Giriş
Süni İntellektin (AI) və Maşın Öyrənilməsinin (ML) sürətli təkamülü təkbaşına hərəkətlər edə və qərarlar qəbul edə bilən AI növü olan agent AI-nin inkişafına səbəb oldu. Bu texnologiya proqram arxitekturasına və DevOps avtomatlaşdırılmasına yanaşma tərzimizi dəyişdirmək potensialına malikdir. Bu yazıda proqram arxitekturasını, infrastrukturu və DevOps proseslərini avtomatlaşdırmaq üçün agent AI, Böyük Dil Modelləri (LLM) və LangChain və DSPy kimi orkestrləşdirmə alətlərinin inteqrasiyasını araşdıracağıq.
Agent AI nədir?
Agent AI, özbaşına hərəkətlər edə və qərarlar qəbul edə bilən süni intellekt növünə aiddir. Bu, adətən xüsusi tapşırıqları yerinə yetirmək və əvvəlcədən müəyyən edilmiş qaydalara riayət etmək üçün nəzərdə tutulmuş ənənəvi AI sistemlərindən fərqlidir. Agentlik süni intellekt sistemləri isə daha muxtar və uyğunlaşmaq üçün nəzərdə tutulmuşdur ki, bu da onlara ətraf mühitdən öyrənməyə və öz məqsəd və məqsədləri əsasında qərarlar qəbul etməyə imkan verir.
Agentlik AI-də LLM-lərin Rolu
Böyük Dil Modelləri (LLM) böyük həcmdə mətn məlumatı üzərində öyrədilmiş və insana bənzər dil yarada bilən süni intellekt növüdür. LLM-lər agent AI sistemlərinin əsas komponentidir, çünki onlar insan dilini başa düşmək və yaratmaq qabiliyyətini təmin edir. Bu, agent AI sistemlərinə insanlar və digər sistemlərlə daha təbii və intuitiv şəkildə əlaqə saxlamağa imkan verir.
Orkestrasiya Alətləri: LangChain və DSPy
LangChain və DSPy kimi orkestrasiya vasitələri müxtəlif sistemlər və komponentlər arasında qarşılıqlı əlaqəni idarə etmək və əlaqələndirmək üçün nəzərdə tutulmuşdur. Bu alətlər məlumatların işlənməsi, model təlimi və yerləşdirmə kimi tapşırıqları əhatə edə bilən iş axınlarını müəyyən etmək və icra etmək üçün bir yol təqdim edir.
LangChain
LangChain, iş axınlarını qurmaq və idarə etmək üçün çevik və genişləndirilə bilən çərçivə təmin edən açıq mənbəli orkestrləşdirmə vasitəsidir. LangChain, LLM-lər, verilənlər bazaları və API-lər də daxil olmaqla geniş sistem və komponentlərlə işləmək üçün nəzərdə tutulmuşdur.
DSPy
DSPy, iş axınlarını müəyyən etmək və icra etmək üçün sadə və intuitiv bir yol təqdim edən Python əsaslı orkestrləşdirmə vasitəsidir. DSPy LLM-lər, verilənlər bazaları və API-lər daxil olmaqla geniş spektrli sistem və komponentlərlə işləmək üçün nəzərdə tutulmuşdur.
Proqram Arxitekturasının və DevOps Proseslərinin avtomatlaşdırılması
Agentlik AI, LLM-lər və LangChain və DSPy kimi orkestrləşdirmə alətləri geniş spektrli proqram arxitekturası və DevOps proseslərini avtomatlaşdırmaq üçün istifadə edilə bilər. Bəzi nümunələrə aşağıdakılar daxildir:
- Avtomatlaşdırılmış kodun nəzərdən keçirilməsi: Agentlik AI sistemləri kodu nəzərdən keçirmək və səhvlər və təhlükəsizlik zəiflikləri kimi potensial problemləri müəyyən etmək üçün istifadə edilə bilər.
- Avtomatlaşdırılmış sınaq: Agentlik süni intellekt sistemləri vahid testi, inteqrasiya testi və uçdan-uca sınaq da daxil olmaqla testləri avtomatlaşdırmaq üçün istifadə edilə bilər.
- Avtomatlaşdırılmış yerləşdirmə: Agentlik AI sistemləri kodun, konfiqurasiyanın və digər resursların yerləşdirilməsi daxil olmaqla, yerləşdirməni avtomatlaşdırmaq üçün istifadə edilə bilər.
- Avtomatlaşdırılmış monitorinq: Agentlik süni intellekt sistemləri sistem performansının, təhlükəsizliyin və digər ölçülərin monitorinqi daxil olmaqla monitorinqi avtomatlaşdırmaq üçün istifadə edilə bilər.
Praktik Tətbiq
Bu bölmədə proqram arxitekturasını və DevOps prosesini avtomatlaşdırmaq üçün LangChain və DSPy-dən necə istifadə etməyin sadə nümunəsini təqdim edəcəyik.
