בויען זיך-היילונג ווייכווארג סיסטעמען מיט מולטי-אַגענט אַי אַרקאַטעקץ און לאַנגטשאַין

בויען זיך-היילונג ווייכווארג סיסטעמען מיט מולטי-אַגענט אַי אַרקאַטעקץ און לאַנגטשאַין

הקדמה

אין הייַנט ס שנעל-פּייסט ווייכווארג אַנטוויקלונג לאַנדשאַפט, בנין זיך-היילונג ווייכווארג סיסטעמען איז געווארן אַ קריטיש פאָדערונג פֿאַר ינשורינג די רילייאַבילאַטי, סקאַלאַביליטי און ריזיליאַנס פון קאָמפּלעקס ווייכווארג סיסטעמען. טראַדיציאָנעל מאַנאַליטיק אַרקאַטעקטשערז זענען ניט מער גענוג צו טרעפן די פאדערונגען פון מאָדערן ווייכווארג אַנטוויקלונג, ווו סיסטעמען מוזן זיין ביכולת צו אַדאַפּט צו טשאַנגינג רעקווירעמענץ, שעפּן אומגעריכט פייליערז און געשווינד צוריקקריגן פון ערראָרס. דאָס איז ווו מולטי-אַגענט אַי אַרקאַטעקטשערז און LangChain קומען אין שפּיל, פאָרשלאָגן אַ שטאַרק לייזונג פֿאַר בנין זיך-היילונג ווייכווארג סיסטעמען וואָס קענען לערנען, אַדאַפּט און ריספּאַנד צו טשאַנגינג טנאָים.

** וואָס זענען מולטי-אַגענט אַי אַרקאַטעקץ?**

מולטי-אַגענט אַי אַרקאַטעקטשערז זענען אַ טיפּ פון פונאנדערגעטיילט אַי סיסטעם וואָס באשטייט פון קייפל אָטאַנאַמאַס אגענטן וואָס ינטעראַקט מיט יעדער אנדערע און זייער סוויווע צו דערגרייכן אַ פּראָסט ציל. יעדער אַגענט האט זיין אייגענע באַשלוס-מאכן קייפּאַבילאַטיז, וויסן און רעסורסן, און זיי קענען יבערגעבן מיט יעדער אנדערע צו טיילן אינפֿאָרמאַציע, קאָואָרדאַנאַט אַקשאַנז און אַדאַפּט צו טשאַנגינג טנאָים.

אין דעם קאָנטעקסט פון ווייכווארג סיסטעמען, מאַלטי-אַגענט אַי אַרקאַטעקטשערז קענען ווערן גענוצט צו בויען זיך-היילונג סיסטעמען וואָס קענען דעטעקט און ריספּאַנד צו ערראָרס, פייליערז און אנדערע אַנאַמאַליז אין פאַקטיש צייט. דורך דיסטריביוטינג די באַשלוס-מאכן פּראָצעס איבער קייפל אגענטן, די סיסטעמען קענען לערנען פון דערפאַרונג, אַדאַפּט זיך צו טשאַנגינג טנאָים און געשווינד צוריקקריגן פון ערראָרס.

וואָס איז LangChain?

LangChain איז אַן אָפֿן-מקור פּיטהאָן ביבליאָטעק פֿאַר בנין מולטי-אַגענט אַי סיסטעמען. עס גיט אַ פּשוט, פלעקסאַבאַל און סקאַלאַבלע פריימווערק פֿאַר בנין קאָמפּלעקס אַי סיסטעמען וואָס קענען לערנען, אַדאַפּט און ריספּאַנד צו טשאַנגינג טנאָים. LangChain איז דיזיינד צו אַרבעטן מיט אַ ברייט קייט פון אַי פראַמעוואָרקס, אַרייַנגערעכנט TensorFlow, PyTorch און Keras, און קענען זיין געוויינט צו בויען סיסטעמען וואָס ויסשטימען זיך מיט פאַרשידן דאַטן קוואלן, אַרייַנגערעכנט דאַטאַבייסיז, אַפּיס און IoT דעוויסעס.

