Ներածություն

Այսօրվա արագընթաց թվային լանդշաֆտում ենթակառուցվածքների արդյունավետ և մասշտաբային կառավարման անհրաժեշտությունը երբեք ավելի հրատապ չի եղել: Քանի որ ամպի վրա հիմնված ծառայությունների պահանջարկը շարունակում է աճել, կազմակերպությունները դիմում են ինքնավար ենթակառուցվածքային լուծումների՝ իրենց DevOps գործընթացները պարզեցնելու համար: Այս հոդվածում մենք կխորանանք AI-ով աշխատող ենթակառուցվածքների կազմակերպման աշխարհում՝ ուսումնասիրելով DSPy-ի և LangChain-ի հնարավորությունները՝ երկու առաջադեմ գործիքներ, որոնք հեղափոխություն են անում մեր ենթակառուցվածքի կառավարման և ավտոմատացման ձևի մեջ:

DevOps ավտոմատացման մարտահրավերը

DevOps-ի ավտոմատացումը բարդ խնդիր է, որը պահանջում է բազմաթիվ տեխնոլոգիաների խորը պատկերացում՝ կոնտեյներացումից և կազմակերպումից մինչև մոնիտորինգ և անտառահատում: Հավելվածների և ծառայությունների քանակի աճին զուգահեռ մեծանում է ենթակառուցվածքի բարդությունը՝ գնալով դժվարացնելով այն կառավարելն ու պահպանելը: DevOps-ի ավտոմատացման ավանդական մոտեցումները հաճախ հիմնվում են ձեռքով սկրիպտավորման և կազմաձևման վրա, ինչը կարող է հանգեցնել սխալների, անհամապատասխանությունների և անվտանգության խոցելիության:

AI-ի վրա աշխատող ենթակառուցվածքային նվագախմբի վերելքը

AI-ով աշխատող ենթակառուցվածքի նվագախումբը խաղի փոփոխություն է DevOps-ի ավտոմատացման աշխարհում: Օգտագործելով մեքենայական ուսուցումը և բնական լեզվի մշակումը, AI գործակալները կարող են ավտոմատացնել բարդ առաջադրանքները, կանխատեսել և կանխել խնդիրները և օպտիմալացնել ռեսուրսների օգտագործումը: DSPy-ը և LangChain-ը երկու առաջատար գործիքներ են այս տարածքում, որոնք առաջարկում են մի շարք առանձնահատկություններ և հնարավորություններ, որոնք կարող են օգնել կազմակերպություններին արագացնել իրենց DevOps գործընթացները:

DSPy. Python-ի վրա հիմնված AI նվագախմբային շրջանակ

DSPy-ը Python-ի վրա հիմնված AI նվագախմբային շրջանակ է, որը ծրագրավորողներին հնարավորություն է տալիս ստեղծել և տեղակայել AI-ով աշխատող ենթակառուցվածքի ավտոմատացման լուծումներ: DSPy-ի միջոցով դուք կարող եք ստեղծել հատուկ AI գործակալներ, որոնք կարող են փոխազդել ձեր ենթակառուցվածքի հետ, ավտոմատացնել առաջադրանքները և որոշումներ կայացնել իրական ժամանակի տվյալների հիման վրա: DSPy-ի մոդուլային ճարտարապետությունը և նախապես կառուցված բաղադրիչների ընդարձակ գրադարանը այն դարձնում են իդեալական ընտրություն լայնածավալ ենթակառուցվածքների կառավարման համար:

DSPy-ի հիմնական առանձնահատկությունները

• Մոդուլային ճարտարապետություն. DSPy-ի մոդուլային ճարտարապետությունը թույլ է տալիս ստեղծել և տեղակայել հատուկ AI գործակալներ, որոնք կարող են փոխազդել ձեր ենթակառուցվածքի հետ:
• Ընդարձակ գրադարան. DSPy-ի նախապես կառուցված բաղադրիչներից բաղկացած ընդարձակ գրադարանը հեշտացնում է բարդ առաջադրանքների ավտոմատացումը և ինտեգրումը հայտնի DevOps գործիքների հետ:
• Իրական ժամանակում տվյալների մշակում. DSPy-ի իրական ժամանակում տվյալների մշակման հնարավորությունները թույլ են տալիս AI գործակալներին որոշումներ կայացնել՝ հիմնվելով արդի տվյալների վրա:

Պարզ DSpy կոդի օրինակ

Ահա DSPy կոդի բլոկի պարզ օրինակ, որն ավտոմատացնում է նոր կոնտեյների տեղակայումը. «Պիթոն». ներմուծել dspy

Սահմանեք AI գործակալը

agent = dspy.Agent()

Սահմանեք կոնտեյների տեղակայման խնդիրը

առաջադրանք = dspy.Task( name = "Deploy Container", description="Deploy a new container to the production միջավայր", inputs=["container_image", "container_port"], outputs=["container_id"] )

Սահմանեք կոնտեյների տեղակայման սցենարը

script = dspy.Script( name = "Deploy Container Script", description="Deploy a new container to the production միջավայր", կոդ = """ #!/bin/bash docker run -d -p {container_port}:{container_port} {container_image} """ )

Կցեք սցենարը առաջադրանքին

task.attach_script (script)

Սահմանեք AI գործակալի աշխատանքային հոսքը

աշխատանքային հոսք = dspy.Workflow ( name = "Container Deployment Workflow", description="Automate the deployment of a new container", առաջադրանքներ=[առաջադրանք] )

Սահմանեք AI գործակալի կոնֆիգուրացիան

կոնֆիգ = dspy.Config( name = "Container Deployment Config", description="Configure the AI agent for container deployment", inputs=["container_image", "container_port"] )

Ստեղծեք AI գործակալը

agent.create (աշխատանքային հոսք, կազմաձևում)

Այս կոդի բլոկը սահմանում է մի պարզ AI գործակալ, որն ավտոմատացնում է նոր կոնտեյների տեղակայումը արտադրական միջավայր: Գործակալը օգտագործում է նախապես կառուցված կոնտեյների տեղակայման սցենար՝ կոնտեյները տեղակայելու համար, և աշխատանքային հոսքը կազմաձևված է այնպես, որ ընդունի կոնտեյների պատկերի և պորտի մուտքային պարամետրերը:

## LangChain. ժանգի վրա հիմնված AI նվագախմբային շրջանակ

LangChain-ը Rust-ի վրա հիմնված AI նվագախմբի շրջանակ է, որը ծրագրավորողներին հնարավորություն է տալիս ստեղծել և տեղակայել AI-ով աշխատող ենթակառուցվածքի ավտոմատացման լուծումներ: LangChain-ի միջոցով դուք կարող եք ստեղծել հատուկ AI գործակալներ, որոնք կարող են փոխազդել ձեր ենթակառուցվածքի հետ, ավտոմատացնել առաջադրանքները և որոշումներ կայացնել իրական ժամանակի տվյալների հիման վրա: LangChain-ի մոդուլային ճարտարապետությունը և նախապես կառուցված բաղադրիչների ընդարձակ գրադարանը այն դարձնում են իդեալական ընտրություն լայնածավալ ենթակառուցվածքների կառավարման համար:

### LangChain-ի հիմնական առանձնահատկությունները

* **Մոդուլային ճարտարապետություն**. LangChain-ի մոդուլային ճարտարապետությունը թույլ է տալիս ստեղծել և տեղակայել հատուկ AI գործակալներ, որոնք կարող են փոխազդել ձեր ենթակառուցվածքի հետ:
* **Ընդարձակ գրադարան**. LangChain-ի նախապես կառուցված բաղադրիչների ընդարձակ գրադարանը հեշտացնում է բարդ առաջադրանքների ավտոմատացումը և ինտեգրումը հանրաճանաչ DevOps գործիքների հետ:
* **Իրական ժամանակում տվյալների մշակում**. LangChain-ի իրական ժամանակի տվյալների մշակման հնարավորությունները թույլ են տալիս AI գործակալներին որոշումներ կայացնել՝ հիմնվելով արդի տվյալների վրա:

### Պարզ LangChain ծածկագրի օրինակ

Ահա LangChain կոդի բլոկի պարզ օրինակ, որն ավտոմատացնում է նոր կոնտեյների տեղակայումը.
`` ժանգ
օգտագործել langchain::{Գործակալ, առաջադրանք, սցենար, աշխատանքային հոսք, կոնֆիգ};

// Սահմանել AI գործակալը
let agent = Agent::new();

// Սահմանել կոնտեյների տեղակայման առաջադրանքը
թող առաջադրանք = Առաջադրանք::նոր(
    «Տեղակայել կոնտեյներ»,
    «Նոր կոնտեյներ տեղակայել արտադրական միջավայրում»,
    vec!["container_image", "container_port"],
    vec ["container_id"]
);

// Սահմանել կոնտեյների տեղակայման սցենարը
թող սկրիպտ = Սցենար::նոր(
    «Տեղադրել կոնտեյներային սցենար»,
    «Նոր կոնտեյներ տեղակայել արտադրական միջավայրում»,
    r#"
    #!/bin/bash
    docker run -d -p {container_port}:{container_port} {container_image}
    «#,
    vec!["container_image", "container_port"]
);

// Կցեք սցենարը առաջադրանքին
task.attach_script (script);

// Սահմանել AI գործակալի աշխատանքային հոսքը
թող աշխատանքային հոսք = Աշխատանքային հոսք::new(
    «Բեռնարկղերի տեղակայման աշխատանքային հոսք»,
    «Ավտոմատացնել նոր կոնտեյների տեղակայումը»,
    vec [առաջադրանք]
);

// Սահմանել AI գործակալի կոնֆիգուրացիան
թող կոնֆիգ = Կազմաձև::նոր(
    «Բեռնարկղերի տեղակայման կազմաձևում»,
    «Կարգավորեք AI գործակալը կոնտեյների տեղակայման համար»,
    vec!["container_image", "container_port"]
);

// Ստեղծեք AI գործակալը
agent.create (աշխատանքային հոսք, կազմաձև);

Այս կոդի բլոկը սահմանում է մի պարզ AI գործակալ, որն ավտոմատացնում է նոր կոնտեյների տեղակայումը արտադրական միջավայր: Գործակալը օգտագործում է նախապես կառուցված կոնտեյների տեղակայման սցենար՝ կոնտեյները տեղակայելու համար, և աշխատանքային հոսքը կազմաձևված է այնպես, որ ընդունի կոնտեյների պատկերի և պորտի մուտքային պարամետրերը:

Լավագույն 5-10 Ամենաօգտագործվող հրամաններ/հատվածներ

Ահա 5-10 ամենաշատ օգտագործվող հրամանները/հատվածները DSPy-ի և LangChain-ի համար.

DSPy

1. «dspy.Agent().create(workflow, config)»: Ստեղծում է նոր AI գործակալ՝ նշված աշխատանքային հոսքով և կազմաձևով:
2. «dspy.Task().attach_script(script)»: Կցում է սցենար AI գործակալի աշխատանքային հոսքի առաջադրանքին:
3. «dspy.Script().new(name, description, code)»: Ստեղծում է նոր սկրիպտ՝ նշված անունով, նկարագրությամբ և կոդով:
4. «dspy.Workflow().new(անուն, նկարագրություն, առաջադրանքներ)»: Ստեղծում է նոր աշխատանքային հոսք նշված անունով, նկարագրությամբ և առաջադրանքներով:
5. `dspy.Config().new(անուն, նկարագրություն, մուտքեր)`` ստեղծում է նոր կոնֆիգուրացիա նշված անունով, նկարագրությամբ և մուտքագրման պարամետրերով:

LangChain

1. «langchain::Agent::new()»: Ստեղծում է նոր AI գործակալ:
2. «langchain::Task::new(անուն, նկարագրություն, մուտքեր, ելքեր)»: Ստեղծում է նոր առաջադրանք նշված անունով, նկարագրությամբ, մուտքերով և ելքերով:
3. «langchain::Script::new(անուն, նկարագրություն, կոդ, մուտքեր)»: Ստեղծում է նոր սկրիպտ՝ նշված անունով, նկարագրությամբ, կոդով և մուտքային պարամետրերով:
4. «langchain::Workflow::new(անուն, նկարագրություն, առաջադրանքներ)»: Ստեղծում է նոր աշխատանքային հոսք նշված անունով, նկարագրությամբ և առաջադրանքներով:
5. «langchain::Config::new(անուն, նկարագրություն, մուտքեր)»: Ստեղծում է նոր կոնֆիգուրացիա նշված անունով, նկարագրությամբ և մուտքագրման պարամետրերով:

Վիզուալիզացիա

Ահա AI գործակալի աշխատանքային հոսքի արտացոլումը Chart.js-ի միջոցով.

{
  «տեսակ»՝ «բար»,
  "տվյալներ": {
    «պիտակներ»՝ [«Բեռնարկղերի տեղակայում», «Առաջադրանք 1», «Առաջադրանք 2», «Առաջադրանք 3»],
    «տվյալների հավաքածուներ»:
      {
        «պիտակ»: «Աշխատանքային հոսք»,
        «տվյալներ»: [10, 5, 3, 2],
        "backgroundColor": "rgba(255, 99, 132, 0.2)",
        "borderColor": "rgba(255, 99, 132, 1)",
        «սահմանի լայնություն»՝ 1
      }
    ]
  },
  «Ընտրանքներ»: {
    «վերնագիր»: {
      «ցուցադրում»՝ ճշմարիտ,
      "text": "AI Agent Workflow"
    },
    «կշեռքներ»: {
      «yAxes»:
        {
          «ցուցադրում»՝ ճշմարիտ,
          "scaleLabel": {
            «ցուցադրում»՝ ճշմարիտ,
            "labelString": "Առաջադրանքներ"
          }
        }
      ]
    }
  }
}

Այս վիզուալիզացիան ցույց է տալիս արհեստական ինտելեկտի գործակալի աշխատանքային հոսքը՝ յուրաքանչյուր առաջադրանքով ներկայացված է բարով: X առանցքը ներկայացնում է առաջադրանքները, իսկ y առանցքը ներկայացնում է առաջադրանքների քանակը:

Եզրակացություն

Այս հոդվածում մենք ուսումնասիրել ենք AI-ի վրա աշխատող ենթակառուցվածքի կազմակերպման աշխարհը՝ կենտրոնանալով DSPy-ի և LangChain-ի՝ այս տարածքում երկու առաջատար գործիքների վրա: Մենք տեսանք, թե ինչպես կարող են այս գործիքները օգտագործվել բարդ առաջադրանքների ավտոմատացման, խնդիրները կանխատեսելու և կանխելու և ռեսուրսների օգտագործումը օպտիմալացնելու համար: Իրենց մոդուլային ճարտարապետությամբ և նախապես կառուցված բաղադրիչների ընդարձակ գրադարաններով՝ DSPy-ը և LangChain-ը իդեալական ընտրություն են ենթակառուցվածքների լայնածավալ կառավարման համար: Անկախ նրանից՝ դուք DevOps-ի փորձառու մասնագետ եք, թե նոր եք սկսում, այս գործիքները, անկասկած, կօգնեն ձեզ արագացնել ձեր DevOps գործընթացները և բարձրացնել ձեր ենթակառուցվածքի կառավարումը հաջորդ մակարդակի վրա: