکتے ہیں: `` ازگر langchain درآمد کریں langchain.chains سے LLMCchain درآمد کریں۔ langchain.llms سے DSPyLLM درآمد کریں۔
test_scenario = { "user_input": "لاگ ان"، "expected_output": "لاگ ان کامیاب" }
Agentic AI ایجنٹ کی وضاحت کریں۔
ایجنٹ = ایل ایل ایم چین ( llm=DSPyLLM()، input_type="text"، output_type="text" )
ٹیسٹ آٹومیشن فنکشن کی وضاحت کریں۔
def test_automation(test_senario): # صارف کے تعامل کی تقلید کریں۔ user_input = test_senario["user_input"] # ٹیسٹ ڈیٹا کی بنیاد پر فیصلہ کریں۔ فیصلہ = agent.run(user_input) # بدلتے ہوئے ٹیسٹ کے حالات کے مطابق ڈھالیں۔ اگر فیصلہ == "لاگ ان کامیاب": پرنٹ ("ٹیسٹ پاس") دوسری: پرنٹ ("ٹیسٹ ناکام")
ٹیسٹ آٹومیشن فنکشن چلائیں۔
ٹیسٹ_آٹومیشن(ٹیسٹ_منظر) `` اس مثال میں، ہم ایک آزمائشی منظر نامے کی وضاحت کرتے ہیں جس میں صارف کے تعامل کی نقالی کرنا، ٹیسٹ کے ڈیٹا کی بنیاد پر فیصلہ کرنا، اور ٹیسٹ کے حالات کو بدلنے کے لیے اپنانا شامل ہے۔ اس کے بعد ہم LangChain اور DSPy کا استعمال کرتے ہوئے Agentic AI ایجنٹ کی وضاحت کرتے ہیں، اور اسے ٹیسٹ کے منظر نامے کو خودکار بنانے کے لیے استعمال کرتے ہیں۔
ٹاپ 5-10 سب سے زیادہ استعمال شدہ کمانڈز/ٹکڑے
LangChain اور DSPy کے لیے سب سے اوپر 5-10 سب سے زیادہ استعمال شدہ کمانڈز/ٹکڑے یہ ہیں:
langchain.LLMChain(llm=DSPyLLM()): LangChain اور DSPy کا استعمال کرتے ہوئے ایک ایجنٹی AI ایجنٹ بناتا ہے۔DSPyLLM(): DSPy LLM (بڑی زبان کا ماڈل) مثال شروع کرتا ہے۔LLMChain(input_type="text", output_type="text"): ٹیکسٹ ان پٹ اور آؤٹ پٹ کی اقسام کے ساتھ ایک Agentic AI ایجنٹ بناتا ہے۔agent.run(user_input): Agentic AI ایجنٹ کو صارف کے ان پٹ کے ساتھ چلاتا ہے۔test_scenario = {"user_input": "login", "expected_output": "login successful"}: صارف کے ان پٹ اور متوقع آؤٹ پٹ کے ساتھ ٹیسٹ کے منظر نامے کی وضاحت کرتا ہے۔langchain.chains.LLMChain(llm=DSPyLLM()): LangChain اور DSPy کا استعمال کرتے ہوئے ایک ایجنٹی AI ایجنٹ بناتا ہے۔DSPyLLM().predict(user_input): صارف کے ان پٹ کے ساتھ DSPy LLM کے آؤٹ پٹ کی پیش گوئی کرتا ہے۔LLMChain(input_type="text", output_type="text").run(user_input): Agentic AI ایجنٹ کو ٹیکسٹ ان پٹ اور آؤٹ پٹ کی اقسام کے ساتھ چلاتا ہے۔test_automation(test_scenario): ٹیسٹ آٹومیشن فنکشن کو ٹیسٹ کے منظر نامے کے ساتھ چلاتا ہے۔langchain.chains.LLMChain(llm=DSPyLLM()).run(user_input): Agentic AI ایجنٹ کو صارف کے ان پٹ کے ساتھ چلاتا ہے۔
تصور
Chart.js کا استعمال کرتے ہوئے Agentic AI ایجنٹ کا تصور یہاں ہے:
json { "type": "بار"، "ڈیٹا": { "labels": ["صارف کا ان پٹ"، "فیصلہ"، "موافقت"]، "ڈیٹا سیٹ": [ { "label": "Agentic AI ایجنٹ", "ڈیٹا": [10، 20، 30]، "backgroundColor": "rgba(255, 99, 132, 0.2)", "borderColor": "rgba(255, 99, 132, 1)", سرحد کی چوڑائی: 1 } ] }، "اختیارات": { "عنوان": { "ڈسپلے": سچ، "text": "Agentic AI ایجنٹ" }، "پیمانہ": { "yAxes": [ { "ticks": { "beginAtZero": سچ ہے۔ } } ] } } }
یہ تصور Agentic AI ایجنٹ کی کارکردگی کو ظاہر کرتا ہے کہ وہ صارف کے تعاملات کی تقلید کرنے، ٹیسٹ ڈیٹا کی بنیاد پر فیصلے کرنے، اور ٹیسٹ کے حالات کو بدلنے کے لیے اپنانے میں۔
نتیجہ
اس آرٹیکل میں، ہم نے LangChain اور DSPy کا استعمال کرتے ہوئے پیچیدہ ٹیسٹ کے منظرناموں کو خودکار کرنے کے لیے Agentic AI، Orchestration Tools، اور Software Engineering کے انٹرسیکشن کو تلاش کیا۔ ہم نے ڈیٹرمنسٹک ٹیسٹ آٹومیشن میں Agentic AI کی ایک سادہ مثال کو لاگو کیا اور LangChain اور DSPy کے لیے کمانڈز/ٹکڑوں کی ایک رینج فراہم کی۔ ہم نے Chart.js کا استعمال کرتے ہوئے Agentic AI ایجنٹ کی کارکردگی کو بھی دیکھا۔ Agentic AI اور Orchestration Tools سے فائدہ اٹھا کر، ڈویلپرز جدید ترین ٹیسٹ آٹومیشن فریم ورک بنا سکتے ہیں جو صارف کے تعاملات کی تقلید کرتے ہیں، ٹیسٹ ڈیٹا کی بنیاد پر فیصلے کرتے ہیں، اور ٹیسٹ کے بدلتے ہوئے حالات کو اپناتے ہیں۔