Réamhrá
Tá athruithe suntasacha tagtha ar réimse DevOps le blianta beaga anuas, agus tá comhtháthú na hIntleachta Saorga (AI) agus Foghlaim Meaisín (ML) ag éirí níos suntasaí. Ceann de na príomhréimsí ina bhfuil tionchar suntasach ag AI ná i réimse an uathoibrithe. Trí ghníomhairí AI a ghiaráil, is féidir le heagraíochtaí a sreafaí oibre forbartha bogearraí a shruthlíniú, earráidí láimhe a laghdú, agus éifeachtacht fhoriomlán a fheabhsú.
San Airteagal seo, déanfaimid iniúchadh ar shaol uathoibrithe DevOps faoi thiomáint AI, ag díriú ar chreataí LangChain agus DSPy. Fiosróimid conas is féidir na huirlisí seo a úsáid chun córais réitithe saincheisteanna réamhghníomhacha a chruthú agus chun sreafaí oibre forbartha bogearraí a uathoibriú. Ina theannta sin, cuirfimid sampla praiticiúil ar fáil maidir le conas Múnlaí Móra Teanga (LLManna) a chomhtháthú le do phíblíne DevOps.
Cad iad LangChain agus DSPy?
Sula tumaimid isteach i sonraí uathoibrithe DevOps atá faoi thiomáint ag AI, déanaimis breathnú go hachomair ar chreataí LangChain agus DSPy.
LangChain
Is creat foinse oscailte é LangChain a chuireann ar chumas forbróirí feidhmchláir chomhrá AI a thógáil ag baint úsáide as Múnlaí Teangacha Móra (LLManna). Soláthraíonn sé API simplí iomasach chun idirghníomhú le LLManna, rud a ligeann d’fhorbróirí comhéadain chomhrá saincheaptha a chruthú dá bhfeidhmchláir.
Tacaíonn LangChain le raon leathan LLManna, lena n-áirítear samhlacha coitianta mar LLaMA, BERT, agus RoBERTa. Soláthraíonn sé freisin raon uirlisí chun LLManna a mhionchoigeartú agus a shaincheapadh chun freastal ar chásanna úsáide sonracha.
DSPy
Is leabharlann Python é DSPy a sholáthraíonn bealach simplí agus éifeachtach chun samhlacha AI a chomhtháthú isteach i do phíblíne DevOps. Tacaíonn sé le raon leathan creataí AI, lena n-áirítear LangChain, agus soláthraíonn sé raon uirlisí chun sreafaí oibre AI-tiomáinte a uathoibriú.
Tá DSPy deartha chun oibriú gan uaim le huirlisí DevOps móréilimh mar Jenkins, GitLab, agus Docker, rud a fhágann gur rogha iontach é d'eagraíochtaí atá ag iarraidh AI a chomhtháthú ina mbonneagar DevOps reatha.
Gníomhairí AI Orchestrating le haghaidh Uathoibriú DevOps
Anois go bhfuil forbhreathnú gairid againn ar LangChain agus DSPy, déanaimis iniúchadh ar conas is féidir na creataí seo a úsáid chun gníomhairí AI a stiúradh le haghaidh uathoibriú DevOps.
Réiteach Saincheiste Réamhghníomhach
Ceann de na príomhbhuntáistí a bhaineann le huathoibriú DevOps atá faoi thiomáint ag AI ná an cumas saincheisteanna a réiteach go réamhghníomhach sula dtiocfaidh fadhbanna móra orthu. Is féidir LangChain agus DSPy a úsáid chun comhéadain chomhrá saincheaptha a chruthú a idirghníomhaíonn le LLManna chun saincheisteanna féideartha a aithint agus moltaí a sholáthar maidir le réiteach.
Seo sampla simplí de conas a d’fhéadfadh sé seo oibriú:
allmhairiú langchain
ó langchain.chat_models allmhairiú LLaMA
# Cruthaigh samhail comhrá LangChain
chat_model = LLaMA()
# Sainmhínigh feidhm chun idirghníomhú leis an tsamhail chomhrá
def interaction_with_chat_model(leid):
freagra = chat_model.run(leideach)
freagra ar ais
# Sainmhínigh feidhm chun saincheisteanna féideartha a aithint
sainaithint_ischeisteanna(cód):
prompt = f"Sainaithin saincheisteanna féideartha sa chód seo a leanas: {code}"
freagra = idirghníomhú_with_chat_model(leid)
freagra ar ais
# Sainmhínigh feidhm chun moltaí réitigh a sholáthar
def provide_moltaí(ceisteanna):
prompt = f"Cuir moltaí ar fáil chun na saincheisteanna seo a leanas a réiteach: {ceisteanna}"
freagra = idirghníomhú_with_chat_model(leid)
freagra ar ais
# Úsáid shamplach
cód="""
def cuir(x, y):
ar ais x + y
"""
saincheisteanna = sainaithint_issues(cód)
moltaí = provide_moltaí(ceisteanna)
cló (moltaí)
Sa sampla seo, sainmhínímid feidhm shimplí interact_with_chat_model a idirghníomhaíonn le múnla comhrá LangChain chun freagra a sholáthar ar leid ar leith. Sainmhínímid ansin dhá fheidhm bhreise sainaithint_cheisteanna agus soláthar_moltaí a úsáideann an tsamhail chomhrá chun saincheisteanna a d'fhéadfadh a bheith ann i gcód samplach a aithint agus moltaí a sholáthar lena réiteach.
