Sukurkite pokalbio AI agentą naudodami „LangChain“.

** AI agentų integravimas su „DevOps“ automatizavimu: „LangChain“ ir „AWS DevOps Agent“ galių atrakinimas**

Įvadas

Dirbtinio intelekto (DI), „DevOps“ automatizavimo ir vietinės debesies architektūros sankirta keičia programinės įrangos kūrimo komandų požiūrį į pagrindinių priežasčių analizę ir mastelį. Naudodamos AI pagrįstus agentus, komandos gali automatizuoti sudėtingas užduotis, pagerinti reagavimo į incidentus laiką ir padidinti bendrą sistemos patikimumą. Šiame straipsnyje mes išnagrinėsime „LangChain“, „Python“ bibliotekos, skirtos pokalbio AI agentams kurti, integraciją su „AWS DevOps Agent“ – įrankiu, skirtu automatizuoti programinės įrangos pristatymą ir diegimą. Mes gilinsimės į šios integracijos naudą, pateiksime praktinį pavyzdį, kaip ją įgyvendinti, ir išryškinsime svarbiausias šios technologijos komandas ir fragmentus.

** DI valdomos „DevOps“ automatizavimo pranašumai**

Tradiciniai „DevOps“ automatizavimo įrankiai skirti automatizuoti pasikartojančias užduotis, pvz., diegimą ir testavimą. Tačiau šie įrankiai dažnai nesugeba analizuoti sudėtingos sistemos elgsenos ir nustatyti pagrindines problemų priežastis. Kita vertus, dirbtinio intelekto valdomi agentai gali analizuoti daugybę duomenų, nustatyti modelius ir numatyti sistemos elgseną. Integruodamos AI agentus su „DevOps“ automatizavimo įrankiais, komandos gali:

Padidinkite reagavimo į incidentus laiką greitai nustatydami pagrindines problemų priežastis
Padidinkite sistemos patikimumą numatydami gedimus ir užkirsdami jiems kelią
Automatizuokite sudėtingas užduotis, tokias kaip trikčių šalinimas ir derinimas
Pagerinti bendradarbiavimą tarp kūrimo ir operacijų komandų, suteikiant bendrą supratimą apie sistemos elgesį

LangChain: Python biblioteka, skirta pokalbių AI agentams kurti

„LangChain“ yra „Python“ biblioteka, leidžianti kūrėjams kurti pokalbio AI agentus naudojant natūralios kalbos apdorojimo (NLP) ir mašininio mokymosi (ML) metodus. Naudodami „LangChain“, kūrėjai gali sukurti agentus, kurie gali suprasti ir atsakyti į vartotojų užklausas, analizuoti tekstinius duomenis ir numatyti sistemos elgseną. „LangChain“ siūlo daugybę funkcijų, įskaitant:

Teksto analizė ir apdorojimas
NLP ir ML integracija
Pokalbio AI sistema
Integracija su populiariomis AI sistemomis, tokiomis kaip TensorFlow ir PyTorch

AWS DevOps agentas: įrankis programinės įrangos pristatymui ir diegimui automatizuoti

AWS DevOps Agent yra įrankis, leidžiantis kūrėjams automatizuoti programinės įrangos pristatymą ir diegimą AWS. Agentas siūlo daugybę funkcijų, įskaitant:

Automatizuotas diegimas ir testavimas
Nuolatinis integravimas ir nuolatinis pristatymas (CI / CD)
Integracija su populiariais „DevOps“ įrankiais, tokiais kaip „Jenkins“ ir „GitLab“.
Kelių programavimo kalbų ir sistemų palaikymas

LangChain integravimas su AWS DevOps Agent

Norėdami integruoti „LangChain“ su „AWS DevOps Agent“, sukursime paprastą Python scenarijų, kuris naudoja „LangChain“, kad analizuotų sistemos žurnalus ir nustatytų galimas problemas. Tada naudosime AWS DevOps Agent, kad automatizuotume scenarijaus diegimą ir integruotume jį su mūsų CI / CD dujotiekiu.

