Inngangur
Hröð þróun gervigreindar (AI) og vélanáms (ML) hefur leitt til þróunar umboðslegs gervigreindar, tegund gervigreindar sem getur gripið til aðgerða og tekið ákvarðanir á eigin spýtur. Þessi tækni hefur tilhneigingu til að gjörbylta því hvernig við nálgumst hugbúnaðararkitektúr og DevOps sjálfvirkni. Í þessari grein munum við kanna samþættingu umboðslegra gervigreindar, stórra tungumálalíkana (LLMs) og hljómsveitarverkfæra eins og LangChain og DSPy til að gera sjálfvirkan hugbúnaðararkitektúr, innviði og DevOps ferla.
Hvað er Agentic AI?
Agentic AI vísar til tegundar AI sem getur gripið til aðgerða og tekið ákvarðanir á eigin spýtur. Þetta er í mótsögn við hefðbundin gervigreind kerfi, sem eru venjulega hönnuð til að framkvæma ákveðin verkefni og fylgja settum fyrirfram skilgreindum reglum. Agentic AI kerfi eru aftur á móti hönnuð til að vera sjálfstæðari og aðlögunarhæfari, sem gerir þeim kleift að læra af umhverfi sínu og taka ákvarðanir byggðar á eigin markmiðum og markmiðum.
Hlutverk LLMs í Agentic AI
Stór tungumálalíkön (LLM) eru tegund gervigreindar sem eru þjálfaðar á gríðarlegu magni textagagna og eru fær um að búa til mannlegt tungumál. LLM eru lykilþáttur umboðslegra gervigreindarkerfa, þar sem þau veita getu til að skilja og búa til mannamál. Þetta gerir umboðslegum gervigreindarkerfum kleift að eiga samskipti við menn og önnur kerfi á eðlilegri og leiðandi hátt.
Hljómsveitarverkfæri: LangChain og DSPy
Skipulagsverkfæri eins og LangChain og DSPy eru hönnuð til að stjórna og samræma samskipti milli mismunandi kerfa og íhluta. Þessi verkfæri bjóða upp á leið til að skilgreina og framkvæma verkflæði, sem geta falið í sér verkefni eins og gagnavinnslu, líkanaþjálfun og uppsetningu.
Langkeðja
LangChain er opinn uppspretta hljómsveitarverkfæri sem veitir sveigjanlegan og teygjanlegan ramma til að byggja upp og stjórna verkflæði. LangChain er hannað til að vinna með fjölbreytt úrval kerfa og íhluta, þar á meðal LLM, gagnagrunna og API.
DSPy
DSPy er Python-undirstaða hljómsveitarverkfæri sem veitir einfalda og leiðandi leið til að skilgreina og framkvæma verkflæði. DSPy er hannað til að vinna með fjölbreytt úrval kerfa og íhluta, þar á meðal LLM, gagnagrunna og API.
Sjálfvirkur hugbúnaðararkitektúr og DevOps ferla
Agentic AI, LLMs og hljómsveitarverkfæri eins og LangChain og DSPy er hægt að nota til að gera sjálfvirkan margs konar hugbúnaðararkitektúr og DevOps ferla. Nokkur dæmi eru:
- Sjálfvirk endurskoðun kóða: Hægt er að nota umboðsgervigreindarkerfi til að fara yfir kóða og bera kennsl á hugsanleg vandamál, svo sem villur og öryggisveikleika.
- Sjálfvirk próf: Umboðsgervigreindarkerfi er hægt að nota til að gera sjálfvirkar prófanir, þar á meðal einingaprófun, samþættingarprófun og end-til-enda prófun.
- Sjálfvirk dreifing: Hægt er að nota Agentic AI kerfi til að gera sjálfvirkan dreifingu, þar með talið uppsetningu kóða, stillingar og annarra tilfönga.
- Sjálfvirk vöktun: Umboðsgervigreindarkerfi er hægt að nota til að gera sjálfvirkt eftirlit, þar á meðal eftirlit með afköstum kerfisins, öryggi og öðrum mæligildum.
Hagnýt útfærsla
Í þessum hluta munum við gefa einfalt dæmi um hvernig á að nota LangChain og DSPy til að gera sjálfvirkan hugbúnaðararkitektúr og DevOps ferli.