בנין זיך-היילונג ווייכווארג סיסטעמען מיט לאַנגטשאַין

צו בויען אַ זיך-היילונג ווייכווארג סיסטעם מיט LangChain, מיר דאַרפֿן צו פּלאַן אַ מאַלטי-אַגענט אַי אַרקאַטעקטשער וואָס קענען דעטעקט און ריספּאַנד צו ערראָרס, פייליערז און אנדערע אַנאַמאַליז אין פאַקטיש צייט. דאָ ס אַ הויך-מדרגה איבערבליק פון די אַרקאַטעקטשער:

1. ** אַגענט פּלאַן**: מיר דאַרפֿן צו פּלאַן אַ גאַנג פון אָטאַנאַמאַס אגענטן וואָס קענען ינטעראַקט מיט יעדער אנדערער און זייער סוויווע צו דערגרייכן אַ פּראָסט ציל. יעדער אַגענט זאָל האָבן זיין אייגענע באַשלוס-מאכן קייפּאַבילאַטיז, וויסן און רעסורסן.
2. ** וויסן גראַפיק **: מיר דאַרפֿן צו שאַפֿן אַ וויסן גראַפיק וואָס רעפּראַזענץ די באַציונגען צווישן די אגענטן, די סוויווע און די צילן פון די סיסטעם. די גראַפיק קענען ווערן גענוצט צו סיבה וועגן די שטאַט פון די סיסטעם און מאַכן דיסיזשאַנז.
3. ** באשלוס-מאכן **: מיר דאַרפֿן צו ינסטרומענט אַ באַשלוס-מאכן פּראָצעס וואָס אַלאַוז די אגענטן צו ריזאַנינג וועגן די שטאַט פון די סיסטעם און מאַכן דיסיזשאַנז באזירט אויף די וויסן גראַפיק.
4. ** אקציע דורכפירונג **: מיר דאַרפֿן צו ינסטרומענט אַ קאַמף דורכפירונג פּראָצעס וואָס אַלאַוז די אגענטן צו ויספירן זייער דיסיזשאַנז און ינטעראַקט מיט די סוויווע.

דאָ איז אַ פּשוט בייַשפּיל פון אַ זיך-היילונג ווייכווארג סיסטעם געבויט מיט LangChain:

אַרייַנפיר לאַנגטשאַין
פֿון langchain.agents אַרייַנפיר אַגענט
פֿון langchain.llms אַרייַנפיר LLM


גראף = {
    'אַגענץ': ['אַגענט1', 'אַגענט2', 'אַגענט3'],
    'ענוויראָנמענט': ['דאַטאַבייס', 'אַפּי', 'יאָט מיטל'],
    'גאָאַלס': ['דעטעקט ערראָרס', 'רעספּאָנד צו פייליערז', 'צוריקקריגן פון ערראָרס']
}

# דעפינירן דעם באַשלוס-מאכן פּראָצעס
דעפ באַשלוס_מאכן (אַגענט, וויסן_גראַף):
    # סיבה וועגן די שטאַט פון די סיסטעם
    שטאַט = וויסן_גראַף['אַגענץ'][אַגענט]
    # מאַכן אַ באַשלוס באזירט אויף די שטאַט
    באַשלוס = 'רעספּאָנד צו דורכפאַל'
    צוריקקומען באַשלוס

# דעפינירן דעם קאַמף דורכפירונג פּראָצעס
def action_execution (אַגענט, באַשלוס):
    # אויספירן דעם באשלוס
    אויב באַשלוס == 'רעספּאָנד צו דורכפאַל':
        # רעספּאָנד צו דורכפאַל
        print('רעספּאָנדינג צו דורכפאַל ...')
    צוריקקומען

# שאַפֿן אַ LangChain אַגענט
אַגענט = אַגענט (
    נאָמען = 'זיך-היילונג-אַגענט',
    באַשלוס_מאכן = באַשלוס_מאכן,
    action_execution=action_execution,
    וויסן_גראַף = גראַפיק
)

# שאַפֿן אַ LangChain LLM
llm = LLM(
    נאָמען = 'זיך-היילונג-ללם',
    model='davinci'
)

# שאַפֿן אַ LangChain סיסטעם
סיסטעם = לאַנגטשאַין.סיסטעם(
    אַגענט = אַגענט,
    לם = לם
)

# לויפן די סיסטעם
system.run()

דער ביישפּיל דעמאַנסטרייץ אַ פּשוט זיך-היילונג ווייכווארג סיסטעם וואָס קענען דעטעקט ערראָרס, ריספּאַנד צו פייליערז און געשווינד צוריקקריגן פון ערראָרס. די סיסטעם באשטייט פון אַ סכום פון אָטאַנאַמאַס אגענטן וואָס ינטעראַקט מיט יעדער אנדערע און זייער סוויווע צו דערגרייכן אַ פּראָסט ציל. די אגענטן נוצן אַ וויסן גראַפיק צו סיבה וועגן די שטאַט פון די סיסטעם און מאַכן דיסיזשאַנז באזירט אויף די גראַפיק.

שפּיץ 5-10 מערסט געוויינט קאַמאַנדז / סניפּאַץ

דאָ זענען די שפּיץ 5-10 מערסט געוויינט קאַמאַנדז / סניפּאַץ פֿאַר LangChain:

1. langchain.Agent(): קריייץ אַ נייַ לאַנגטשאַין אַגענט.
2. langchain.LLM(): קריייץ אַ נייַ LangChain LLM.
3. langchain.System(): קריייץ אַ נייַ לאַנגטשאַין סיסטעם.
4. agent.decision_making(): לויפט די באַשלוס-מאכן פּראָצעס פֿאַר אַן אַגענט.
5. agent.action_execution(): לויפט דעם קאַמף דורכפירונג פּראָצעס פֿאַר אַן אַגענט.
6. llm.predict(): מאכט אַ פּראָגנאָז ניצן די LLM.
7. system.run(): לויפט די LangChain סיסטעם.
8. graph.add_node(): מוסיף אַ נייַ נאָדע צו די וויסן גראַפיק.
9. graph.add_edge(): מוסיף אַ נייַ ברעג צו די וויסן גראַפיק.
10. graph.remove_node(): רימוווז אַ נאָדע פון ​​די וויסן גראַפיק.

וויסואַליזאַטיאָן

דאָ איז אַ פּשוט וויזשוואַלאַזיישאַן פון די וויסן גראַפיק ניצן Chart.js:

{
  "type": "גראַף",
  "דאַטן": {
    "נאָדעס": [
      {"id": "agent1", "label": "אַגענט 1"},
      {"id": "agent2", "label": "אַגענט 2"},
      {"id": "agent3", "label": "אַגענט 3"},
      {"id": "דאַטאַבייס", "label": "דאַטאַבאַסע"},
      {"id": "API", "label": "API"},
      {"id": "IOT device", "label": "IoT Device"}
    ],
    "עדזשאַז": [
      {"source": "agent1", "target": "דאַטאַבייס"},
      {"source": "agent2", "target": "API"},
      {"source": "agent3", "target": "IOT מיטל"},
      {"source": "agent1", "target": "agent2"},
      {"source": "agent2", "target": "agent3"}
    ]
  },
  "אָפּציעס": {
    "אויסלייג": {
      "type": "קייַלעכיק"
    },
    "נאָדעס": {
      "גרייס": 50
    },
    "עדזשאַז": {
      "ברייט": 2
    }
  }
}

דעם וויזשוואַלאַזיישאַן ווייזט די באציונגען צווישן די אגענטן, די סוויווע און די גאָולז פון די סיסטעם.

** מסקנא**

בנין זיך-היילונג ווייכווארג סיסטעמען מיט מאַלטי-אַגענט אַי אַרקאַטעקטשערז און LangChain אָפפערס אַ שטאַרק לייזונג פֿאַר ינשורינג די רילייאַבילאַטי, סקאַלאַביליטי און ריזיליאַנס פון קאָמפּלעקס ווייכווארג סיסטעמען. דורך דיסטריביוטינג די באַשלוס-מאכן פּראָצעס איבער קייפל אגענטן, די סיסטעמען קענען לערנען פון דערפאַרונג, אַדאַפּט זיך צו טשאַנגינג טנאָים און געשווינד צוריקקריגן פון ערראָרס. מיט LangChain, דעוועלאָפּערס קענען בויען קאָמפּלעקס אַי סיסטעמען וואָס ויסשטימען מיט אַ ברייט קייט פון דאַטן קוואלן, אַרייַנגערעכנט דאַטאַבייסיז, אַפּיס און IoT דעוויסעס. דורך נאָכפאָלגן דעם בייַשפּיל קאָד און ניצן די שפּיץ 5-10 מערסט געוויינט קאַמאַנדז / סניפּאַץ, דעוועלאָפּערס קענען בויען זייער אייגענע זיך-היילונג ווייכווארג סיסטעמען מיט LangChain.