Nümunə: Kod Baxışının avtomatlaşdırılması
Bu nümunədə kodun nəzərdən keçirilməsini avtomatlaşdırmaq üçün LangChain və DSPy-dən istifadə edəcəyik. Aşağıdakı addımları ehtiva edən bir iş axını müəyyən edəcəyik:
- Kod təhlili: İş axını kodu təhlil etmək və potensial problemləri müəyyən etmək üçün LLM-dən istifadə edəcək.
- Kodun nəzərdən keçirilməsi: İş prosesi kodu nəzərdən keçirmək və potensial problemləri müəyyən etmək üçün agent AI sistemindən istifadə edəcək.
- Kod yerləşdirilməsi: İş prosesi kodu istehsal mühitinə yerləşdirmək üçün yerləşdirmə alətindən istifadə edəcək.
LangChain və DSPy istifadə edərək bu iş axınının necə həyata keçiriləcəyinə dair bir nümunə:
idxal langchain
langchain idxal LLM-dən
# LLM-i müəyyənləşdirin
llm = LLM("text-davinci-003")
# Agent AI sistemini müəyyənləşdirin
ai_system = langchain.AgenticAI()
# İş axınını müəyyənləşdirin
iş axını = langchain.İş axını(
addımlar=[
langchain.Addım(
name="Kod təhlili",
func=llm.analyze_code,
inputs={"code": "def hello_world(): print('Salam Dünya')"},
),
langchain.Addım(
name="Kod baxışı",
func=ai_system.review_code,
inputs={"code": "def hello_world(): print('Salam Dünya')"},
),
langchain.Addım(
name="Kod yerləşdirmə",
func=langchain.deploy_code,
inputs={"code": "def hello_world(): print('Salam Dünya')"},
),
]
)
# İş prosesini yerinə yetirin
iş axını.execute()
Bu kod üç addımdan ibarət iş axını müəyyən edir: kodun təhlili, kodun nəzərdən keçirilməsi və kodun yerləşdirilməsi. İş axını kodu təhlil etmək üçün LLM-dən, kodu nəzərdən keçirmək üçün agent AI sistemindən və kodu istehsal mühitinə yerləşdirmək üçün yerləşdirmə alətindən istifadə edir.
Ən çox istifadə olunan 5-10 əmr/parça
LangChain və DSPy üçün ən çox istifadə olunan 5-10 əmr/parçalar bunlardır:
langchain.Workflow(addımlar=[...]): Çox addımlı iş axını müəyyən edin.langchain.Step(name="...", func=..., inputs={...}): İş prosesində tək addımı müəyyənləşdirin.llm.analyze_code(inputs={"code": ...}): Kodu təhlil etmək üçün LLM istifadə edin.ai_system.review_code(inputs={"code": ...}): Kodu nəzərdən keçirmək üçün agent AI sistemindən istifadə edin.langchain.deploy_code(inputs={"code": ...}): Kodu istehsal mühitinə yerləşdirin.langchain.AgenticAI(): Agent AI sisteminin nümunəsini yaradın.langchain.LLM(): LLM nümunəsini yaradın.langchain.deploy_code(): Kodu istehsal mühitinə yerləşdirin.langchain.execute_workflow(): İş axınını yerinə yetirin.langchain.get_workflow_status(): İş axınının statusunu əldə edin.
Vizuallaşdırma
Chart.js istifadə edərək iş axınının necə vizuallaşdırılmasına dair bir nümunə:
{
"növ": "bar",
"data": {
"etiketlər": ["Kod Təhlili", "Kod Baxışı", "Kod Yerləşdirmə"],
"verilənlər dəsti": [
{
"label": "İş axını addımları",
"data": [10, 20, 30],
"fon Rəngi": [
"rgba(255, 99, 132, 0.2)",
"rgba(54, 162, 235, 0.2)",
"rgba(255, 206, 86, 0.2)"
],
"borderColor": [
"rgba(255, 99, 132, 1)",
"rgba(54, 162, 235, 1)",
"rgba(255, 206, 86, 1)"
],
"borderWidth": 1
}
]
},
"seçimlər": {}
}
Bu kod üç etiketi olan bar diaqramını müəyyən edir: Kod Təhlili, Kod Baxışı və Kodun Yerləşdirilməsi. Diaqram iş prosesinin hər mərhələsində addımların sayını göstərir.
Nəticə
LangChain və DSPy kimi agent AI, LLM-lər və orkestrləşdirmə alətləri proqram arxitekturasına və DevOps avtomatlaşdırılmasına yanaşma tərzimizi dəyişdirmək potensialına malikdir. Kodun nəzərdən keçirilməsi, sınaqdan keçirilməsi və yerləşdirilməsi kimi tapşırıqları avtomatlaşdırmaqla biz inkişaf proseslərimizin səmərəliliyini və effektivliyini artıra bilərik. Bu yazıda biz bu texnologiyaların inteqrasiyasını araşdırdıq və proqram arxitekturasını və DevOps prosesini avtomatlaşdırmaq üçün onlardan necə istifadə etməyin sadə nümunəsini təqdim etdik.