Praktinis pavyzdys: sistemos žurnalų analizė naudojant „LangChain“

importuoti langchain
iš langchain.chains.conversational importuoti ConversationalChain
iš langchain.llms importuoti OpenAI
iš langchain.embeddings importuoti HuggingFaceEmbeddings


agentas = ConversationalChain(
    llm = OpenAI (temperatūra = 0,7),
    embeddings=HuggingFaceEmbeddings(model_name="sakinio-transformatoriai/all-MiniLM-L6-v2")
)

# Apibrėžkite funkciją, skirtą sistemos žurnalams analizuoti
def analysis_logs(logs):
    # Naudokite „LangChain“, kad analizuotumėte žurnalus ir nustatytumėte galimas problemas
    response = agent.call(query="Kokios galimos problemos su šiais žurnalais?")
    grąžinti atsakymą

# Apibrėžkite funkciją, skirtą scenarijui įdiegti naudojant AWS DevOps Agent
def deploy_script():
    # Naudokite AWS DevOps Agent, kad įdiegtumėte scenarijų ir integruotumėte jį su mūsų CI / CD vamzdynu
    # ...
    praeiti

# Paleiskite scenarijų
žurnalai = ["error1", "error2", "error3"]
atsakymas = analizuoti_logai(logai)
spausdinti (atsakymas)

deploy_script()

5–10 dažniausiai naudojamų komandų / fragmentų

Čia yra 5–10 dažniausiai naudojamų „LangChain“ ir „AWS DevOps Agent“ komandų ir fragmentų:

LangChain: agent.call(query="Kokios galimos problemos su šiais žurnalais?")
LangChain: `ConversationalChain(llm=OpenAI(temperatūra=0,7), embeddings=HuggingFaceEmbeddings(model_name="sentence-transformers/all-MiniLM-L6-v2"))
AWS „DevOps Agent“: „aws devops-agent deploy --script script.py“
AWS DevOps agentas: „aws devops-agent integrate --pipeline pipeline-name“
LangChain: „HuggingFaceEmbeddings(model_name="sentence-transformers/all-MiniLM-L6-v2")
LangChain: „OpenAI(temperatūra=0,7)“.
AWS DevOps agentas: „aws devops agento būsena“
AWS DevOps agentas: „aws devops agento žurnalai“
LangChain: agent.embeddings = HuggingFaceEmbeddings(model_name="sentence-transformers/all-MiniLM-L6-v2")
LangChain: „agent.llm = OpenAI(temperatūra=0,7)“

Vizualizacija: Chart.js

Štai paprasta diagrama naudojant Chart.js, kad būtų galima vizualizuoti mūsų „LangChain“ pagrindu veikiančio AI agento našumą:

{
  "tipas": "juosta",
  "duomenys": {
    "etiketės": ["Tikslumas", "Tikslumas", "Atšaukti"],
    "duomenų rinkiniai": [
      {
        "label": "LangChain",
        "duomenys": [0,9, 0,8, 0,7],
        "backgroundColor": "rgba(255, 99, 132, 0.2)",
        "borderColor": "rgba(255, 99, 132, 1)",
        "borderWidth": 1
      }
    ]
  },
  "parinktys": {
    "pavadinimas": {
      "display": tiesa,
      "text": "LangChain pagrįsto AI agento našumas"
    },
    "svarstyklės": {
      „yAxes“: [
        {
          "erkės": {
            "beginAtZero": tiesa
          }
        }
      ]
    }
  }
}

Šioje diagramoje parodytas mūsų „LangChain“ pagrindu veikiančio AI agento tikslumas, tikslumas ir atšaukimas. Diagramoje pateikiamas vaizdinis agento veiklos vaizdas ir gali būti naudojamas tobulintinoms sritims nustatyti.

Išvada

AI agentų integravimas su „DevOps“ automatizavimu naudojant „LangChain“ ir „AWS DevOps Agent“ yra galingas būdas pagerinti pagrindinių priežasčių analizę ir mastelio keitimą. Išnaudodamos abiejų technologijų pranašumus, komandos gali automatizuoti sudėtingas užduotis, pagerinti reagavimo į incidentus laiką ir padidinti sistemos patikimumą. Šiame straipsnyje mes ištyrėme dirbtinio intelekto valdomo „DevOps“ automatizavimo pranašumus, pristatėme „LangChain“ ir „AWS DevOps Agent“ bei pateikėme praktinį pavyzdį, kaip integruoti šias dvi technologijas. Taip pat pabrėžėme pagrindines šios technologijos komandas ir fragmentus bei įtraukėme vizualizaciją naudodami Chart.js. Atlikdamos šiame straipsnyje aprašytus veiksmus, komandos gali išnaudoti visą DI pagrįsto „DevOps“ automatizavimo potencialą ir pagerinti savo bendruosius programinės įrangos kūrimo ir diegimo procesus.

Sukurkite pokalbio AI agentą naudodami „LangChain“.

Have Questions?