Dæmi: Sjálfvirk endurskoðun kóða
Í þessu dæmi munum við nota LangChain og DSPy til að gera sjálfvirkan endurskoðun kóða. Við munum skilgreina verkflæði sem inniheldur eftirfarandi skref:
- Kóðagreining: Verkflæðið mun nota LLM til að greina kóðann og bera kennsl á hugsanleg vandamál.
- Kóðaendurskoðun: Verkflæðið mun nota umboðslegt gervigreindarkerfi til að fara yfir kóðann og bera kennsl á hugsanleg vandamál.
- Kóðadreifing: Verkflæðið mun nota dreifingartæki til að dreifa kóðanum í framleiðsluumhverfi.
Hér er dæmi um hvernig á að útfæra þetta verkflæði með LangChain og DSPy:
flytja inn langkeðju
frá langchain import LLM
# Skilgreindu LLM
llm = LLM("text-davinci-003")
# Skilgreindu umboðslega gervigreindarkerfið
ai_system = langchain.AgenticAI()
# Skilgreindu verkflæðið
workflow = langchain.Workflow(
skref=[
langchain.Step(
name="Kóðagreining",
func=llm.analyze_code,
inputs={"code": "def hello_world(): print('Hello World')"},
),
langchain.Step(
name="Code review",
func=ai_system.review_code,
inputs={"code": "def hello_world(): print('Hello World')"},
),
langchain.Step(
name="Kóðadreifing",
func=langchain.deploy_code,
inputs={"code": "def hello_world(): print('Hello World')"},
),
]
)
# Framkvæmdu verkflæðið
workflow.execute()
Þessi kóði skilgreinir verkflæði sem inniheldur þrjú skref: kóða greiningu, kóða endurskoðun og kóða dreifing. Verkflæðið notar LLM til að greina kóðann, umboðsbundið gervigreindarkerfi til að endurskoða kóðann og dreifingartæki til að dreifa kóðanum í framleiðsluumhverfi.
Topp 5-10 mest notuðu skipanir/bútar
Hér eru 5-10 mest notuðu skipanirnar/bútarnir fyrir LangChain og DSPy:
langchain.Workflow(steps=[...]): Skilgreindu verkflæði með mörgum skrefum.langchain.Step(name="...", func=..., inputs={...}): Skilgreindu eitt skref í verkflæði.llm.analyze_code(inputs={"kóði": ...}): Notaðu LLM til að greina kóða.ai_system.review_code(inputs={"kóði": ...}): Notaðu gervigreindarkerfi til að skoða kóðann.langchain.deploy_code(inputs={"kóði": ...}): Senda kóða í framleiðsluumhverfi.langchain.AgenticAI(): Búðu til tilvik af umboðsbundnu gervigreindarkerfi.langchain.LLM(): Búðu til tilvik af LLM.langchain.deploy_code(): Senda kóða í framleiðsluumhverfi.langchain.execute_workflow(): Keyra verkflæði.langchain.get_workflow_status(): Fáðu stöðu verkflæðis.
Sjónræn
Hér er dæmi um hvernig á að sjá vinnuflæði með því að nota Chart.js:
{
"type": "bar",
"gögn": {
"labels": ["Kóðagreining", "Kóðaskoðun", "Kóðauppsetning"],
"gagnasett": [
{
"label": "Verkflæðisskref",
"gögn": [10, 20, 30],
"bakgrunnslitur": [
"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
}
]
},
"valkostir": {}
}
Þessi kóði skilgreinir súlurit með þremur merkjum: Kóðagreining, Kóðaskoðun og Kóðadreifing. Myndin sýnir fjölda skrefa í hverju stigi verkflæðisins.
Niðurstaða
Agentic AI, LLMs og hljómsveitarverkfæri eins og LangChain og DSPy hafa tilhneigingu til að gjörbylta því hvernig við nálgumst hugbúnaðararkitektúr og DevOps sjálfvirkni. Með því að gera sjálfvirk verkefni eins og yfirferð kóða, prófun og uppsetningu, getum við bætt skilvirkni og skilvirkni þróunarferla okkar. Í þessari grein höfum við kannað samþættingu þessarar tækni og gefið einfalt dæmi um hvernig á að nota hana til að gera sjálfvirkan hugbúnaðararkitektúr og DevOps ferli.