Sreafaí Oibre Forbartha Bogearraí a Uathoibriú
Is féidir LangChain agus DSPy a úsáid freisin chun sreabhadh oibre forbartha bogearraí a uathoibriú trí mhúnlaí AI a chomhtháthú isteach sa phíblíne DevOps atá agat cheana féin.
Seo sampla de conas a d’fhéadfadh sé seo oibriú:
dspy a allmhairiú
ó Sreabhadh Oibre allmhairiú dspy
# Sainmhínigh sreabhadh oibre DSPy
sreabhadh oibre = Workflow()
# Sainmhínigh tasc chun uirlis anailíse cód a rith
def run_code_analysis(cód):
# Uirlis anailíse cód a reáchtáil chun saincheisteanna féideartha a aithint
saincheisteanna = []
#…
saincheisteanna maidir le filleadh
# Sainmhínigh tasc chun moltaí réitigh a sholáthar
def provide_moltaí(ceisteanna):
# Bain úsáid as samhail comhrá LangChain chun moltaí a sholáthar
prompt = f"Cuir moltaí ar fáil chun na saincheisteanna seo a leanas a réiteach: {ceisteanna}"
freagra = langchain.chat_model.run(leid)
freagra ar ais
# Sainmhínigh tasc chun an cód a úsáid
def deploy_code(cód):
# Imscaradh an cód chuig timpeallacht táirgthe
#…
# Sainmhínigh an sreabhadh oibre
workflow.add_task(run_code_analysis)
workflow.add_task(soláthar_moltaí)
workflow.add_task(deploy_code)
# Rith an sreabhadh oibre
sreabhadh oibre.run()
Sa sampla seo, sainímid sreabhadh oibre simplí DSPy atá comhdhéanta de thrí thasc: uirlis anailíse cód a reáchtáil, moltaí a sholáthar maidir le réiteach, agus an cód a imscaradh. Sainmhínímid an sreabhadh oibre ansin trí gach tasc a chur leis agus é a rith.
Na 5-10 nOrd/Blúire is Mó Úsáidte
Seo cuid de na horduithe agus na gearrthóga is coitianta a úsáidtear le haghaidh LangChain agus DSPy:
LangChain
langchain.chat_models.LLaMA(): Cruthaigh samhail comhrá LangChain ag baint úsáide as samhail LLaMA.langchain.chat_model.run(leid): Rith an tsamhail chomhrá le leid tugtha.langchain.chat_model.interact_with(prompt): Déan teagmháil leis an tsamhail chomhrá agus úsáid á baint agat as leid ar leith.
DSPy
dspy.Workflow(): Cruthaigh sreabhadh oibre DSPy.workflow.add_task(tasc): Cuir tasc leis an sreabhadh oibre.workflow.run(): Rith an sreabhadh oibre.
Amharcléiriú
Seo léirshamhlú simplí ar an sreabhadh oibre ag baint úsáide as Chart.js:
{
"cineál": "barra",
"sonraí": {
"labels": [ "Anailís Cóid", "Moltaí", "Imscaradh"],
"tacair sonraí": [
{
" label " : " Sreabhadh oibre",
"sonraí": [10, 20, 30],
"backgroundColor": [
"rgb(255, 99, 132, 0.2)",
"rgb(54, 162, 235, 0.2)",
"rgb(255, 206, 86, 0.2)"
],
"Color Dath teorann": [
"rgb(255, 99, 132, 1)",
"rgb(54, 162, 235, 1)",
"rgb(255, 206, 86, 1)"
],
"leithead teorann": 1
}
]
},
"roghanna": {
"teideal": {
"taispeáint": fíor,
"text": "Sreabhadh Oibre"
},
"scálaí": {
"yAiseanna": [
{
"ticeanna": {
"beginAtZero": fíor
}
}
]
}
}
}
Taispeánann an léirshamhlú seo barrachairt shimplí a léiríonn an sreabhadh oibre, le trí bharra a léiríonn an anailís chóid, na moltaí agus na tascanna imlonnaithe.
Conclúid
San Airteagal seo, rinneamar iniúchadh ar shaol uathoibrithe DevOps faoi thiomáint AI ag baint úsáide as LangChain agus DSPy. Chonaiceamar conas is féidir na creataí seo a úsáid chun córais réitithe saincheisteanna réamhghníomhacha a chruthú agus sreafaí oibre forbartha bogearraí a uathoibriú. Chuireamar samplaí praiticiúla ar fáil freisin maidir le conas LLManna a chomhtháthú isteach i do phíblíne DevOps agus an sreabhadh oibre a shamhlú ag baint úsáide as Chart.js.
Trí chumhacht AI agus uathoibriú a ghiaráil, is féidir le heagraíochtaí a sreafaí oibre forbartha bogearraí a shruthlíniú, earráidí láimhe a laghdú, agus éifeachtacht fhoriomlán a fheabhsú. Cibé an innealtóir DevOps thú, forbróir bogearraí, nó ceannaire gnó, is uirlisí cumhachtacha iad LangChain agus DSPy a chabhróidh leat do spriocanna a bhaint amach.